Desigualdades socioeconómicas y de género en el desarrollo de competencias socioemocionales de estudiantes latinoamericanos

La investigación sobre desigualdades educativas se ha construido, en gran medida, alrededor de una preocupación persistente por el rendimiento académico. Durante décadas, el éxito y el fracaso escolar se han definido, casi exclusivamente, a partir de los resultados obtenidos en pruebas estandarizadas de materias instrumentales. Esto ha permitido documentar con precisión las brechas asociadas al género y al nivel socioeconómico, dejando otras dimensiones fundamentales en un segundo plano, como si no formaran parte sustantiva del fenómeno educativo.

Entre estas dimensiones, el desarrollo de las competencias socioemocionales ha ocupado un lugar claramente marginal. Pese a la evidencia acumulada que subraya la importancia de habilidades como la autoeficacia académica, la perseverancia, la autorregulación y las disposiciones motivacionales ante el aprendizaje, su estudio ha quedado subordinado a una concepción de la educación centrada en la medición de competencias cognitivas. Como resultado, las desigualdades educativas se han interpretado principalmente como desigualdades en rendimiento, mientras que las brechas en competencias socioemocionales han sido abordadas de forma fragmentaria y, en muchos casos, secundaria.

En este estudio, las competencias socioemocionales se entienden como disposiciones, creencias y capacidades no estrictamente cognitivas; que influyen en cómo los estudiantes se perciben como aprendices, regulan su esfuerzo y afrontan las demandas académicas. Esta conceptualización no las identifica plenamente con rasgos generales de personalidad ni con competencias metacognitivas: mientras el Big Five y sus instrumentos asociados ofrecen una taxonomía amplia de rasgos disposicionales (Goldberg, 1990; John et al., 1991), la metacognición remite al conocimiento y control de los propios procesos cognitivos de aprendizaje (Schraw y Moshman, 1995). El Programa para la Evaluación Internacional de los Estudiantes 2022 (PISA, por sus siglas en inglés) adopta una aproximación aplicada al contexto escolar, que combina constructos socioemocionales generales con constructos específicos de dominio vinculados a creencias, actitudes, emociones y comportamientos ante el aprendizaje (Organización para la Cooperación y el Desarrollo Económicos [OCDE], 2023a). Desde esta perspectiva, la autoeficacia matemática se interpreta como una creencia académica de competencia, no como rendimiento ni como metacognición pura (Pajares, 1996).

Esta omisión resulta especialmente problemática en contextos atravesados por profundas desigualdades sociales, como los países de América Latina. En estos escenarios, las condiciones socioeconómicas no solo determinan el acceso a recursos materiales u oportunidades educativas, sino que también influyen de manera decisiva en el desarrollo socioemocional de los estudiantes. Ignorar esta dimensión supone asumir implícitamente que dichas competencias son el resultado exclusivo de características individuales o familiares, y no el producto de procesos socialmente estructurados en los que la escuela y el contexto nacional desempeñan un papel central.

La incorporación de las competencias socioemocionales al debate educativo es relativamente reciente y ha estado impulsada, en buena medida, por las evaluaciones internacionales a gran escala, que han comenzado a incluir indicadores de dichas competencias (Borgonovi, 2022).

No obstante, comprender el rendimiento académico exige precisamente atender estos procesos que lo hacen posible. Las competencias socioemocionales se desarrollan a lo largo de la infancia y la adolescencia, y están estrechamente ligadas a la motivación, la autorregulación y la resiliencia. Aunque su adquisición se produce en la interacción con distintos contextos (familiares, sociales y comunitarios), la escuela constituye un espacio privilegiado para su desarrollo, al ofrecer oportunidades sistemáticas de aprendizaje social y emocional (Cipriano et al., 2023). La evidencia empírica confirma que estas habilidades se asocian de forma consistente con trayectorias académicas más favorables (Afari y Eksail, 2022; Formento-Torres et al., 2023; Wang e Ishak, 2025).

Estas competencias no se distribuyen de manera homogénea entre los estudiantes. Existen brechas socioemocionales claras vinculadas al nivel socioeconómico: los estudiantes procedentes de contextos más favorecidos tienden a mostrar niveles más altos de motivación, autoeficacia y bienestar, que aquellos de entornos desfavorecidos (OCDE, 2021,2024).

La investigación también ha puesto de relieve la asociación de distintas características individuales, familiares y escolares con el desarrollo socioemocional. Entre ellas se encuentran el género, el origen migrante y el nivel educativo de los padres; así como propiedades propiamente contextuales vinculadas al centro educativo, como la composición social de la escuela, el clima escolar o las oportunidades de apoyo institucional (OCDE, 2021, 2024a ).

Además, se ha identificado que persisten patrones diferenciados de socialización que se traducen en perfiles distintos de competencias: mientras los chicos tienden a mostrar mayor sociabilidad y motivación hacia áreas como las matemáticas, las chicas suelen presentar mayores niveles de motivación hacia la lectura, así como competencias vinculadas a la empatía, la cooperación y la responsabilidad (Quílez-Robres et al., 2021; Vásquez-Echeverría et al., 2022).

