Rodrguez 2016

Estudios de Psicología
Studies in Psychology
ISSN: 0210-9395 (Print) 1579-3699 (Online) Journal homepage: http://www.tandfonline.com/loi/redp20
What cognitive and numerical skills best define

learning disabilities in mathematics? / ¿Qué
habilidades cognitivas y numéricas definen mejor
las dificultades de aprendizaje en matemáticas?
Cristina Rodríguez & Juan E. Jiménez
To cite this article: Cristina Rodríguez & Juan E. Jiménez (2016) What cognitive and numerical
skills best define learning disabilities in mathematics? / ¿Qué habilidades cognitivas y
numéricas definen mejor las dificultades de aprendizaje en matemáticas?, Estudios de
Psicología, 37:1, 115-134, DOI: 10.1080/02109395.2015.1129825
To link to this article: http://dx.doi.org/10.1080/02109395.2015.1129825
Published online: 08 Mar 2016.
Submit your article to this journal
View related articles
View Crossmark data
Full Terms & Conditions of access and use can be found at

http://www.tandfonline.com/action/journalInformation?journalCode=redp20
Download by: [RMIT University Library] Date: 10 March 2016, At: 05:39
Estudios de Psicología / Studies in Psychology, 2016
Vol. 37, No. 1, 115–134, http://dx.doi.org/10.1080/02109395.2015.1129825
What cognitive and numerical skills best define learning

disabilities in mathematics? / ¿Qué habilidades cognitivas y
numéricas definen mejor las dificultades de aprendizaje en
matemáticas?
Cristina Rodrígueza,b and Juan E. Jiménezb
a
Universidad Católica de la Santísima Concepción; bUniversidad de La Laguna
(Received 26 August 2015; accepted 15 October 2015)
Abstract: Differentiating students with mathematical learning disabilities

(MLD) from those with low achievement (LA) is still an unresolved issue.
Estudios de Psicología 2016.37:115-134.
This study explored whether the specific combination of certain cognitive and
numerical skills can classify students with MLD, with LA, and without MLD.
In order to do this, an analysis was carried out of the performance of 756
Spanish students in grades two to six, on different numerical and cognitive
tasks. Two factors were extracted using a principal component analysis of the
tasks: a semantic-cognitive factor and a verbal-automation factor. The results
obtained from comparing the groups showed that students with MLD and LA
demonstrated significant differences in the semantic-cognitive factor, and that
these differences were consistent across grade levels. In contrast, there were
no differences between groups in the automatic-verbal factor. These results
confirm that the groups are not only quantitatively different but also qualita-
tively different.
Keywords: learning disabilities; low achievement in mathematics; cognitive
processes; dyscalculia; number sense
Resumen: La diferenciación entre estudiantes con dificultades específicas de

aprendizaje (DAM) en matemáticas y aquellos que presentan un bajo rendi-
miento (BR) es aún hoy un tema sin resolver. En este estudio se examinó si la
combinación específica de ciertas habilidades cognitivas y numéricas permitía
caracterizar los perfiles de estudiante con DAM, con BR y sin DAM. Para ello
se analizó el rendimiento de 756 estudiantes españoles 2º a 6º de Educación
Primaria en diferentes tareas numéricas y cognitivas. A partir de un análisis
factorial de las tareas se extrajeron dos factores, un factor semántico-cognitivo
y un factor verbal-automático. Los resultados encontrados al comparar los
grupos constataron que los estudiantes con DAM y BR mostraban diferencias
significativas en el factor semántico-cognitivo, y estas diferencias fueron
English version: pp. 115–123 / Versión en español: pp. 124–132

References / Referencias: pp. 132–134
Translated from Spanish / Traducción del español: Liza D’Arcy
Authors’ Address / Correspondencia con los autores: Cristina Rodríguez, Facultad de
Educación, Dpto. de Fundamentos de la Pedagogía, Universidad Católica de la Santísima
Concepción, Alonso de Ribera 2850, Concepción, Chile. E-mail: crodri@ull.es
© 2016 Fundacion Infancia y Aprendizaje

116 C. Rodríguez and J.E. Jiménez
consistentes entre los grados. Por el contrario no hubo diferencias entre ambos
grupos en el factor verbal-automático. Estos resultados constatan que los
grupos son no sólo cuantitativamente diferentes sino también cualitativamente
diferentes.
Palabras clave: dificultades de aprendizaje; bajo rendimiento en
matemáticas; procesos cognitivos; discalculia; sentido numérico
The diagnosis of specific learning disabilities in mathematics is a complex issue

that is still pending international consensus. Despite efforts to establish classifica-
tions to differentiate students with mathematical learning disability (MLD) from
those with dyscalculia or from individuals with low achievement (LA), the debate
remains open (Kaufmann & von Aster, 2012; Rubinsten & Henik, 2009).
However, there is consensus that students with MLD are characterized by
deficits not only in numerical skills, such as processing quantities and performing
arithmetic operations, but also in certain cognitive processes. Generally, indivi-
duals with MLD show deficits in arithmetic fact retrieval and number line
estimation tasks (Butterworth, Varma, & Laurillard, 2011; Jordan, Hanich, &
Kaplan, 2003), which in turn are influenced by deficits in the cognitive processes
that are needed to solve these tasks (Cowan & Powell, 2014). In this sense, some
authors suggest that a working memory deficit underlies low performance in
number fact retrieval (e.g., Sowinski et al., 2015), although it has also been
suggested that this is related to a lack of automation, i.e., the ability to quickly
retrieve numerical facts from long-term memory (Passolunghi & Siegel, 2004;
Van Daal, Van der Leij, & Adèr, 2013). Additionally, it has also been found that a
deficit in the visuo-spatial sketchpad component of working memory influences
performance on number line estimation tasks (e.g., Fischer, Castel, Dodd, & Pratt,
2003). Thus, it is recommended that both numerical and cognitive tests be used to
reliably identify MLD (Kaufmann & von Aster, 2012; Watson & Gable, 2013).
Regarding the distinction between students with MLD and those with LA, the
debate is complex since both cases present numeric and cognitive deficits.
Therefore, lower cut-off scores have been proposed for diagnostic tests to identify
MLD and slightly higher cut-off scores for LA. Nevertheless, this a priori
approach would indicate that both groups are of the same nature, which manifests
itself more severely in the case of MLD. However, results are contradictory. While
in some cases it appears that MLD and LA are part of the same continuum (Geary,
Hoard, Nugent, & Bailey, 2012), in others it has been shown that they are not only
quantitatively different but also qualitatively different (e.g., Desoete, Ceulemans,
de Weerdt, & Pieteres, 2012; Geary, Hoard, Byrd-Craven, Nugent, & Numtee,
2007; Murphy, Mazzocco, Hanich, & Early, 2007).
Murphy et al. (2007) compared the performance of two groups with maths
difficulties to a control group. The groups were created based on percentiles from
a standardized mathematics test. Overall, the MLD group (≤ 10th percentile) and
LA group (between 10th and 25th percentiles) showed lower performance than
the control group (N-MLD, > 25th percentile) across both the initial measurement
taken in early childhood education and another measurement taken in the third
Cognitive and numerical skills in MLD / Habilidades cognitivas y numéricas en DAM 117
grade during the growth of these mathematics skills. The differences that emerged
between the MLD and LA groups could not be explained by general cognitive
factors or by specific numeric skills, but rather by differences in the growth rates
of mathematics skills. In this regard, this study concluded that MLD and LA are
qualitatively different groups, which is supported by the study conducted by
Desoete et al. (2012), who used the same classification as Murphy et al. (2007).
Geary et al. (2007) also concluded that MLD and LA groups are qualitatively
different, although their results differed from those of Murphy et al. (2007)
regarding the involvement of cognitive processes. In this study, the difference in
performance across the groups MLD (≤ 15th percentile) and LA (between 23rd
and 39th percentiles) was modulated by working memory and processing speed
(RAN), two cognitive variables. The involvement of cognitive processes in the
distinction of the above groups was replicated in a later study carried out by Geary
et al. (2012). Groups with different performance levels were selected using a
cluster-based model (Mclust). The MLD group consisted of students with poor
performance during early education and slow growth of mathematics skills. The
LA group was comprised of students who initially showed average performance

