¿Pueden tener éxito los programas de remuneración docente basada en el desempeño? El caso del Texas Teacher Incentive Allotment
DOI:
https://doi.org/10.14507/epaa.34.9573Palabras clave:
remuneración basada en el desempeño, Teacher Incentive Allotment, validez, modelos de valor agregado, TexasResumen
Los programas de remuneración basada en el desempeño (PBD) en la educación pública son objeto de controversia, y sus evaluaciones suelen centrarse en los resultados, aunque su éxito también depende del diseño y la implementación. En este estudio examinamos el Texas Teacher Incentive Allotment (TIA), un programa estatal de gran escala financiado con fondos públicos para remunerar el desempeño docente, utilizando un marco analítico de tres componentes: validez del diseño, fidelidad de la implementación y utilidad de los resultados. A partir de datos administrativos de 79.198 docentes pertenecientes a 338 distritos escolares, analizamos si las designaciones se corresponden con la efectividad docente, si los distritos aplican de manera consistente las métricas establecidas y si la designación se asocia con el desempeño. Al combinar medidas de progreso académico y observaciones de aula, encontramos que solo el 3 % del profesorado recibió una designación pese a obtener puntuaciones inferiores al umbral establecido, mientras que el 8 % no fue designado a pesar de superar dicho umbral. Asimismo, la designación mostró una fuerte correspondencia con el desempeño (AUC = .95), lo que indica que los distritos aplicaron, en términos generales, las directrices estatales de manera adecuada. La designación también se asoció con un mejor desempeño o con el mantenimiento de niveles elevados de desempeño, aunque el diseño observacional del estudio no permite establecer relaciones causales. El TIA ilustra cómo un programa de remuneración basada en el desempeño implementado a gran escala puede combinar el rigor estatal con la flexibilidad local, ofreciendo implicaciones relevantes para responsables de políticas que evalúan reformas de remuneración por mérito.
Descargas
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Jaehoon Lee, Michael Strong, Kristin Mansell, Heather Greenhalgh-Spencer

Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.

