ISSN: 2959-6513 - ISSN-L:
2959-6513
Volumen 4. No. 9 / Octubre 2024 - Número especial
Páginas 138 – 160
Minería
de datos: Un enfoque perspectivo desde el contexto educativo
Data mining: A perspective approach from the
educational context
Mineração de
dados: uma abordagem em perspectiva a partir do contexto educacional
Fernando Cesar Camones Gonzales
fernando.camones@unmsm.edu.pe
https://orcid.org/0000-0001-8275-8955
Universidad Nacional Mayor de San Marcos
Lima - Perú
Martin Toribio Sihuay Fernandez
mtsihuayf@unac.edu.pe
https://orcid.org/0000-0002-2085-5343
Universidad Nacional del Callao
Callao - PerúLima -
Perú
Violeta Alicia Nolberto Sifuentes
vnolbertos@unmsm.edu.pe
https://orcid.org/0000-0003-1577-4298
Universidad Nacional Mayor de San Marcos
Lima – Perú Puerto Maldonado - Perú
Jesús Emilio Agustín Padilla Caballero
jpadillac@ucv.edu.pe
https://orcid.org/0000-0002-9756-8772
Universidad César Vallejo
Lima - Perú
Artículo recibido 02 de agosto de
2024 / Arbitrado 26 de agosto de 2024 / Aceptado 06 de octubre 2024 / Publicado 25 de octubre de 2024
Resumen
Este estudio está dirigido a conocer el proceso de
integración de la minería de datos en los currículos desde la Perspectiva
Educativa en Lima, Perú. Especialmente, aborda las metodologías aplicadas para
optimizar intervenciones educativas, evaluando su efectividad, integración con
procesos pedagógicos y abordaje de la brecha digital para elevar la eficacia y
eficiencia en la enseñanza y el aprendizaje. La metodología aplicada fue cualitativa,
no experimental, exploratoria y descriptiva para explicar el problema de
estudio. El resultado propuesto, constituye aporte de investigaciones en el
contexto del desarrollo de la minería de datos educacionales. Como principal
conclusión, se destaca la necesidad de incorporar la minería de datos en el
ámbito educacional, con el propósito de esclarecer el camino a los docentes,
encargados de administrar los procesos de formación, en favor de la educación
virtual o en línea para revalorizar la educación y favorecer el proceso
educativo en favor del estudiante.
Palabras
clave: Analítica del aprendizaje; aprendizaje personalizado;
descubrimiento de conocimiento en Bases de Datos; minería de datos; minería de
datos educacionales.
Abstract
This study aims to
understand the process of integrating data mining into curricula from an
Educational Perspective in Lima, Peru. Specifically, it addresses the
methodologies applied to optimize educational interventions, evaluating their
effectiveness, integration with pedagogical processes, and addressing the
digital divide to enhance effectiveness and efficiency in teaching and
learning. The applied methodology was qualitative, non-experimental,
exploratory, and descriptive to explain the study problem. The proposed result
contributes to research in the context of the development of educational data
mining. The main conclusion highlights the need to incorporate data mining into
the educational field, with the purpose of clarifying the path for teachers responsible
for managing training processes, in favor of virtual or online education to
revalue education and support the educational process for the benefit of the
student.
Keywords: Learning analytics;
personalized learning; knowledge discovery in databases; data mining;
educational data mining
Resumo
Este estudo tem como objetivo conhecer o processo de integração da
mineração de dados nos currículos a partir da Perspectiva Educacional em Lima,
Peru. Especialmente, aborda as metodologias aplicadas para otimizar
intervenções educacionais, avaliando sua eficácia, integração com processos
pedagógicos e enfrentamento da lacuna digital para elevar a eficácia e
eficiência no ensino e na aprendizagem. A metodologia aplicada foi qualitativa,
não experimental, exploratória e descritiva para explicar o problema de estudo.
O resultado proposto constitui uma contribuição de pesquisas no contexto do
desenvolvimento da mineração de dados educacionais. Como principal conclusão,
destaca-se a necessidade de incorporar a mineração de dados no âmbito
educacional, com o propósito de esclarecer o caminho para os docentes,
responsáveis por administrar os processos de formação, em favor da educação
virtual ou online para revalorizar a educação e favorecer o processo educativo
em benefício do estudante.