but slow growth in mathematics skills. Finally, the N-MLD group consisted of
students whose initial performance and skills growth were average. As in the
aforementioned study, the results demonstrated that cognitive factors played a
significant role in the distinction between groups with poor performance.
Nonetheless, the findings of this study suggested that LA and MLD are part of
the same continuum of mathematics skills.
These findings highlight the disparity between the results that suggest students
with MLD and those with LA are qualitatively different. What seems clear is that
an assessment of cognitive processes is essential to clarify this issue. This
research, unlike previous studies, aims to combine cognitive and numerical
measurements to explore the differences between students with different levels
of mathematics performance. It is expected that the grouping of variables will be
consistent with theoretical models on number processing, specifically with the
triple-code model (Dehaene & Cohen, 1995). If the combination of these variables
facilitates establishing differences between profiles of mathematics difficulties,
then this would reinforce the idea that the source of both groups is different and in
turn also the hypothesis that they are qualitatively different groups. However, to
validate this hypothesis, the differences found must be consistent throughout
schooling, because — as is a well-known fact — deficits in MLD students are
developmentally persistent (Vanbinst, Ghesquière, & De Smedt, 2014).
Method
Participants
The initial sample was composed of 756 individuals enrolled in the second to
third grades (173 boys and 163 girls) and the fifth to sixth grades (229 boys and
191 girls), in public and private schools from different municipalities on the island
of Tenerife. From this sample, three groups were selected according to grade,
based on scores from the standardized Arithmetical Calculation Test (Prueba de

Cálculo Aritmética, PCA) (Artiles & Jiménez, 2011). The MLD group consisted
of 68 children (second and third grades, N = 27; fifth and sixth grades, N = 41)
whose performance was in the bottom 10th percentile; the LA group was com-
posed of 110 individuals (second and third grades, N = 52; fifth and sixth grades,
N = 58) whose performance was between the 11th and 25th percentiles; and an
average performance group (N-MLD) consisting of 578 individuals (second and
third grades, N = 257; fifth and sixth grades, N = 321) whose performance was
higher than the 25th percentile. There were neither significant differences in age in
the performance groups (MLD, LA, N-MLD) F(2, 753) = 1.09, p = .33, nor in the
distribution of sex (% boys: MLD = 44.1%; LA = 47.3%; N-MLD = 55.4%), χ2
(2) = 4.89, p = .087. Nevertheless, there were significant differences in IQ
between groups, F(2, 747) = 34.84, p < .001, ƞ2 = .08. Differences were found
between the groups MLD (M = 91.08, SD = 16.01) and LA (M = 98.59,
SD = 14.73), t(174) = 3.15, p < .01, d = 0.47; MLD and N-MLD (M = 106.0,
SD = 15.38), t(638) = 7.48, p < .001, d = 0.55; and LA and N-MLD t(682) = 5.64,
p < .001, d = 0.46. Mean age and IQ per group and course are shown in Table 1.
Instruments
Culture Fair Intelligence Test (Scale 1 and 2, Form A). This test (Cattell & Cattell,
1989) measures general mental ability without the interference of cultural bias.
The authors conducted the test adapted to Spanish. The reliability obtained by the
split-halves method was .86 and when the correlation with scores from the
Primary Mental Abilities Test (TEA-1) (Seisdedos, De La Cruz, Cordero, &
González, 1991) was used as a criterion of validity, a correlation coefficient of
.68 was obtained.
Arithmetical Calculation Test (Prueba de Cálculo Aritmético, PCA) (Artiles &
Jiménez, 2011). This is a standardized calculation test for Canary Islands students.
It consists of 37 exercises. The first 20 are addition and subtraction tasks with one
or more digits, with or without carry-overs. The rest include multiplication tasks
with one or two digits, with and without decimal points; division tasks with one
Table 1. Distribution of performance groups per grade.

Age IQ
Grade Performance Groups M SD M SD
2–3 MLD 102.11 9.96 93.81 13.55
LA 105.17 11.83 103.94 11.92
N-MLD 103.18 9.75 108.29 12.67
5–6 MLD 138.44 8.52 89.18 17.43
LA 133.78 7.60 93.79 15.44
N-MLD 134.81 7.78 104.16 17.04
Note: MLD = children with mathematical learning disabilities; LA = children with low achievement
in mathematics; N-MLD = children without mathematical learning disabilities.
and two digits and with and without decimal points; and finally the simple use of
fractions (α-Cronbach = .88).
Multimedia Test for the Assessment of Cognitive Processes and Performance
with Learning Difficulties in Mathematics-BM-PROMA (Jiménez, Rodríguez,
Peake, Villarroel, & Bisschop, 2014). This instrument was developed with
Unity 2.0 Professional Edition and SQLITE Database Engine was used as a
database. The following tasks were selected for the present study:
Magnitude comparison task. In this task, two double-digit numbers appear on the
computer screen and the child must indicate which of them is the greatest. Both
correct answers and reaction times were recorded. Two measures, accuracy and
speed, were assessed. The score was calculated based on the latency time of the
stimuli read correctly (α-Cronbach = .96).
Number line estimation task. This test is an adaptation of the assessment created
by Booth and Siegler (2006). Firstly, a 15-cm line is shown on the screen. For the
first 20 items, the value on the left end of the line is 0 and the value on the right
end is 100. For the following 22 items, the value of the right end is replaced by
1,000. This study only used the scores obtained with the 0–1,000 line. The items
presented for the 0–1,000 line were: 2, 11, 67, 99, 106, 162, 221, 325, 388, 450,
492, 511, 591, 643, 677, 755, 799, 815, 867, 910 and 988. Values below 100 were
over-represented, as in the aforementioned study. The score was based on the
absolute value of the percent error (α-Cronbach = .87).
Reading numbers. In this task, children have to read the Arabic numerals that
appear on the screen; the instructions ask them to do so as quickly as they can
without making mistakes. It consists of 30 items: 10 one-digit numbers, 10 two-
digit numbers and 10 three-digit numbers (α-Cronbach = .88). Two measures,
accuracy and speed, were assessed. The score was calculated based on the latency
time of the stimuli read correctly.
Computational estimation. In this task, 12 (two-digit) addition tasks and 12 (two-

digit) subtraction tasks represented horizontally without the result (e.g.,
21 + 16 = __) are shown, as well as three possible answers. The participant
must click on the option that is closest to the correct answer. Both the addition and
subtraction tasks are divided between those whose components (in the case of
addition tasks, the addends and in the case of subtraction tasks, the minuend and
subtrahend) are both of a low or high magnitude (in this context low magnitude is
understood to be tens up to 40, and high magnitude to be 60 to 90). The
presentation format is as follows: operations appear on the screen for five seconds,
then disappear and three options appear. The score is calculated based on the
number of correct answers (α-Cronbach = .63).
Arithmetic fact retrieval. In this task, 66 single-digit arithmetic operations are

presented (24 additions, 24 multiplications and 18 subtractions) in a balanced
manner according to the magnitude (low magnitude 1–5 vs high magnitude 6–9)
of the two terms in the operations.The presentation format is as follows: the
arithmetic operations are shown horizontally and the participants are asked to
say the answers out loud. Scores are calculated from the correct answers given
within 200–3,000 ms (α-Cronbach = .95).
Naming speed. This test is an adaptation of the Denckla and Rudel (1976)
technique called Rapid Automatized Naming (RAN) and consists of four subtests:
series of letters, series of numbers, series of colours and series of drawings. Each
series consists of 50 items distributed in a matrix of five rows and 10 columns. In
this task participants are asked to name horizontally, aloud and as quickly as
possible, the stimuli shown to them. This task records the average time taken to
read the stimuli of the four subtests. To normalize the score distribution, scores
were transformed to number of stimuli per minute.
Numerical working memory. This test is an adaptation of the Working Memory-