En este sentido, la escuela emerge como un actor clave. Los centros con climas escolares positivos, relaciones de calidad entre docentes y estudiantes, y prácticas orientadas al aprendizaje colaborativo favorecen el desarrollo socioemocional y reducen la ansiedad académica (Cao y Yu, 2023). Asimismo, los recursos escolares pueden desempeñar un papel compensador para el alumnado de bajo nivel socioeconómico (Shi et al., 2023), mientras que contextos escolares desfavorables se asocian con menores niveles de autoeficacia y bienestar (Törmänen et al., 2025). A ello se suman las diferencias culturales entre países, que influyen en la forma en que estas competencias son valoradas y promovidas (Liu et al., 2022).

Pese a estos avances, los análisis secundarios basados en evaluaciones internacionales a gran escala o ILSA (International Large Scale Assessment) han continuado centrando su atención en las desigualdades en rendimiento académico, tanto en relación con el nivel socioeconómico, como con el peso del factor escuela (Liu et al., 2022; Zheng et al., 2024).

Las brechas socioeconómicas en el desarrollo de las competencias socioemocionales han sido comparativamente menos estudiadas (Wang et al., 2025), a pesar de la evidencia que señala que los estudiantes de contextos desfavorecidos experimentan peores relaciones interpersonales, climas escolares menos favorables y niveles más bajos de bienestar (Gruijters et al., 2024).

En América Latina, esta laguna resulta especialmente significativa. Aunque la región se caracteriza por profundas desigualdades socioeconómicas y educativas que explican buena parte del bajo rendimiento académico observado en las evaluaciones internacionales (Borchers y da Cunha, 2025; Fernández et al., 2024), se dispone de menos evidencia sobre cómo estas desigualdades estructurales se traducen en diferencias en el desarrollo socioemocional. Los estudios centrados específicamente en la región siguen siendo escasos (Frade-Martínez et al., 2024; Tene-Tenempaguay et al., 2024), y apuntan a la necesidad de analizar estos procesos considerando de forma explícita el papel de la escuela y del contexto nacional. Desde esta lógica multinivel, el ESCS individual (siglas en inglés del índice de PISA para medir el nivel socioeconómico y cultural de los estudiantes) se incorpora como indicador del origen socioeconómico del estudiante; el género, como atributo asociado a posibles brechas de socialización académica; y las variables escolares (ESCS medio del centro, dependencia administrativa y hábitat) como propiedades contextuales vinculadas a la composición social, la estratificación institucional y las desigualdades territoriales entre escuelas.

El presente estudio tiene como objetivo determinar la incidencia del género y del nivel socioeconómico en cinco indicadores PISA vinculados a la dimensión socioemocional del aprendizaje, cuantificando la proporción de variabilidad atribuible a la escuela y al país.

2.1 Estudio y muestra

Para alcanzar los objetivos del estudio se realizó un análisis secundario de los microdatos correspondientes a los países de América Latina participantes en la edición 2022 del Programa para la Evaluación Internacional de los Estudiantes. PISA es una evaluación internacional a gran escala, coordinada por la Organización para la Cooperación y el Desarrollo Económicos (OCDE, 2023b), que se aplica cada tres años con el propósito de evaluar hasta qué punto los estudiantes próximos al final de la educación obligatoria han adquirido los conocimientos y competencias necesarios para desenvolverse en la sociedad contemporánea. La población está constituida por estudiantes de 15 años. La edición de PISA 2022 incluye pruebas cognitivas en matemáticas, lectura y ciencias, y un amplio conjunto de cuestionarios de contexto. Estos instrumentos recogen información sobre el entorno socioeconómico y cultural del alumnado; las características de los centros, y diversas dimensiones vinculadas al desarrollo socioemocional de los estudiantes.

En PISA 2022 participaron 13 países de la región latinoamericana. No obstante, Costa Rica fue excluida del presente estudio debido a la ausencia del índice de estatus económico, social y cultural (ESCS), en los microdatos internacionales. En consecuencia, el análisis se centra en 12 países: Argentina, Brasil, Chile, Colombia, Guatemala, República Dominicana, El Salvador, México, Panamá, Paraguay, Perú y Uruguay.

La muestra inicial de los 12 países incluidos estuvo compuesta por 85,466 estudiantes escolarizados en 3,912 centros educativos. La muestra analítica utilizada en los modelos quedó constituida por 66,037 estudiantes, agrupados en 3,344 escuelas; lo que supuso una reducción aproximada del 22.7% (ver Tabla 1). Esta pérdida se debió principalmente a la ausencia de información válida en variables necesarias para la estimación multinivel: identificador de centro, peso muestral, covariables individuales o escolares y, al menos parcialmente, indicadores socioemocionales. Los modelos se estimaron mediante el método de máxima verosimilitud (MLR, por sus siglas en inglés), y el tratamiento de la información parcialmente observada en las variables dependientes se realizó mediante Máxima Verosimilitud con Información Completa o Full Information Maximum Likelihood (FIML); por tanto, no se aplicó eliminación por lista sobre todos los indicadores socioemocionales. La comparación entre la muestra inicial y la muestra analítica mostró diferencias reducidas, aunque no estrictamente aleatorias: el ESCS medio fue ligeramente superior en la muestra analítica (-0.85 frente a -0.92), la distribución por género se mantuvo prácticamente estable (51.3% frente a 50.8% de mujeres), y la presencia de estudiantes en centros públicos se redujo levemente (71.3% frente a 74.4%). Estas diferencias se consideran, al interpretar los resultados, como una posible fuente de sesgo muestral.

