Razonamiento mecánico, memoria de trabajo y velocidad de procesamiento

Abstract

Antecedentes: el razonamiento mecánico (RM) es la habilidad para identificar los componentes de un sistema y comprender como estos interactúan para que el sistema funcione. Distintos sistemas mecánicos, como de rueda y de engranaje, requieren diferentes tipos de razonamiento. Objetivo: este trabajo busca analizar la relación de la MT y la velocidad de procesamiento (VP) con el RM. Método: para ello, se administraron a 173 estudiantes universitarios 30 problemas de RM del test DAT, el sub-test Búsqueda de Símbolos de la batería WAIS-III para evaluar VP y las baterías BIMET-V y BIMET-VE para evaluar los componentes verbal y visoespacial de la MT. Resultados: los análisis de regresión mostraron que las variables propuestas no predicen el rendimiento en problemas de engranajes, mientras que la MT viso-espacial y la VP predicen el rendimiento en problemas de rueda. Discusión: los resultados sugieren que los problemas de engranaje tienen una baja demanda ejecutiva al poder resolverse de forma fraccionada, mientras que los problemas de rueda requieren sostener en memoria la totalidad de los componentes que forman parte del sistema, a la vez que requieren mayor carga atencional.Palabras clave: razonamiento mecánico, memoria de trabajo, memoria de corto plazo, velocidad de procesamiento.

Background: mechanical reasoning (MR) is the ability to identify the components of a system and understand how they interact in order for the system to work. Different mechanical systems, such as those of wheels and gears, require different types of reasoning. Objective: this study seeks to analyze the relationship that working memory (WM) and processing speed (PS) have with MR. Method: one hundred seventy-three (173) university students were assessed through the DAT test which consisted of 30 MR problems, the symbol search subtest of the WAIS-III battery for assessing the PS, and the BIMET-V and BIMET-VE batteries to evaluate the WM verbal and visuospatial components. Results: regression analyses showed that the proposed variables do not predict the performance in gear problems, while the visuospatial WM and the PS predict the performance in wheel problems. Discussion: the results suggest that gear problems have a low executive demand as they can be solved in a fractional way, while wheel problems require to hold in memory all the components that are part of the system and, at the same time, require a higher attentional load.