Counting task (Case, Kurland, & Goldberg, 1982). It is a dual task comprised of a
word span memory task (total number of dots on a card) given simultaneously
with a counting task; thus, it can be taken as an indicator of the central executive
component of working memory. The child is asked to count and memorize the
total number of yellow dots on cards with yellow and blue dots that appear in the
centre of the screen. When they have counted all dots on a set of cards (two to
five), they are asked to repeat the total number on each card in the order they were
presented. They have three attempts to pass each level or span.
Visuo-spatial working memory. This is an adaptation of the Corsi block-tapping

task (Milner, 1971) to multimedia format. In this task, a dynamic, 3 x 3 matrix
appears in the centre of the screen. Certain positions are illuminated in a fixed
order and the child is asked to repeat the illumination pattern by clicking on the
positions that changed colour, in half the cases in the same order, and in the other
half in reverse order.
Procedure
Data collection was carried out by a total of eight previously trained examiners, who
were distributed in pairs to four elementary schools. These examiners administered a
standardized calculation test, the Arithmetical Calculation Test (PCA) and the intelli-
gence test collectively. The intelligence test was used to rule out intellectual deficit in
the poor performance groups. Subsequently, they applied the BM-PROMA multi-
media test individually in a room suitable for the administration of this type of test.
Results
Firstly, in order to combine numerical and cognitive variables, a principal com-
ponent analysis was conducted with varimax rotation. The sample size was large
enough for the viability of this analysis (KMO = .85), and Bartlett’s test of
sphericity indicated that the correlation matrix differed significantly from the
identity matrix; in other words, there was an acceptable level of correlation
between the variables for performing the analysis, χ2(36) = 1952.63, p < .001.
Two components had eigenvalues greater than 1, thereby fulfilling the Kaiser
criterion and completely coinciding with the scree plot. These two factors
accounted for 56.63% of the variance. Table 2 shows the factor loading after
rotation, factor 1 — which was designated ‘semantic-cognitive’ — is comprised
of those skills that are related to the more semantic aspects of number knowledge:
spatial working memory, the number line estimation, computational estimation,
subtraction and numeric working memory. Factor 2 was designated ‘verbal-auto-
mation’ because it includes all those skills that are more related to automation and
language: reading of numbers, comparison of magnitudes, RAN and
multiplication.
Next, in order to check whether these factors were sensitive to the different
performance groups selected a priori according to the PCA test, a 3 x 2, Groups
(MLD, LA and N-MLD) x Grade (2nd–3rd, 5th–6th) MANOVA was conducted

on the ‘semantic-cognitive’ factor and the ‘verbal-automation’ factor (the regres-
sion method was used to calculate the factor scores). The descriptive statistics of
both factors according to the groups are shown in Table 3. The results demon-
strated a significant multivariate effect due to Grade, λ = .746, F(2, 749) = 127.74,
p < .001, ƞ2 = .25 and Group, λ = .816, F(4, 1498) = 39.97, p < .001, ƞ2 = .09; the
interaction Group x Grade was not significant, λ = .991, F(4, 1498) = 1.70,
p = .148. Concerning Grade, results showed a significant effect for both the
‘semantic-cognitive’ factor, F(1, 750) = 144.29, p < .001, ƞ2 = .16; and ‘verbal-
automation’ factor, F(1, 750) = 47.37, p < .001, ƞ2 = .06. For Group, results
showed significant differences only for the ‘semantic-cognitive’ factor, F(2,
750) = 72.65, p < .001, ƞ2 = .16; but not for the ‘verbal-automation’ factor, F
(2, 750) = 1.50, p = .224. The post hoc test revealed significant differences
between all groups in the ‘semantic-cognitive’ factor: MLD and LA, t
(176) = 5.19, p < .001, d = 0.78; SLD and N-MLD, t(644) = 11.09, p < .001,
Table 2. Rotated component matrix.

Factor Loadings
Factor 1 Factor 2
Visuo-spatial working memory .722 −.128
Number line estimation −.758 .205
Computational estimation .688 −.279
Subtraction (number fact retrieval) −.630 .422
Numerical working memory .659 −.048
Reading numbers −.066 .873
Magnitude comparison −.148 .805
RAN .505 −.551
Multiplication (number fact retrieval) −.378 .539
Table 3. Means and standard deviation of the groups in extracted factors according to
grade.
Semantic-Cognitive Factor Verbal-Automation Factor
Grade Groups M SD M SD
2–3 MLD −1.60 0.95 0.48 1.27
LA −0.78 0.77 0.43 1.05
N-MLD −0.50 0.84 0.32 1.14
5–6 MLD −0.45 0.73 −0.43 0.88
LA −0.06 0.74 −0.24 0.82
N-MLD 0.64 0.77 −0.24 0.79
Note: MLD = children with mathematical learning disabilities; LA = children with low achievement
in mathematics; N-MLD = children without mathematical learning disabilities.
d = 0.87; and LA and N-MLD, t(686) = 6.12, p < .001, d = 0.47. Analyses were
repeated using IQ as a covariate, and the results were unchanged.
That is, the combination of cognitive and numerical variables that load onto
the semantic-cognitive factor is suitable for identifying children with MLD from
other groups. In fact, the differences between the groups remain stable across
grades, which confirms the initial hypothesis that the variables that are able to
differentiate MLD and LA groups are stable.
Discussion
The aim of this research was to determine whether individuals with MLD and
those with LA are qualitatively different. Previous studies suggest that differences
in mathematics performance between the two groups are influenced by cognitive
factors such as processing speed (RAN) and working memory (Geary et al., 2007;
Murphy et al., 2007). Therefore, to carry out this study it was necessary to
combine cognitive and numeric skills to properly describe both groups.
The first result of the present study was the generation of two factors from
the principal component analysis of a set of numerical and cognitive skills,
which was selected based on findings from the review of previous studies. The
first factor, referred to as ‘semantic-cognitive’, brought together mathematical
tasks related to number sense, the number line estimation, computational
estimation and subtraction (number fact retrieval). As stated by Dehaene,
Piazza, Pinel, and Cohen (2003), these tasks share a common neuroanatomical
substrate, horizontal segments of the intraparietal sulcus, and also all require
access to the semantic representation of quantity in order to be resolved.
Additionally, some cognitive variables load onto this factor, the visuo-spatial
working memory and the working memory-counting task. The visuo-spatial
working memory is highly involved in solving the number line estimation
tasks, as has been shown in other studies (e.g., Fischer et al., 2003; Geary
et al., 2007); thus, its association with this factor was expected. Regarding the
working memory-counting task, which measures the executive component of
working memory, it is also associated with the first factor, which is consistent
with previous results (e.g., Geary et al., 2007). This finding is coherent given
that the other factor is represented by skills related to automaticity, thereby
connecting it to tasks that demand less from this component. Concerning the
second factor, referred to as ‘verbal-automation’, the related variables were
fluency in number reading, comparison of magnitudes, RAN tasks and multi-
plication (number fact retrieval). All these tasks, except the magnitude compar-
ison task, require the automatic retrieval of phonological representations
associated with visual codes, although access to their semantic component is
not strictly necessary. That is, according to Dehaene et al. (2003), all these
tasks are related to the same neuroanatomical substrate, the angular gyrus,
which is not specific to number processing, but rather is related to those
arithmetic skills linked to language. While it is true that the magnitude com-
parison task does require processing semantic numerical representations, the
measurement used, ‘time taken to select correct answers’, also involves auto-
mation to retrieve phonological information, which is the characteristic shared
by the variables associated with this factor. In this regard, a recent study
showed that aspects such as mathematics fluency and measures based on
accuracy appear to have distinct genetic etiology (Petrill et al., 2012). In
short, the combination of the skills associated with each factor is consistent.
Concerning the second issue of this study, the fact that the semantic-cognitive
factor best defines the differences between the groups is in line with the classi-
fication proposed by Rubinsten and Henik (2009), who found that MLD is the
result of a combination of a deficit in working memory and a deficit in the
processing of quantities, which are the result of a brain dysfunction in the frontal
area and the intraparietal sulcus. This proposal is consistent with studies con-
ducted with neuroimaging techniques that have revealed that the difficulties of
students with MLD are due to a deficit in activation, as well as the presence of an
abnormal structure in the aforementioned regions (e.g., Price, Holloway, Räsänen,
Vesterinen, & Ansari, 2007; Rotzer et al., 2008). Finally, an important finding is
the consistency of the result across different grades, which makes the result more
robust.
The results of the present study constitute a significant contribution to the
diagnosis of students with different mathematics difficulties and even to differ-
entiated intervention based on their profile. Nevertheless, the use of a cross-
sectional versus a longitudinal design implies an obvious limitation. Monitoring
the sample over time would enable a more accurate diagnosis.
In summary, the results of this study reveal that the selection and combination
of cognitive and numerical variables involved in semantic numerical representa-
tion is ideal for describing those groups with specific difficulties compared to
those that only show poor performance. In this sense, it can be affirmed that both
groups are qualitatively and quantitatively different.
¿Qué habilidades cognitivas y numéricas definen mejor las