2.2 Variables del estudio

Las variables dependientes corresponden a cinco índices derivados de los cuestionarios de contexto de PISA 2022, y utilizados tal como se proporcionan en los microdatos internacionales (OCDE, 2024b). En este artículo, el término competencias socioemocionales funciona como marco amplio de referencia; mientras que el análisis empírico se limita a indicadores PISA específicos de creencias de competencia, persistencia y disposición ante el aprendizaje. Por ello, los resultados no deben interpretarse como una medición exhaustiva del constructo general de competencias socioemocionales. En todos los casos, los valores más altos indican mayor presencia de la competencia o disposición evaluada.

Tres indicadores remiten a creencias de autoeficacia académica. La autoeficacia matemática formal y aplicada (MATHFF) recoge la confianza del estudiante para resolver tareas matemáticas formales y aplicadas; la autoeficacia en razonamiento matemático y habilidades del siglo XXI (MATH21) se refiere a la percepción de competencia para afrontar demandas de razonamiento matemático; y la autoeficacia para el aprendizaje autodirigido (SDLEFF) alude a la confianza para organizar y sostener el propio aprendizaje de manera autónoma.

La perseverancia se analiza mediante el índice PERSEV. Este índice procede de ítems del cuestionario del estudiante referidos a la tendencia a mantenerse en las tareas, sostener el esfuerzo y no abandonar con facilidad ante actividades difíciles. Por tanto, PERSEV se interpreta aquí como un indicador específico de persistencia ante el aprendizaje, no como una medida equivalente de resiliencia ni de autorregulación emocional en sentido amplio.

Finalmente, el esfuerzo y la persistencia en matemáticas se analizan mediante el índice MTPERS, que se refiere a la disposición del estudiante a esforzarse y persistir en tareas matemáticas. Este índice se utiliza como indicador parcial de implicación motivacional en el dominio matemático, no como una medida completa de motivación académica.

Las cinco variables dependientes son índices continuos expresados como puntajes típicos derivados de los procedimientos de escalamiento de PISA. Al no tener un rango teórico equivalente al de los ítems originales, se reportan sus rangos observados en la muestra analítica: MATHFF = -3.810 a 2.534; MATH21 = -2.488 a 2.914; SDLEFF = -2.603 a 2.110; PERSEV = -5.999 a 4.891; y MTPERS = -3.264 a 2.861.

Como predictores de nivel individual se utilizaron el índice de estatus económico, social y cultural del estudiante (ESCS), y el género (GENDER). El ESCS se incluyó como indicador del origen socioeconómico individual. El género fue recodificado como variable dicotómica mujer (0 = varón; 1 = mujer), de modo que el coeficiente pueda interpretarse directamente como la brecha de género de las chicas respecto de los chicos. En el nivel escuela se incluyeron tres variables contextuales coherentes con la hipótesis de estratificación escolar: la dependencia administrativa del centro escolar (DEPEND), el hábitat urbano o rural del centro (HABITAT) y el promedio del ESCS del alumnado del centro (ESCSM), utilizado como indicador de composición socioeconómica escolar.

2.3 Análisis de datos

Para examinar las desigualdades en el desarrollo socioemocional de los estudiantes latinoamericanos se estimó un modelo multinivel multivariado o multilevel multivariate model (MLMV), con datos ponderados. Este enfoque permite analizar simultáneamente múltiples variables dependientes en datos con estructura jerárquica, distinguir la variabilidad atribuible a los diferentes niveles de agrupamiento, y estimar las covarianzas entre las dimensiones socioemocionales analizadas.

La estrategia de modelización siguió cuatro pasos. En primer lugar, se estimó un modelo nulo exploratorio de tres niveles (Modelo 0a), con estudiantes anidados en escuelas y escuelas anidadas en países. En segundo lugar, se estimó un modelo nulo de dos niveles (Modelo 0b), con estudiantes anidados en escuelas. En tercer lugar, se estimó un modelo de dos niveles con predictores escolares (Modelo 1). Finalmente, se estimó un modelo completo con predictores individuales y escolares (Modelo 2). El modelo puede representarse, para cada resultado socioemocional $Y_k$, del siguiente modo:

Nivel estudiante:

$Y_{ijk}={\beta }_{0jk}+{\beta }_{1k}{\mathrm{ESCS}}_{ij}+{\beta }_{2k}{\mathrm{GENDER}}_{ij}+r_{ijk}$

Nivel escuela:

${\beta }_{0kj}={\gamma }_{00k}+{\gamma }_{01k}{\mathrm{ESCSM}}_j+{\gamma }_{02k}{\mathrm{DEPEND}}_j+{\gamma }_{03k}{\mathrm{HABITAT}}_j+u_{0kj}$

Donde k representa cada una de las cinco competencias socioemocionales analizadas. Los modelos se estimaron en Mplus 9 mediante el estimador de maximum likelihood robust o MLR (por sus siglas en inglés), adecuado ante posibles desviaciones de la normalidad. El tratamiento de la información parcialmente observada en los indicadores dependientes se realizó mediante FIML, bajo el supuesto de datos faltantes al azar, condicionados a las variables incluidas en el modelo. Se optó por esta estrategia, en lugar de imputación múltiple, porque permite integrar el tratamiento de los datos faltantes en la estimación de los modelos multinivel multivariados. Se aplicó el peso final del estudiante (W_FSTUWT), escalado por tamaño del clúster, de acuerdo con las recomendaciones para modelos multinivel con datos PISA.

