Dataset on Road Safety Competencies and Attitudinal Perceptions among Secondary Education Students: A Quasi-Experimental Study in Barranquilla, Colombia.

Description

DESCRIPCIÓN DEL DATASET Competencias ciudadanas en seguridad vial mediante RV y ABP — INSTENALCO, Barranquilla 2026 Dataset sintético (seed=42) de un diseño cuasi-experimental pretest-postest. Evalúa el efecto de una intervención ABP+Realidad Virtual sobre competencias ciudadanas en seguridad vial en estudiantes de grado 8. Grupo Experimental (GE, n=30, 8°A) vs Grupo Control (GC, n=30, 8°B). Dos instrumentos aplicados en febrero y abril de 2026. Archivos Instrumento1_Cognitivo_Raw.csv — 120 filas × 36 col. Formato long. Prueba de 25 ítems dicotómicos (0/1) organizados en tres bloques: Normas de tránsito (Q01–Q10), Señalización vial (Q11–Q18) y Derechos del peatón (Q19–Q25). Incluye sumas por bloque (B1–B3), puntaje total (Total_Cog, 0–25), nivel de logro ordinal (Bajo/Medio/Alto) y flag de outlier IQR. Instrumento2_Actitudinal_Raw.csv — 120 filas × 33 col. Formato long. Escala Likert 1–5 de 18 ítems en tres subescalas: Responsabilidad personal (A01–A06), Respeto a normas (A07–A12) y Promoción entre pares (A13–A18). Incluye sumas y medias por subescala, puntaje total (Total_Act, 18–90) e interpretación ordinal (Desfavorable/Moderada/Favorable). Data_Analysis_Ready.csv — 60 filas × 27 col. Formato wide. Una fila por estudiante con puntajes PRE y POST de ambos instrumentos, ganancias calculadas (Cog_Ganancia, Act_Ganancia) y niveles de logro en cada momento. Archivo de entrada para los análisis inferenciales. Variables comunes a los tres archivos: ID_Est, Grupo, Grado_Grupo, Genero (M/F/NB), Edad (13–15), Momento (PRE/POST), Fecha_Aplic, Asistencia_Pct. Análisis implementados: KR-20 e índice alfa de Cronbach (confiabilidad); Shapiro-Wilk (normalidad); Mann-Whitney U (equivalencia pretest y efecto postest); Wilcoxon pareado (cambio intragrupo); r de Rosenthal (tamaño de efecto: pequeño <0.30, mediano 0.30–0.49, grande ≥0.50).

Steps to reproduce

GUÍA DE REPRODUCCIÓN Competencias ciudadanas en seguridad vial mediante RV y ABP — INSTENALCO, Barranquilla 2026 Requisitos: Python 3.8+, R 4.2+, RStudio (recomendado). Los paquetes de R se instalan automáticamente con pacman::p_load() al ejecutar cualquier script (tidyverse, janitor, psych, naniar, rstatix, effsize, ggpubr, patchwork, knitr, kableExtra, here). Todos los scripts usan here(): establecer el directorio de trabajo en la raíz del proyecto antes de ejecutar. Paso 1 — Crear carpetas bashmkdir -p data/raw data/processed docs Paso 2 — Generar el dataset sintético bashpython scripts/gen_data.py Crea los dos CSV en data/raw/. Salida esperada: Instrumento 1: 120 filas / Instrumento 2: 120 filas / Data_Analysis_Ready: 60 filas, 27 columnas. Resultados idénticos en cada ejecución gracias a random.seed(42). Paso 3 — Limpieza y validación rsource("01_Data_Cleaning.R") Ejecuta en orden: carga con factores ordenados → detección de NA → validación de rangos (0/1 y 1–5) → verificación de sumas por bloque → detección de outliers IQR (marcados, no eliminados) → KR-20 y alfa de Cronbach → exportación de Data_Analysis_Ready.csv. Mensaje final esperado: === FIN: Limpieza completada exitosamente === Paso 4 — Análisis estadístico inferencial rsource("02_Statistical_Analysis.R") Genera en consola: descriptivos por grupo y momento → Shapiro-Wilk → equivalencia pretest (Mann-Whitney) → cambio intragrupo (Wilcoxon pareado + r Rosenthal) → efecto intervención postest GE vs GC → análisis por bloques y subescalas → distribución de niveles de logro → resumen ejecutivo. Exporta docs/Fig1_Ganancia_Boxplot.png y docs/Fig2_Evolucion_Medias.png a 300 DPI. Nota: para análisis adicionales (ANCOVA, regresión ordinal, etc.) usar Data_Analysis_Ready.csv directamente como punto de entrada.

Institutions

• University of Cartagena

  Bolívar, Cartagena

Categories

Licence