dificultades de aprendizaje en matemáticas?
El diagnóstico de las dificultades específicas de aprendizaje en matemáticas

(DAM) es un asunto complejo y todavía hoy pendiente de un consenso inter-
nacional. A pesar del esfuerzo realizado por establecer clasificaciones para dife-
renciar sujetos con DAM de sujetos con discalculia o sujetos con bajo rendimiento
(BR), el debate sigue abierto (Kaufmann & von Aster, 2012; Rubinsten & Henik,
2009).
Hay acuerdo en que los sujetos con DAM se caracterizan por presentar déficits
no sólo en aspectos numéricos como el procesamiento de las cantidades y la
realización de operaciones aritméticas sino también en ciertos procesos cogniti-

vos. En términos generales los sujetos con DAM presentan déficits en las tareas
de recuperación de hecho numéricos y estimación de la línea numérica
(Butterworth, Varma, & Laurillard, 2011; Jordan, Hanich, & Kaplan, 2003), los
cuales a su vez están mediatizados por déficits en procesos cognitivos que son
necesarios para resolver dichas tareas (Cowan & Powel, 2014). En este sentido
algunos autores apuntan a que la dificultad de los niños con DAM para recuperar
hechos numéricos se debe a un déficit en la memoria de trabajo (e.g., Sowinki,
LeFrvre, Skwarchuk, Kamawar, Bisanz, & Smith-Chant, 2015), aunque también
se sugiere que se trata de un problema de automatización, es decir en la capacidad
para recuperar de forma rápida los hechos numéricos de la memoria a largo plazo
(Passolunghi & Siegel, 2004; Van Daal, Van der Leij, & Adèr, 2013). Por otra
parte, también se ha puesto de manifiesto que el déficit en la agenda visoespacial
de la memoria de trabajo influye en la resolución de la tarea de la estimación de la
línea numérica (e.g., Fischer, Castel, Dodd, & Pratt, 2003). Por tanto, se sugiere la
incorporación de tests numéricos y cognitivos para una identificación fiable de las
DAM (Kaufmann & von Aster, 2012; Watson & Glable, 2013).
Respecto a la diferenciación entre sujetos con DAM y sujetos BR, el debate es
complejo puesto que en ambos casos acontecen déficits cognitivos y numéricos.
En este sentido se propone la utilización de puntos de cortes más severos en los
tests de evaluación para la identificación de los DAM frente a puntos de corte más
laxos para los que presentan BR. Sin embargo este planteamiento a priori indicaría
que las dificultades de ambos grupos tienen una misma naturaleza la cual se
manifiesta con mayor severidad en el caso de los DAM, no obstante los resultados
al respecto son contradictorios. Mientras que en algunos casos se apunta a que
DAM y BR son parte de un mismo continuo (Geary, Hoard, Nugent, & Bailey,
2012) en otros, se muestran que no sólo son cuantitativamente diferentes sino
también cualitativamente diferentes (e.g., Desoete, Ceulemans, de Weerdt, &
Pieteres, 2012; Geary, Hoard, Byrd-Craven, Nugent, & Numtee, 2007; Murphy,
Mazzocco, Hanich, & Early, 2007).
Murphy et al. (2007) compararon el rendimiento de dos grupos con dificul-
tades con un grupo control. Los grupos fueron creados en base a los percentiles de
una prueba estandarizada de matemáticas. En términos generales los grupo DAM
(Pc ≤ 10) y BR (10 < Pc ≤ 25) mostraron un nivel inferior al control (S-DAM, Pc
>25) tanto en la medida inicial, tomada en Educación Infantil, como en el
crecimiento de estas habilidades matemáticas hasta tercer grado. Las diferencias
emergidas entre los grupos DAM y BR no pudieron ser explicadas por factores
cognitivos generales o por habilidades específicas de carácter numérico, sino por
diferencias en las ratios de crecimiento de las habilidades matemáticas. A este
respecto los autores concluyen que DAM y BR son grupos cualitativamente
diferentes, esta conclusión ha sido respaldada por el estudio de Desoete et al.
(2012), quienes usaron la misma clasificación que Murphy et al. (2007). Geary
et al. (2007) concluyen igualmente que los grupos DAM y BR son cualitativa-
mente diferentes, pero los resultados en cuanto a la participación de aspectos
cognitivos difieren de los encontrados en el estudio de Murphy et al. En este

estudio la diferenciación en el rendimiento de los grupos DAM (Pc ≤ 15) y BR
(23 < Pc ≤ 39) estuvo mediatizado por las variables cognitivas de memoria de
trabajo y velocidad de procesamiento (RAN). La participación de procesos cog-
nitivos en la diferenciación de los grupos de rendimientos fue constatada en un
estudio posterior realizado por Geary et al. (2012). En este trabajo se seleccio-
naron a grupos con diferentes niveles de rendimiento utilizando un modelo basado
en cluster (Mclust). El grupo DAM estaba formado por aquellos estudiantes que
mostraron tener un bajo rendimiento en Educación Infantil, y un crecimiento lento
en habilidades matemáticas, el grupo BR, estaba formado por aquellos estudiantes
que mostraron un rendimiento promedio al inicio, pero mostraron un crecimiento
lento en habilidades matemáticas, y finalmente el grupo S-DAM estuvo formado
por estudiantes cuyo punto de inicio y crecimiento eran promedios. Los resultados
mostraron, al igual que en el anterior, la participación de procesos cognitivos en la
diferenciación de los grupos de bajo rendimiento, pero además los hallazgos
apuntaron a que los grupos BR y DAM son partes de un mismo continuo.
Los hallazgos expuestos ponen de manifiesto la divergencia en los resultados
que apuntan a que los sujetos con DAM y BR son cualitativamente diferentes. Lo
que parece evidente es que la evaluación de los procesos cognitivos es funda-
mental para aclarar este asunto. El presente trabajo, a diferencia de estudios
previos, tiene como objetivo combinar medidas cognitivas y numéricas para
estudiar las diferencias entre los perfiles de estudiantes con diferentes niveles de
rendimiento en matemáticas. Se espera que la agrupación de las variables se
coherente con los modelos teóricos sobre el procesamiento numérico, concreta-
mente con el modelo del triple código (Dehaene & Cohen, 1995). Si la
combinación de estas variables permite establecer diferencias entre los perfiles,
entonces se estaría reforzando la idea de que el origen de las dificultades de ambos
grupos es diferente y por tanto también la hipótesis de que se trata de grupos
cualitativametne distintos. No obstante para validar esta hipótesis se requiere que
las diferencias encontradas sean consistentes a lo largo de la escolaridad, ya que