3.1 Análisis descriptivos

Antes de la estimación de los modelos multinivel se realizó un análisis descriptivo y correlacional de las competencias socioemocionales, junto con el nivel socioeconómico (ESCS) y el género. Como se muestra en la Tabla 2, las tres medidas de autoeficacia académica (autoeficacia matemática formal/aplicada, autoeficacia en razonamiento matemático y autoeficacia para aprendizaje autodirigido) se asocian positivamente entre sí.

Destaca la relación entre autoeficacia matemática formal/aplicada, autoeficacia en razonamiento matemático (r = .660), mientras que la autoeficacia para aprendizaje autodirigido presenta correlaciones más moderadas, lo que sugiere un componente más específico de autorregulación del aprendizaje.

La perseverancia, y el esfuerzo y la persistencia en matemáticas también se relacionan positivamente con la autoeficacia, aunque en tamaño menor, coherentes con un entramado socioemocional común sin solapamiento completo entre constructos. En términos de desigualdad, el nivel socioeconómico del estudiante se asocia positivamente con todas las competencias, con efectos pequeños. Y el género muestra asociaciones de baja magnitud y dependientes de la dimensión. Estos patrones contextualizan los modelos multinivel presentados a continuación.

3.2 Variabilidad entre países y decisión sobre la estructura del modelo

Dado que el estudio integra datos de múltiples países latinoamericanos, se evaluó inicialmente la pertinencia de incorporar un tercer nivel de análisis correspondiente al país. Para ello, se estimó un modelo multinivel exploratorio de tres niveles (estudiantes anidados en escuelas, y escuelas anidadas en países), con el objetivo de cuantificar la proporción de varianza atribuible a cada nivel.

La Tabla 3 presenta los componentes de varianza del modelo exploratorio de tres niveles.

Los resultados del modelo exploratorio de tres niveles muestran que la mayor parte de la variabilidad en estos indicadores PISA se concentra en el nivel del estudiante. La varianza entre escuelas supera a la varianza entre países en la mayoría de las variables, mientras que el componente nacional se mantiene reducido, con ICC situados aproximadamente entre 1% y 3%. Dado el reducido componente de varianza nacional y el número limitado de países incluidos, los análisis posteriores se estimaron mediante modelos de dos niveles, centrados en la variabilidad entre estudiantes y entre escuelas.

3.3 Modelo nulo de dos niveles y varianza entre escuelas

El modelo nulo de dos niveles, sin predictores, permite estimar la magnitud del denominado “efecto escuela”, entendido como la proporción de varianza atribuible a diferencias sistemáticas entre centros educativos. Los resultados se presentan en la Tabla 4.

Los coeficientes de correlación intraclase indican que entre 3.5% y 7.7% de la varianza total en los indicadores analizados se sitúa entre escuelas. Estos componentes son estadísticamente significativos, aunque de magnitud modesta; por tanto, la mayor parte de la variabilidad se localiza dentro de los centros. El componente interescolar es mayor en autoeficacia para el aprendizaje autodirigido, autoeficacia matemática formal/aplicada, y esfuerzo y persistencia en matemáticas; y menor en perseverancia. En conjunto, el peso del contexto escolar aparece como acotado y heterogéneo, según el indicador analizado.

3.4 Efectos del contexto escolar (Modelo 1)

En un segundo paso se incorporaron predictores exclusivamente a nivel escuela: el promedio socioeconómico del alumnado del centro (ESCSM), la dependencia administrativa (DEPEND) y el hábitat (HABITAT). El objetivo de este Modelo 1 no es explicar el desarrollo individual del estudiante, sino examinar hasta qué punto las diferencias entre escuelas se alinean con características estructurales de los centros educativos.

Los resultados muestran que el promedio socioeconómico del centro es el predictor más consistente a nivel escuela. ESCSM se asocia positivamente con los cinco indicadores analizados, con efectos particularmente elevados en las medidas de autoeficacia académica (MATHFF y SDLEFF). Este patrón indica una asociación entre la composición socioeconómica escolar y algunas dimensiones de autoeficacia académica, especialmente la autoeficacia matemática formal y aplicada, y la autoeficacia para el aprendizaje autodirigido; sin que pueda inferirse un efecto generalizado del centro sobre el conjunto de competencias socioemocionales.

La Tabla 5 presenta las varianzas estimadas en el nivel escuela y los R² correspondientes al Modelo 1. La incorporación de las variables escolares (composición socioeconómica del centro, dependencia administrativa y hábitat) explica una proporción apreciable de la varianza entre escuelas en autoeficacia matemática formal/aplicada (R² = 0.354) y, en menor medida, en SDLEFF (R² = 0.229). En el resto de las competencias, la proporción explicada en el nivel escuela es más reducida, con valores de 0.061 en MATH21; 0.051 en perseverancia, y 0.063 en esfuerzo y persistencia en matemáticas. Este patrón indica que las características estructurales del centro se relacionan con mayor claridad con las dimensiones de autoeficacia académica, que con la perseverancia o el esfuerzo y la persistencia en matemáticas.

La Tabla 6 muestra que el promedio socioeconómico del centro es el predictor escolar más consistente del Modelo 1. Su asociación es positiva y significativa en las cinco competencias, con efectos especialmente elevados en autoeficacia matemática formal/aplicada (β = 0.546) y autoeficacia para el aprendizaje autodirigido (β = 0.422). La dependencia administrativa se asocia positivamente con cuatro indicadores, excepto perseverancia; mientras que el hábitat presenta asociaciones positivas y significativas en todos los casos. En conjunto, estos resultados muestran que las diferencias entre escuelas se articulan con procesos de estratificación socioeconómica, institucional y territorial; aunque con magnitudes heterogéneas, según la dimensión analizada.