como es sabido por todos, los déficits de los estudiantes con DAM son persis-
tentes evolutivamente (Vanbinst, Ghesquière, & De Smedt, 2014).
Método
Participantes
La muestra inicial estaba compuesta por de 756 sujetos procedentes de colegios
públicos y concertados de 2º–3º (173 niños y 163 niñas) y 5º–6º (229 niños y 191
niñas) de educación primaria, pertenecientes a diferentes municipios de la Isla de
Tenerife. De esta muestra se seleccionaron tres grupos de rendimiento en base a la
puntuación en el test estandarizado Prueba de Cálculo Aritmético (PCA) (Artiles &
Jiménez, 2011) en función del curso. El grupo DAM estaba formado por 68 sujetos (2º
y 3º curso, N = 27; 5º y 6º curso, N = 41) con un percentile ≤ 10; el grupo con bajo
rendimiento (BR) estaba compuesto por 110 sujetos (2º y 3º curso, N = 52; 5º y 6º curso,
N = 58) con un percentil mayor a 10 y menor o igual a 25; y un grupo con rendimiento
promedio (S-DAM) formado por 578 (2º y 3º curso, N = 257; 5º y 6º curso, N = 321)
sujetos con un percentil > 25. No existían diferencias significativas en edad en función
de los grupos de rendimiento (DAM, BR, S-DAM) F(2, 753) = 1.09, p = .33, y
tampoco en la distribución del sexo por grupo (% niños: DAM = 44.1%; BR = 47.3%;
S-DAM = 55.4%), χ2(2) = 4.89, p = .087. Sí hubo diferencias significativas en CI entre
los grupos, F(2, 747) = 34.84, p < .001, ƞ2 = .08, las diferencias se encontraban entre los
grupos DAM (M = 91.08, DT = 16.01) y BR (M = 98.59, DT = 14.73), t(174) = 3.15,
p < .01, d = 0.47; DAM y S-DAM (M = 106.0, DT = 15.38), t(638) = 7.48, p < .001,
d = 0.55 y; BR y S-DAM, t(682) = 5.64, p < .001, d = 0.46. La media de edad y CI por
grupo y curso se muestran en la Tabla 1.
Instrumentos
Test de Inteligencia Factor ‘g’ (Escala 1 y 2 Forma A) (Cattell & Cattell, 1989).
Este test permite una medición de la capacidad mental general sin interferencia de
Tabla 1. Distribución de los grupos de rendimiento por curso.

Edad CI
Curso Grupos de Rendimiento M DT M DT
2º y 3º DAM 102.11 9.96 93.81 13.55
BR 105.17 11.83 103.94 11.92
S-DAM 103.18 9.75 108.29 12.67
5º y 6º DAM 138.44 8.52 89.18 17.43
BR 133.78 7.60 93.79 15.44
S-DAM 134.81 7.78 104.16 17.04
Nota: DAM = Niños con dificultades en matemáticas; BR = niños con bajo rendimiento en matemáticas;
S-DAM = Niños sin dificultades de aprendizaje en matemáticas.
sesgo cultural. Los autores realizaron la adaptación al español. La fiabilidad

obtenida mediante el método de las dos mitades fue .86 y como criterio de validez
utilizaron la correlación con las puntuaciones en la Prueba de Aptitudes Mentales
Primarias (TEA-1) (Seisdedos, De la Cruz, Cordero, & González, 1991) obte-
niendo un coeficiente de correlación de .68.
Prueba de Cálculo Aritmético (PCA) (Artiles & Jiménez, 2011). Se trata de un
test de rendimiento en cálculo estandarizado en la población canaria. Está com-
puesta por 37 operaciones, de las cuales las 20 primeras son de sumas y restas y se
distribuyen entre sumas con una o más cifras, con o sin llevadas, y restas con una
o más cifras, con o sin llevadas. Y el resto, abarcan operaciones con multi-
plicaciones de una o dos cifras, con y sin decimales; divisiones por una y dos
cifras, con y sin decimales; y finalmente el empleo simple de las fracciones (α-
Cronbach = .88).
Batería Multimedia para la Evaluación de Procesos Cognitivos y de
Rendimiento en Dificultades de Aprendizaje en Matemáticas-BM-PROMA
(Jiménez, Rodríguez, Peake, Villarroel, & Bisschop, 2014). Este instrumento
está programado en Unity 2.0 Professional Edition y como base de datos se

utilizó SQLITE Database Engine. Para la presente investigación se han seleccio-
nado las siguientes tareas:
Tarea de comparación de magnitudes. En esta tarea se presentan en la pantalla del

ordenador números de dos dígitos, y el niño debe indicar cuál de ellos es el mayor.
Se obtuvieron tanto medidas de aciertos y tiempo. La puntuación estuvo basada en
el tiempo de los aciertos (α-Cronbach = .96).
Ubicación en la recta numérica. Esta prueba fue una adaptación a la presentada

por Booth y Siegler (2006). En primer lugar se presenta en la pantalla una línea de
15 cm en cuyo extremo izquierdo se presenta el valor 0 y en el extremo derecho el
valor 100 para los primeros 20 ítems, y a continuación el valor del extremo
derecho es sustituido por 1,000 y para los siguiente 22 ítems. En este estudio
hemos utilizado sólo la puntuación obtenidos en la línea 0–1,000. Los ítems
presentados para la recta 0–1,000 fueron: 2, 11, 67, 99, 106, 162, 221, 325,
388, 450, 492, 511, 591, 643, 677, 755, 799, 815, 867, 910 y 988. En este último
caso, sobre-representamos, al igual que los autores citados, los valores por debajo
de 100. La puntuación estuvo basada en el porcentaje de error cometido en valor
absoluto (α-Cronbach = .87).
Lectura de números. En esta tarea los niños deben leer el número que aparece en
la pantalla en formato arábigo, en las instrucciones se le pide que lo haga lo más
rápido que pueda, pero sin cometer errores. Consta de 30 ítems, 10 unidades, 10
decenas y 10 centenas (α-Cronbach = .88). La puntuación en esta tarea está basada
en tiempo de los aciertos.
Estimación computacional. En esta tarea se presentan doce sumas y doce restas de

dos dígitos, representadas horizontalmente sin el valor del resultado (e.g.,
21 + 16 = __) y tres opciones de respuesta, el sujeto debe cliquear con el ratón

sobre la opción que se acerque más al resultado real. Tanto las sumas como las
restas se dividen entre aquellas cuyos componentes (en el caso de la suma, los
sumandos y en el caso de la resta, el minuendo y sustraendo) son ambos de baja
magnitud o bien de alta magnitud (entiéndase en este contexto como baja magni-
tud las decenas hasta 40, y alta de 60 a 90). La forma de presentación es la
siguiente, aparece en la pantalla la operación durante 5 segundos, y después
desaparece y aparecen las tres opciones. La puntuación se calcula en función
del número de aciertos (α Cronbach = .63).
Recuperación de hechos numéricos. En esta tarea se presentan 66 operaciones

aritméticas simples (24 sumas, 24 multiplicaciones y 18 restas) balanceadas en
función la magnitud (baja magnitud 1–5 vs alta magnitud 6–9) de los dos términos
de las operaciones.La forma de presentación es la siguiente, se le muestra la
operación aritmética horizontalmente y se les pide que digan el resultado en voz
alta. Las puntuaciones se computan a partir de los aciertos respondido entre
200–3,000 ms (α Cronbach = .95).
Velocidad de nombrado. Esta prueba es una adaptación de la técnica de Denckla y