3.5 Modelo final con predictores individuales y escolares

Finalmente se estimó un modelo multinivel completo, integrando atributos individuales del estudiante (nivel socioeconómico y género) y propiedades contextuales de la escuela (composición socioeconómica, dependencia administrativa y hábitat) (ver Tabla 7). Esta especificación permite examinar cómo se distribuye la desigualdad socioemocional entre niveles, y evaluar el peso relativo de los factores individuales y contextuales.

Los resultados del modelo final confirman que la mayor parte de la variabilidad en las competencias socioemocionales se sitúa en el nivel individual. Sin embargo, el nivel escuela mantiene un peso reducido y desigual entre competencias, con mayor presencia relativa en la autoeficacia matemática formal y aplicada. Los R² del nivel estudiante son reducidos, entre 0.005 y 0.017, lo que indica que el nivel socioeconómico individual y el género explican una proporción limitada de la variabilidad intraescolar. En el nivel escuela la proporción de varianza explicada es mayor, aunque heterogénea entre competencias, con el valor más alto en autoeficacia matemática formal y aplicada. Por tanto, el efecto contextual del nivel socioeconómico del centro debe interpretarse como específico de algunas dimensiones de autoeficacia, y no como un efecto generalizado sobre todo el desarrollo de las competencias socioemocionales.

En el nivel individual, el nivel socioeconómico del estudiante se asocia positivamente con todas las competencias analizadas (ver Tabla 8). Aunque el tamaño de efecto es pequeño, su consistencia refuerza la idea de que el origen social se relaciona también con el desarrollo socioemocional, incluso cuando se controla por el contexto escolar. El género, recodificado como mujer (0 = varón; 1 = mujer), muestra un perfil diferenciado. Los coeficientes negativos en autoeficacia matemática formal y aplicada, autoeficacia en razonamiento matemático, y perseverancia indican puntuaciones más bajas entre las chicas en estas dimensiones. En cambio, no se observan diferencias significativas en autoeficacia para el aprendizaje autodirigido, mientras que el coeficiente positivo en esfuerzo y persistencia en matemáticas indica puntuaciones más altas entre las chicas. No obstante, la magnitud de estas brechas es reducida: en todos los casos los efectos estandarizados se sitúan por debajo de una décima de desviación típica.

En el nivel escuela, los efectos son más selectivos (ver Tabla 9). El promedio socioeconómico del centro mantiene asociaciones positivas con autoeficacia matemática formal y aplicada, y con autoeficacia para el aprendizaje autodirigido; mientras que su relación con la autoeficacia en razonamiento matemático es negativa y de pequeña magnitud. La dependencia administrativa y el hábitat presentan asociaciones positivas con varias competencias, lo que sugiere que la estratificación institucional y territorial se acompaña de diferencias sistemáticas en el desarrollo socioemocional.

La comparación entre el Modelo 1 y el Modelo 2 muestra que la asociación del nivel socioeconómico medio del centro se reduce y se vuelve más selectiva al incorporar el ESCS individual y el género. En el Modelo 1 se asociaba positivamente con los cinco indicadores. En el Modelo 2 mantiene asociaciones positivas con la autoeficacia matemática formal/aplicada y la autoeficacia para el aprendizaje autodirigido; se vuelve negativa y pequeña en autoeficacia en razonamiento matemático, y deja de ser significativa en perseverancia y esfuerzo/persistencia en matemáticas. Por tanto, su efecto debe interpretarse como específico de algunas dimensiones de autoeficacia, no como un patrón generalizado sobre el conjunto de indicadores analizados.

Los resultados de este estudio muestran que las desigualdades en el desarrollo de las competencias socioemocionales de los estudiantes latinoamericanos de educación secundaria se estructuran principalmente en el nivel individual, con asociaciones consistentes del nivel socioeconómico y patrones diferenciados según el género. La mayor parte de la varianza observada se concentra dentro de las escuelas, lo que confirma que las diferencias entre estudiantes constituyen el principal componente de la desigualdad socioemocional. No obstante, los análisis multinivel muestran también un componente escolar reducido, aunque estadísticamente significativo y desigual, según el indicador analizado.

Debe subrayarse que los indicadores analizados no agotan el universo de las competencias socioemocionales. PISA 2022 ofrece una selección parcial de indicadores vinculados a autoeficacia, perseverancia y esfuerzo/persistencia ante el aprendizaje. Por ello, los resultados deben interpretarse dentro de ese marco operacional y no como una evaluación completa del constructo.

En términos cuantitativos, la proporción de varianza atribuible a la escuela oscila entre 3.5% y 7.7%, según la competencia analizada. Aunque estas magnitudes son moderadas, señalan diferencias sistemáticas entre centros, que conviene interpretar con cautela. En sistemas educativos profundamente desiguales, pequeñas diferencias sistemáticas entre centros pueden afectar a un número elevado de estudiantes, y contribuir a trayectorias escolares diferenciadas. En contraste, la varianza atribuible al país, en el modelo exploratorio de tres niveles, fue reducida; se sitúa aproximadamente entre 1% y 3%. Este resultado no permite sostener un peso sustantivo fuerte del nivel nacional en la explicación de las diferencias analizadas; más bien indica que, para estos indicadores y con esta especificación, la variabilidad se concentra principalmente dentro de las escuelas y, en menor medida, entre escuelas.