Rudel (1976) denominada Rapid Automatized Naming (RAN). La prueba consta
de cuatro subtareas: series de letras, series de números, series de colores y series
de dibujos. Cada serie está compuesta de 50 ítems distribuidos en una matriz de
cinco filas y 10 columnas. En esta tarea se solicita a los sujetos que nombren
horizontalmente en voz alta y lo más rápido posible los estímulos presentados. En
esta tarea se toma el tiempo promedio invertido en leer los estímulos de las cuatro
subpruebas. Para normalizar las puntuaciones se realizó la conversión a número
de estímulos por minuto.
Memoria de trabajo numérico. Se trata de una adaptación de la tarea Working

Memory-Counting (Case, Kurland, & Goldberg, 1982). Es una tarea dual com-
puesta por una prueba de amplitud de memoria de palabras (número total de
puntos de una carta) simultánea a una tarea de conteo, de ahí que la tomemos
como indicador de habilidad de ejecutivo central. Se solicita al niño que cuente y
memorice el número total de puntos amarillos que le presentamos en cartas con
puntos amarillos y azules dispuestas en el centro de la pantalla. Cuando haya
contados todos los puntos de un set de cartas (de dos a cinco) se le solicitará que
repita el número total de cada carta en el orden en el que fueron presentados. Para
superar cada nivel o span tiene tres intentos.
Memoria de trabajo espacial. Se trata de una adaptación a formato multimedia de

los cubos de Corsi (Milner, 1971). En esta tarea se le presenta en el centro de la
pantalla una matriz dinámica de 3 × 3 en la que se iluminan ciertas posiciones en
un orden determinado y se solicita al niño que repita el patrón de iluminación
cliqueando sobre las posiciones que fueron cambiadas de color. En la mitad de los
casos en el orden directo, y en la otra mitad en el orden inverso.
Procedimiento
Para llevar a cabo la recogida de información participaron un total de 8 exami-
nadores previamente entrenados que se distribuyeron por parejas en cuatro centros
escolares. Estos examinadores administraron de forma colectiva una prueba
estandarizada de cálculo, la prueba de Cálculo Aritmético (PCA), y la prueba de
inteligencia. La prueba de inteligencia fue utilizada para descartar déficit intelec-
tual en los grupos de bajo rendimiento. Posteriormente realizaron la aplicación
individual de la batería multimedia BM-Proma en una sala que reunía las con-
diciones adecuadas para la administración de este tipo de pruebas.
Resultados
En primer lugar con el objeto de configurar dimensiones compuestas por variables
numéricas y cognitivas afines, se llevó a cabo un análisis factorial realizando la
extracción de factores mediante el método de componentes principales con
rotación varimax. Los resultados del análisis mostraron que el tamaño de la

muestra es suficientemente grande para la viabilidad de este análisis
(KMO = .85), y el test de esfericidad de Barlett indicó que la matriz de correla-
ciones difiere significativamente de la matriz identidad, en otras palabras existe un
nivel de correlaciones entre las variables aceptable para llevar a cabo el análisis, χ2
(36) = 1952.63, p < .001. Fueron dos los componentes cuyos valores propios
fueron mayores que 1 cumpliendo el criterio de Kaiser, coincidiendo completa-
mente con el gráfico de sedimentación. Esto dos factores explicaron el 56.63% de
la varianza. Tal y como se puede comprobar en la Tabla 2 de la matriz de
componentes rotados, el factor 1 que hemos denominado ‘semántico-cognitivo’
está compuesto por aquellas habilidades que están relacionadas con aspectos más
semánticos en relación al conocimiento del número: memoria de trabajo espacial,
ubicación en la recta numérica, estimación computacional, recuperación de hechos
numéricos (restas), y memoria de trabajo numérica. El factor 2 lo hemos denomi-
nado ‘verbal-automatización’ ya que recoge todas aquellas habilidades más
Tabla 2. Matriz de componentes rotados.

Componentes
Factor 1 Factor 2
Memoria de trabajo especial .722 −.128
Ubicación en la recta numérica −.758 .205
Estimación computacional .688 −.279
Recuperación de hechos numéricos (restas) −.630 .422
Memoria de trabajo numérica .659 −.048
Lectura de números −.066 .873
Comparación de magnitudes −.148 .805
RAN .505 −.551
Recuperación de hechos numéricos (multiplicaciones) −.378 .539
relacionadas con la automatización y el lenguaje: lectura de números,

comparación de magnitudes, RAN, y recuperación de hechos numéricos
(multiplicaciones).
A continuación, con el objetivo de comprobar si estos factores eran sensibles a los
distintos grupos de rendimiento seleccionados a priori en función del test PCA, se
llevó a cabo un MANOVA 3 x 2 con los factores Grupos (DAM, BR y S-DAM) y
Cursos (2º–3º, 5º–6º) y como variables dependientes factor ‘semántico-cognitivo’ y
factor ‘verbal-automatización’ (se utilizó el método de regresión para calcular los
coeficientes que generan las puntuaciones en los factores). Los estadísticos descripti-
vos de ambos factores en función de los grupos se muestran en la Tabla 3. Los
resultados mostraron un efecto multivariado significativo debido al factor Curso,
λ = .746, F(2, 749) = 127.74, p < .001, ƞ2 = .25 y al factor Grupo, λ = .816, F(4,
1498) = 39.97, p < .001, ƞ2 = .09, la interacción no fue significativa λ = .991, F(4,
1498) = 1.70, p = .148. Con respecto al factor Curso, los resultados mostraron un
efecto significativo para cada una de las variables dependientes, factor ‘semántico-
cognitivo’ F(1, 750) = 144.29, p < .001, ƞ2 = .16; y factor ‘verbal-automatización’
F(1, 750) = 47.37, p < .001, ƞ2 = .06. Para el factor Grupo, los resultados mostraron
sólo diferencias significativas para factor ‘semántico-cognitivo’ F(2, 750) = 72.65,

p < .001, ƞ2 = .16; pero no para el factor ‘verbal-automatización’ F(2, 750) = 1.50,
p = .224. Los contrastes a posteriori de las diferencias par a par mostraron diferencias
significativas entre todos los grupos en el factor ‘semántico-cognitivo’: DAM y BR,
t(176) = 5.19, p < .001, d = 0.78; DAM y S-DAM t(644) = 11.09, p < .001, d = 0.87; y
BR y S-DAM, t(686) = 6.12, p < .001, d = 0.47. Los análisis fueron repetidos
introduciendo el CI como covariable, y los resultados no se vieron modificados.
Es decir, la combinación de variables cognitivas y numéricas que componen el
factor semántico-cognitivo es adecuada para la identificación de niños con DAM
frente a otros grupos. De hecho las diferencias entre los grupos permanecen
estables en las dos etapas contempladas en este estudio, lo cual confirma la
hipótesis de partida en relación a que lo que las variables que consigue diferenciar
a los grupos DAM y BR son aspectos estables.
Tabla 3. Medias y desviación típica de los grupos en los factores extraídos en función
del curso.
Factor Semántico-Verbal Factor Verbal-Automatización
CURSO GRUPOS M DT M DT
2º–3º DAM −1.60 0.95 0.48 1.27
BR −0.78 0.77 0.43 1.05
S-DAM −0.50 0.84 0.32 1.14
5º–6º DAM −0.45 0.73 −0.43 0.88
BR −0.06 0.74 −0.24 0.82
S-DAM 0.64 0.77 −0.24 0.79
Nota: DAM = Niños con dificultades en matemáticas; BR = niños con bajo rendimiento en matemáticas;
S-DAM = Niños sin dificultades de aprendizaje en matemáticas.
Discusión
El objetivo de este trabajo consistió en averiguar si los sujetos con DAM y BR
son o no cualitativamente diferentes. Los estudios previos sugieren que las
diferencias en rendimiento matemático entre los sujetos con DAM y los sujetos
con BR, están mediatizadas por factores cognitivos como la velocidad de proce-
samiento (RAN) y memoria de trabajo (Geary et al., 2007; Murphy et al., 2007).
Por tanto, para llevar a cabo este trabajo se planteó también la necesidad de
obtener dimensiones compuestas por habilidades cognitivas y numéricas que
hicieran posible estudiar estos perfiles de forma adecuada.
El primer resultado del presente estudio fue la obtención de dos factores a
partir de la aplicación del análisis factorial sobre un conjunto de habilidades
numéricas y cognitivas seleccionadas a raíz de los resultados de los estudios
previos revisados. El primer factor, que denominamos semántico-cognitivo,
aglutinó las tareas matemáticas relacionadas con el ‘sentido numérico’ ubicación
en la recta numérica, estimación computacional y recuperación de hechos
numéricos en relación a las restas. Tal y como manifiestan Dehaene, Piazza,
Pinel, y Cohen (2003), todas estas tareas comparten además de un mismo sustrato
neuroanatómico, segmentos horizontales de los surcos intraparietales, el requisito
de acceder a la representación semántica de la cantidad para poder ser resueltas.
Además en este factor también saturaban aspectos cognitivos como memoria de
trabajo espacial y memoria de trabajo numérica. La memoria de trabajo espacial
está altamente involucrada en la resolución de la tarea de la línea numérica tal y
como se ha puesto de manifiesto en otros estudios (e.g., Fischer et al., 2003;
Geary et al., 2007) por lo que su asociación al factor era esperable y lógica. En
relación a la tarea de memoria de trabajo numérica, que mide componente
ejecutivo, su saturación en este primer factor se ajusta también a resultados
previos (e.g., Geary et al., 2007) y además es coherente puesto que el otro factor
está representado por aspectos relacionados con la automaticidad, por lo que se
vincula con tareas que requieren menor demanda del componente. Con respecto al
segundo factor, que denominamos ‘verbal-automatización’, las variables vincula-
das al mismo fueron fluidez en la lectura de números, comparaciones de magni-
tudes, tarea de RAN, y recuperación de multiplicaciones. Todas estas tareas,
excepto comparación de magnitudes, requieren la recuperación automática de
representaciones fonológicas asociadas a códigos visuales, sin ser estrictamente
necesario acceder al componente semántico de las mimas. Es decir, según
Dehaene et al. (2003) todas estas tareas estarían vinculadas al mismo sustrato
neuroanatómico, giro angular (HI), el cual no es específico del procesamiento
numérico, sino que está relacionado con aquellas destrezas aritméticas vinculadas
al lenguaje. Si bien es cierto, que la tarea de comparación de magnitudes sí
requiere procesamiento de representaciones semánticas de los números, el hecho
de que la medida utilizada para evaluarla haya sido tiempo de los aciertos puede
hacer que se ajuste más a la naturaleza de las variables que configuran este factor.
En este sentido, en un estudio reciente se demuestra que aspectos como la fluidez
matemática y las medidas basadas en exactitud parecen tener etiología genética
diferenciada (Petrill et al., 2012). En definitiva, la agrupación de las habilidades

analizadas a ambos factores es coherente.
En relación al segundo aspecto de esta investigación, el hecho de que sea el
factor semántico-cognitivo el que mejor define las diferencias entre los grupos, va
en la línea de la clasificación propuesta por Rubinsten y Henik (2009) en la que
las DAM es el resultado de la combinación de un déficit en memoria de trabajo y
un déficit en procesamiento de las cantidades, las cuales son el resultado de un
mal funcionamiento a nivel cerebral de las zona frontales y del surco intraparietal.
Esta propuesta es consistente con estudios llevados a cabo con técnicas de
neuroimagen donde se constata que incapacidad de los sujetos con DAM se
debe a un déficit en la activación y a la presencia de una estructura anormal de
las regiónes antes mencionadas (e.g., Price et al., 2007; Rotzer et al., 2008).
Finalmente un hallazgo importante es la consistencia del resultado a lo largo de
los diferentes cursos, lo que hace más robusto el resultado encontrado.
Si bien es cierto que los resultados encontrados suponen una gran aportación para
el diagnóstico e incluso para la intervención diferenciada en función del perfil de
rendimiento de los estudiantes con dificultades, la utilización de un diseño transver-

sal y no longitudinal supone una limitación obvia. El seguimiento a lo largo del
tiempo de la muestra de estudio permitiría hacer un diagnóstico más certero.
En síntesis, los resultados de este estudio ponen de manifiesto que la selección y
combinación de variables cognitivas y numéricas implicadas en la representación
semántica del número es la ideal para describir a aquellos grupos con dificultades
específicas frente a aquellos que muestran únicamente bajo rendimiento. En este
sentido podemos afirmar que ambos grupos son cualitativa y cuantitativamente
diferentes.
Acknowledgements / Agradecimientos
This research was funded by the Spanish National Plan for Scientific and Technical
Research and Innovation (Ministry of Economy and Competitiveness) with references
PET2008_0225 and EDU2012-35098, granted to the second author and main researcher. /
Esta investigación ha sido financiada por el Plan Nacional I+D+i (Ministerio de
Economía y Competitividad) con referencias PET2008_0225 y EDU2012-35098 conce-
didos al segundo autor como investigador principal.
Disclosure statement
No potential conflict of interest was reported by the authors./ Los autores no han referido
ningún potencial conflicto de interés en relación con este artículo.
References / Referencias
Artiles, C., & Jiménez, J. E. (2011). PCA: Prueba de Cálculo Aritmético. In C. Artiles, & J. E.,
Jiménez (Eds). Normativización de instrumentos para la detección e identificación de las
necesidades educativas del alumnado con trastorno por déficit de atención con o sin
hiperactividad (tdah) o alumnado con dificultades específicas de aprendizaje (dea)
(pp. 13–26). Las Palmas de Gran Canaria: Dirección General de Ordenación e Innovación
Educativa del Gobierno de Canarias.
Booth, J. L., & Siegler, R. S. (2006). Developmental and individual differences in pure
numerical estimation. Developmental Psychology, 42, 189–201. doi:10.1037/0012-
1649.41.6.189
Butterworth, B., Varma, S., & Laurillard, D. (2011). Dyscalculia: From brain to education.
Science, 332, 1049–1053. doi:10.1126/science.1201536
Case, R. D., Kurland, D. M., & Goldberg, J. (1982). Operational efficiency and the
growth of short-term memory span. Journal of Experimental Child Psychology, 33,
386–404. doi:10.1016/0022-0965(82)90054-6
Cattell, R. B., & Cattell, A. K. S. (1989). Test de Factor “g”. Escala 1 and 2. (Cordero,
De la Cruz, & Seisdedos, trans.). Madrid: T.E.A. Ediciones (Originally published in
1950).
Cowan, R., & Powell, D. (2014). The contributions of domain-general and numerical
factors to third-grade arithmetic skills and mathematical learning disability. Journal of
Educational Psychology, 106, 214–229. doi:10.1037/a0034097
Dehaene, S., & Cohen, L. (1995). Towards an anatomical and functional model of number
processing. Mathematical Cognition, 1, 83–120.
Dehaene, S., Piazza, M., Pinel, P., & Cohen, L. (2003). Three parietal circuits for number
processing. Cognitive Neuropsychology, 20, 487–506. doi:10.1080/02643290244000239