Este patrón es coherente con la evidencia previa, que señala al nivel socioeconómico familiar como el principal factor asociado al desarrollo de las competencias socioemocionales desde edades tempranas (Behrman et al., 2024; Vásquez-Echeverría et al., 2022). Los estudiantes procedentes de hogares con mayores recursos muestran expectativas más elevadas y mayores oportunidades de apoyo emocional, lo que se traduce en niveles más altos de autoeficacia, perseverancia y motivación (Gruijters et al., 2024; Lee et al., 2024; OCDE, 2021, 2024a; Shi et al., 2023; Wang et al., 2025).

Estos factores socioeconómicos operan a través de mecanismos familiares, escolares y culturales no observados directamente en este estudio. Todos estos elementos configuran un entramado complejo, que sitúa a muchos estudiantes en una posición de desventaja socioemocional antes incluso de ingresar al aula.

En relación con el género, los resultados muestran un patrón diferenciado según la competencia analizada. Así, los chicos presentan niveles más elevados de autoeficacia matemática (tanto en matemáticas formales y aplicadas, como en razonamiento matemático y habilidades del siglo XXI) y también en perseverancia; mientras que no se observan diferencias significativas en autoeficacia para el aprendizaje autodirigido. En cambio, el coeficiente positivo observado en esfuerzo y persistencia en matemáticas indica puntuaciones más altas entre las chicas. Este patrón confirma que las brechas de género en el desarrollo socioemocional no siguen una dirección única, sino que dependen de la dimensión considerada; sin embargo, su magnitud es marginal, siempre inferior a una décima de desviación típica.

Estos hallazgos son consistentes con investigaciones previas y con los resultados de la Encuesta de Habilidades Sociales y Emocionales de la OCDE, aunque con patrones variables según la dimensión analizada (OCDE, 2021, 2024a; Quílez-Robres et al., 2021; Vásquez-Echeverría et al., 2022). Estas brechas parecen responder a expectativas culturales y educativas que continúan asociando determinadas áreas académicas, formas de confianza y disposiciones hacia el aprendizaje, a lo masculino o a lo femenino. El hecho de que las diferencias no sean homogéneas entre competencias refuerza la necesidad de analizarlas de manera específica, evitando interpretaciones simplistas sobre las desigualdades de género en el desarrollo de las competencias socioemocionales.

El análisis del contexto escolar aporta elementos adicionales para la discusión. En el Modelo 1 la composición socioeconómica del centro se asocia positivamente con todas las competencias, especialmente con MATHFF y SDLEFF. Sin embargo, en el modelo final, al controlar simultáneamente por el ESCS individual y el género, este efecto se reduce y se vuelve más selectivo: permanece positivo en MATHFF y SDLEFF, se vuelve negativo y pequeño en MATH21, y deja de ser significativo en PERSEV y MTPERS. La dependencia administrativa y el hábitat mantienen asociaciones significativas con varias competencias, lo que sugiere que las desigualdades socioemocionales se articulan también con dimensiones institucionales y territoriales del sistema escolar. Estos resultados coinciden con estudios previos que destacan la influencia del contexto escolar en el bienestar y la autoeficacia del alumnado (Liu et al., 2022; Törmänen et al., 2025); aunque dicha influencia no opera de forma uniforme sobre todas las dimensiones socioemocionales.

Sin embargo, tras controlar estas variables estructurales persiste varianza residual estadísticamente significativa entre escuelas. Esto sugiere la posible existencia de procesos escolares, no observados, que podrían modular el desarrollo de las competencias socioemocionales (Cao y Yu, 2023; Murillo y Hernández-Castilla, 2011a, 2011b; Wang et al., 2025). En este sentido, la escuela no aparece como un espacio neutro; aunque los datos disponibles no permiten identificar de manera directa los mecanismos escolares concretos que explican esa variabilidad residual.

A modo de conclusión, los resultados de esta investigación aportan evidencia empírica relevante para el diseño de políticas educativas orientadas a la reducción de las desigualdades en América Latina. En primer lugar, muestran que las brechas socioemocionales asociadas al nivel socioeconómico del alumnado son consistentes y atraviesan distintas dimensiones; de manera análoga a lo que ocurre con el rendimiento académico. Este hallazgo cuestiona de forma directa los enfoques de política educativa centrados casi exclusivamente en los resultados cognitivos, al poner de relieve que el aprendizaje se apoya también en condiciones emocionales y motivacionales desigualmente repartidas.

El hecho de que una proporción reducida de la varianza, aunque estadísticamente significativa, se sitúe en el nivel escuela sugiere que existen diferencias sistemáticas entre centros. No obstante, dado que los modelos incorporan solo variables estructurales, los resultados no permiten identificar los procesos escolares específicos que explican dichas diferencias. Por ello, las implicaciones para la gestión educativa deben interpretarse con cautela y orientarse, sobre todo, a profundizar en factores escolares no observados.

Desde esta cautela, los resultados invitan a considerar la escuela no solo como espacio de transmisión curricular, sino también como un contexto potencialmente relacionado con el desarrollo de las competencias socioemocionales del alumnado, en particular en dimensiones vinculadas a la autoeficacia académica. Esta lectura es coherente con la necesidad de estudiar con mayor precisión el papel de los climas escolares positivos, las relaciones educativas de calidad y las condiciones institucionales de apoyo. Asimismo, la asociación entre la composición socioeconómica del centro, la dependencia administrativa y el hábitat subraya la importancia de incorporar una perspectiva territorial en el análisis de las desigualdades educativas.