Denckla, M. B., & Rudel, R. G. (1976). Rapid ‘automatized’ naming (R.A.N.): Dyslexia
differentiated from other learning disabilities. Neuropsychologia, 14, 471–479.
doi:10.1016/0028-3932(76)90075-0
Desoete, A., Ceulemans, A., De Weerdt, F., & Pieters, S. (2012). Can we predict
mathematical learning disabilities from symbolic and non-symbolic comparison
tasks in kindergarten? Findings from a longitudinal study. British Journal of
Educational Psychology, 82, 64–81. doi:10.1348/2044-8279.002002:
Fischer, M. H., Castel, A. D., Dodd, M. D., & Pratt, J. (2003). Perceiving numbers causes
spatial shifts of attention. Nature Neuroscience, 6, 555–556. doi:10.1038/nn1066
Geary, D. C., Hoard, M. K., Byrd-Craven, J., Nugent, L., & Numtee, C. (2007).
Cognitive Mechanisms underlying achievement deficits in children with mathema-
tical learning disability. Child Development, 78, 1343–1359. doi:10.1111/j.1467-
8624.2007.01069.x
Geary, D. C., Hoard, M. K., Nugent, L., & Bailey, D. H. (2012). Mathematical cognition
deficits in children with learning disabilities and persistent low achievement: A five-
year prospective study. Journal of Educational Psychology, 104, 206–223.
doi:10.1037/a0025398
Jiménez, J. E., Rodríguez, C., Peake, C., Villarroel, R., & Bisschop, E. (2014). Batería
multimedia para la evaluación de procesos cognitivos y de rendimiento en las
dificultades de aprendizaje en matemáticas (BM-PROMA). (Unpublished software).
Tenerife: Universidad de La Laguna.
Jordan, N. C., Hanich, L. B., & Kaplan, D. (2003). Arithmetic fact mastery in young
children: A longitudinal investigation. Journal of Experimental Child Psychology, 85,
103–119. doi:10.1016/S0022-0965(03)00032-8
Kaufmann, L., & von Aster, M. (2012). The diagnosis and management of dyscalculia.
Deutsches Ärzteblatt International, 109(45), 767. doi:10.2139/ssrn.2125647
Milner, B. (1971). Interhemispheric differences in the localization of psychological
processes in man. British Medical Bulletin, 27, 272–277.
Murphy, M. M., Mazzocco, M. M. M., Hanich, L. B., & Early, M. C. (2007). Cognitive
characteristics of children with mathematics learning disability (MLD) vary as a
function of the cutoff criterion used to define MLD. Journal of Learning
Disabilities, 40, 458–478. doi:10.1177/00222194070400050901
Passolunghi, M. C., & Siegel, L. S. (2004). Working memory and access to numerical
information in children with disability in mathematics. Journal of Experimental Child
Psychology, 88, 348–367. doi:10.1016/j.jecp.2004.04.002
Petrill, S., Logan, J., Hart, S., Vincent, P., Thompson, L., Kovas, Y., & Plomin, R. (2012).
Math fluency is etiologically distinct from untimed math performance, decoding
fluency, and untimed reading performance: Evidence from a twin study. Journal of
Learning Disabilities, 45, 371–381. doi:10.1177/0022219411407926
Price, G. R., Holloway, I., Räsänen, P., Vesterinen, M., & Ansari, D. (2007). Impaired
parietal magnitude processing in developmental dyscalculia. Current Biology, 17,
R1042–R1043. doi:10.1016/j.cub.2007.10.013
Rotzer, S., Kucian, K., Martin, E., Aster, M. V., Klaver, P., & Loenneker, T. (2008).
Optimized voxel-based morphometry in children with developmental dyscalculia.
NeuroImage, 39, 417–422. doi:10.1016/j.neuroimage.2007.08.045
Rubinsten, O., & Henik, A. (2009). Developmental dyscalculia: Heterogeneity might not
mean different mechanisms. Trends in Cognitive Sciences, 13, 92–99. doi:10.1016/j.
tics.2008.11.002
Seisdedos, N., De la Cruz, M. V., Cordero, A., & González, M. (1991). Test de Aptitudes
Escolares (TEA). Madrid: TEA Ediciones.
Sowinski, C., LeFevre, J.-A., Skwarchuk, S.-L., Kamawar, D., Bisanz, J., & Smith-Chant,
B. (2015). Refining the quantitative pathway of the pathways to mathematics model.

Journal of Experimental Child Psychology, 131, 73–93. doi:10.1016/j.
jecp.2014.11.004
Van Daal, V., Van der Leij, A., & Adèr, H. (2013). Specificity and overlap in skills
underpinning reading and arithmetical fluency. Reading and Writing, 26, 1009–1030.
doi:10.1007/s11145-012-9404-5
Vanbinst, K., Ghesquière, P., & De Smedt, B. (2014). Arithmetic strategy development
and its domain-specific and domain-general cognitive correlates: A longitudinal study
in children with persistent mathematical learning difficulties. Research in
Developmental Disabilities, 35, 3001–3013. doi:10.1016/j.ridd.2014.06.023
Watson, S. M., & Gable, R. A. (2013). Unraveling the complex nature of mathematics
learning disability: Implications for research and practice. Learning Disability
Quarterly, 36, 178–187. doi:10.1177/0731948712461489

Rodrguez 2016

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Rodrguez 2016

Uploaded by

Copyright:

Available Formats

Estudios de Psicología

ISSN: 0210-9395 (Print) 1579-3699 (Online) Journal homepage: http://www.tandfonline.com/loi/redp20

What cognitive and numerical skills best define

Cristina Rodríguez & Juan E. Jiménez

To link to this article: http://dx.doi.org/10.1080/02109395.2015.1129825

Published online: 08 Mar 2016.

Submit your article to this journal

View related articles

View Crossmark data

Full Terms & Conditions of access and use can be found at

What cognitive and numerical skills best define learning

Abstract: Differentiating students with mathematical learning disabilities

Resumen: La diferenciación entre estudiantes con dificultades específicas de

English version: pp. 115–123 / Versión en español: pp. 124–132

© 2016 Fundacion Infancia y Aprendizaje

The diagnosis of specific learning disabilities in mathematics is a complex issue

LA group was comprised of students who initially showed average performance

based on scores from the standardized Arithmetical Calculation Test (Prueba de

Table 1. Distribution of performance groups per grade.

Computational estimation. In this task, 12 (two-digit) addition tasks and 12 (two-

Arithmetic fact retrieval. In this task, 66 single-digit arithmetic operations are

Numerical working memory. This test is an adaptation of the Working Memory-

Visuo-spatial working memory. This is an adaptation of the Corsi block-tapping

(MLD, LA and N-MLD) x Grade (2nd–3rd, 5th–6th) MANOVA was conducted

Table 2. Rotated component matrix.

¿Qué habilidades cognitivas y numéricas definen mejor las

El diagnóstico de las dificultades específicas de aprendizaje en matemáticas

realización de operaciones aritméticas sino también en ciertos procesos cogniti-

cognitivos difieren de los encontrados en el estudio de Murphy et al. En este

las diferencias encontradas sean consistentes a lo largo de la escolaridad, ya que

Tabla 1. Distribución de los grupos de rendimiento por curso.

sesgo cultural. Los autores realizaron la adaptación al español. La fiabilidad

está programado en Unity 2.0 Professional Edition y como base de datos se

Tarea de comparación de magnitudes. En esta tarea se presentan en la pantalla del

Ubicación en la recta numérica. Esta prueba fue una adaptación a la presentada

Estimación computacional. En esta tarea se presentan doce sumas y doce restas de

21 + 16 = __) y tres opciones de respuesta, el sujeto debe cliquear con el ratón

Recuperación de hechos numéricos. En esta tarea se presentan 66 operaciones

200–3,000 ms (α Cronbach = .95).

Velocidad de nombrado. Esta prueba es una adaptación de la técnica de Denckla y

Memoria de trabajo numérico. Se trata de una adaptación de la tarea Working

Memoria de trabajo espacial. Se trata de una adaptación a formato multimedia de

rotación varimax. Los resultados del análisis mostraron que el tamaño de la

Tabla 2. Matriz de componentes rotados.

relacionadas con la automatización y el lenguaje: lectura de números,

sólo diferencias significativas para factor ‘semántico-cognitivo’ F(2, 750) = 72.65,

diferenciada (Petrill et al., 2012). En definitiva, la agrupación de las habilidades

rendimiento de los estudiantes con dificultades, la utilización de un diseño transver-

processing. Cognitive Neuropsychology, 20, 487–506. doi:10.1080/02643290244000239

B. (2015). Refining the quantitative pathway of the pathways to mathematics model.

You might also like