Por otra parte, este estudio tiene sus fortalezas y limitaciones. Entre las primeras destaca el uso de una base de datos internacional de gran escala y alta calidad técnica, que permite analizar comparativamente el desarrollo de las competencias socioemocionales en distintos países de la región. El enfoque multinivel multivariado constituye, asimismo, una aportación metodológica relevante, al permitir descomponer la varianza en distintos niveles y analizar de forma simultánea múltiples competencias socioemocionales.

En cuanto a las limitaciones destacamos el carácter transversal de los datos, que impide establecer relaciones causales; así como el uso de medidas de autoinforme, que puede introducir sesgos asociados a la percepción subjetiva y a diferencias culturales. Además, la existencia de varianza residual entre escuelas sugiere la presencia de procesos no observados que no han podido ser incorporados en los modelos.

Futuras investigaciones deberían avanzar en tres direcciones. En primer lugar, el uso de diseños longitudinales para analizar la evolución de las competencias socioemocionales y su relación con las trayectorias escolares. En segundo lugar, profundizar en los procesos escolares que podrían ejercer un efecto compensador mediante enfoques mixtos. Finalmente, evaluar el impacto de programas de educación socioemocional en distintos contextos, con el fin de orientar políticas públicas basadas en evidencias.

Este estudio pone de manifiesto que las desigualdades educativas en América Latina no se agotan en el rendimiento académico, sino que también se expresan en indicadores socioemocionales y motivacionales vinculados al aprendizaje. Las competencias socioemocionales son un componente esencial del derecho a una educación de calidad. Reconocer su distribución desigual y comprender los factores que la explican es un paso imprescindible para avanzar hacia sistemas educativos más justos.

Corrección de estilo: Antonieta Kiyoko Nishikawa

Contribución de autoría

F. Javier Murillo: conceptualización (50%), curación de datos, análisis formal, investigación (50%), metodología (50%), administración del proyecto (50%), software (50%), supervisión (50%), validación (50%), visualización (50%), redacción – borrador original (50%), redacción – revisión y edición (50%).

M. A. González-Berruga: conceptualización (50%), investigación (50%), metodología (50%), administración del proyecto (50%), software (50%), supervisión (50%), validación (50%), visualización (50%), redacción – borrador original (50%), redacción – revisión y edición (50%).

Declaración de no conflicto de intereses

Los autores declaran no tener conflicto de intereses.

Fuente de financiamiento

No existe fuente de financiamiento para este artículo.

Afari, E. y Eksail, F. A. A. (2022). Relationship between learning environment and academic achievement: Mediating role of academic self-efficacy. En M. S. Khine y T. Nielsen (Eds.), Academic self-efficacy in education: Nature, assessment, and research (pp. 179-190). Springer.

Behrman, J. R., Contreras, D., Palma, M. I. y Puentes, E. (2024). Socioeconomic disparities for early childhood anthropometrics and vocabulary and socio-emotional skills: dynamic evidence from Chilean longitudinal data. Population Research and Policy Review, 43(3). https://doi.org/10.1007/s11113-023-09832-9

Borchers, J. y da Cunha, M. S. (2025). School performance and inequality of opportunities in Latin America. Studies in Educational Evaluation, 86, 101497. https://doi.org/10.1016/j.stueduc.2025.101497

Borgonovi, F. (2022). Well-Being in International Large-Scale Assessments. En T. Nilsen et al. (eds.), International handbook of comparative large-scale studies in education (pp. 1323-1348). Springer. https://doi.org/10.1007/978-3-030-88178-8_45

Cao, W. y Yu, Z. (2023). Exploring learning outcomes, communication, anxiety, and motivation in learning communities: a systematic review. Humanities and Social Sciences Communications, 10, 866. https://doi.org/10.1057/s41599-023-02325-2

Cipriano, C., Strambler, M. J., Naples, L. H., Ha, C., Kirk, M., Wood, M., Sehgal, K., Zieher, A. K., Eveleigh, A., McCarthy, M., Funaro, M., Ponnock, A., Chow, J. C. y Durlak, J. (2023). The state of evidence for social and emotional learning: A contemporary meta-analysis of universal school‐based SEL interventions. Child Development, 94(5), 1181-1204. https://doi.org/10.1111/cdev.13968

Fernández, R., Pagés, C., Szekely, M. y Acevedo, I. (2024). Education inequalities in Latin America and the Caribbean (No. w32126). National Bureau of Economic Research. https://doi.org/10.3386/w32126

Formento-Torres, A. C., Quílez-Robres, A. y Cortés-Pascual, A. (2023). Motivación y rendimiento académico en la adolescencia: una revisión sistemática meta-analítica. RELIEVE-Revista Electrónica de Investigación y Evaluación Educativa, 29(1). https://doi.org/10.30827/relieve.v29i1.25110

Frade-Martínez, C., Gamazo, A. y Olmos-Migueláñez, S. (2024). Pruebas de evaluación a gran escala y eficacia escolar: una revisión sistemática de la literatura. Education in the Knowledge Society, 25, e31696-e31696. https://doi.org/10.14201/eks.31696

Goldberg, L. R. (1990). An alternative “description of personality”: The Big-Five factor structure. Journal of Personality and Social Psychology, 59(6), 1216-1229. https://doi.org/10.1037/0022-3514.59.6.1216

Gruijters, R. J., Raabe, I. J. y Hübner, N. (2024). Socio-emotional skills and the socioeconomic achievement gap. Sociology of Education, 97(2), 120-147. https://doi.org/10.1177/0038040723121642

John, O. P., Donahue, E. M. y Kentle, R. L. (1991). The big five inventory-versions 4a and 5. University of California, Berkeley, Institute of Personality and Social Research.

Lee, J., Shapiro, V. B., Robitaille, J. L. y LeBuffe, P. (2024). Gender, racial-ethnic, and socioeconomic disparities in the development of social-emotional competence among elementary school students. Journal of School Psychology, 104, 101311. https://doi.org/10.1016/j.jsp.2024.101311

Liu, J., Peng, P., Zhao, B. y Luo, L. (2022). Socioeconomic status and academic achievement in primary and secondary education: A meta-analytic review. Educational Psychology Review, 34(4), 2867-2896. https://doi.org/10.1007/s10648-022-09689-y

Murillo, F. J. y Hernández-Castilla, M. R. (2011a). Factores escolares asociados al desarrollo socio-afectivo en Iberoamérica. RELIEVE-Revista Electrónica de Investigación y Evaluación Educativa, 17(2), art. 2. https://doi.org/10.7203/relieve.17.2.4007

Murillo, F. J. y Hernández, M. R. (2011b). Efectos escolares de factores socio-afectivos. Un estudio Multinivel para Iberoamérica. Revista de Investigación Educativa, 29(2), 407-427. https://revistas.um.es/rie/article/view/111811/135341

Organización para la Cooperación y el Desarrollo Económicos. (2021). Beyond academic learning: First results from the survey of social and emotional skills. https://doi.org/10.1787/92a11084-en

Organización para la Cooperación y el Desarrollo Económicos. (2023a). PISA 2022 assessment and analytical framework. https://doi.org/10.1787/dfe0bf9c-en

Organización para la Cooperación y el Desarrollo Económicos. (2023b). PISA 2022 results (Volume I): The state of learning and equity in education. https://doi.org/10.1787/53f23881-en

Organización para la Cooperación y el Desarrollo Económicos. (2024a). Social and emotional skills for better lives: Findings from the OECD survey on social and emotional skills 2023. https://doi.org/10.1787/35ca7b7c-en

Organización para la Cooperación y el Desarrollo Económicos. (2024b). PISA 2022 technical report. https://doi.org/10.1787/01820d6d-en

Pajares, F. (1996). Self-efficacy beliefs in academic settings. Review of Educational Research, 66(4), 543-578. https://doi.org/10.3102/00346543066004543

Quílez-Robres, A., Moyano, N. y Cortés-Pascual, A. (2021). Motivational, emotional, and social factors explain academic achievement in children aged 6-12 years: A meta-analysis. Education Sciences, 11(9), 513. https://doi.org/10.3390/educsci11090513

Schraw, G. y Moshman, D. (1995). Metacognitive theories. Educational Psychology Review, 7(4), 351-371. https://doi.org/10.1007/BF02212307

Shi, J., Qiu, H. y Ni, A. (2023). The moderating role of school resources on the relationship between student socioeconomic status and social-emotional skills: Empirical evidence from China. Applied Research in Quality of Life, 18, 2349-2370. https://doi.org/10.1007/s11482-023-10188-7

Tene-Tenempaguay, T., Martínez-Abad, F. y Hernández-Ramos, J. P. (2024). Factores asociados al rendimiento académico de los estudiantes latinoamericanos: Una revisión sistemática. Profesorado, Revista de Currículum y Formación del Profesorado, 28(3), 215-236. https://doi.org/10.30827/profesorado.v28i3.29626

Törmänen, T., Ketonen, E., Lehtoaho, E., Turunen, M., Zabolotna, K., Shubina T. y Järvenoja, H. (2025). Situational motivation in academic learning: a systematic review. Educational Psychology Review, 37, art. 56. https://doi.org/10.1007/s10648-025-10036-0

Vásquez-Echeverría, A., Tomás, C., González, M., Rodríguez, J. I., Alvarez-Nuñez, L., Liz, M., Pérez, M., Rudnitzky, F., Berón, C., Gariboto, G. y Lopez, F. (2022). Developmental disparities based on socioeconomic status and sex: an analysis of two large, population-based early childhood development assessments in Uruguay. Early Child Development and Care, 192(12), 1857-1875. https://doi.org/10.1080/03004430.2021.1946528

Wang, D. e Ishak, Z. (2025). Unveiling the implementation of social-emotional learning among college students: a systematic literature Review. International Journal of Learning, Teaching and Educational Research, 24(5), 376-399. https://doi.org/10.26803/ijlter.24.5.20

Wang, F., Zeng, L. M. y King, R. B. (2025). Socioeconomic gaps in socio-emotional skills across cultures: The role of school-based interpersonal relationships. Social Psychology of Education, 28, 146. https://doi.org/10.1007/s11218-025-10100-1

Zheng, J. Q., Cheung, K. C. y Sit, P. S. (2024). Insights from two decades of PISA-related studies in the new century: A systematic review. Scandinavian Journal of Educational Research, 68(3), 371-388. https://doi.org/10.1080/00313831.2022.2148273