Palavras-chave: Analítica
da Aprendizagem; Aprendizagem Personalizada; Descoberta de Conhecimento em
Bases de Dados; Mineração de Dados; Mineração de Dados Educacionais
INTRODUCCIÓN
La minería de datos (MD), constituye una forma de integrar diversas
fuentes de información digital, ofrece una visión integral del entorno
educativo, crucial para diseñar estrategias que promuevan la equidad y mejoren
los resultados de manera sostenible. Precisamente, la digitalización de la
mayoría de los ámbitos del quehacer humano ha supuesto la generación de una
inmensa cantidad de datos que son colectados por sistemas y que posteriormente
son analizados y pueden recrear el comportamiento exacto que ha desarrollado un
proceso.
Es tan grande el volumen de datos, que el entendimiento humano es
sobrepasado, y se requiere aplicar técnicas y procesos que permitan depurar los
datos, y generar información útil (Romero y Ventura, 2010). Esta información es
cada día más valiosa, quien posea la información, poseerá el poder; una empresa
que conozca el comportamiento de sus clientes, con la información suficiente
será capaz de ofrecerle lo que necesita, posiblemente incluso con anterioridad
a que el propio cliente sea consciente de ello.
La información no permite predecir el futuro, ni tan siquiera poder
predecir una catástrofe natural, o qué número saldrá premiado en la lotería,
pero sí puede decir mucho sobre el comportamiento de las cosas, y en base al
aprendizaje de similitudes de casos, poder identificar y predecir con un alto
porcentaje situaciones que puedan ser utilizadas en beneficio.
En el Perú, constituye una necesidad que las instituciones de
educación superior mejoren los procesos de enseñanza y aprendizaje mediante la
integración de plataformas tecnológicas como Moodle. Según Menacho Chiok,
(2020), Moodle no solo facilita la creación y gestión de cursos en línea, sino
que también genera una gran cantidad de datos analizables mediante técnicas de
minería de datos. Este análisis proporciona a los docentes información
relevante sobre el comportamiento y rendimiento de los estudiantes y mejora la
toma de decisiones.
La aplicación de técnicas de minería de datos en educación, conocida
como Minería de Datos Educativa, se consolidó como una disciplina emergente
para entender mejor el aprendizaje de los estudiantes. El citado autor, destacó
que herramientas como Weka y algoritmos de clasificación, agrupamiento y
asociación permitieron identificar patrones y perfiles que mejoraron el
rendimiento académico y la calidad educativa. Su estudio indicó que factores
como bajas notas y poco tiempo de acceso a Moodle se correlacionaron con la
probabilidad de desaprobar un curso.
En este contexto, la investigación actual pretende profundizar en el
uso de las técnicas de minería de datos en Moodle para personalizar y mejorar
las estrategias pedagógicas, optimizando el proceso de enseñanza-aprendizaje en
un entorno virtual. Además, la implementación de estas técnicas en la educación
beneficia tanto a docentes como a estudiantes, y transforma la gestión y
optimización de recursos en las instituciones de educación superior.
Trabajar con las técnicas de minería de datos en Moodle significa que
es necesario colectarlas y transformarlas para poder convertirlas en
información. Para conseguir esto, se deben afianzar procesos estadísticos,
análisis y técnicas computacionales de cierta complejidad. Por ejemplo, en el
ámbito de los negocios, debido al interés de incrementar la rentabilidad e
ingresos económicos, se han desarrollado con creces diversas técnicas para
explotar los datos, desde índices bursátiles, inversiones, proyecciones, etc.;
algunas de las aplicaciones más importantes y destacadas son:
a)
Diseño de estrategias de negocio basadas en información
concreta.
b)
Conocer las preferencias de los usuarios.
c)
Facilitar la búsqueda de información relevante.
d)
Realizar predicciones sobre el comportamiento de los
clientes.
e)
Detectar el riesgo de abandono de los clientes.
La minería de datos en el contexto educativo, es uno de los
procesos más importantes en la formación del ser humano, tanto a nivel
individual, como colectivo. Individual, pues permitirá a cada persona formarse,
adquirir conocimientos, capacidades y habilidades que le permitan desarrollarse
como persona y profesionalmente. Y colectivo, porque es la educación que reciba
la población la que depare su futuro, los niños de hoy serán los gobernantes de
la próxima generación.
Por tanto,
parece algo por lo cual merece la pena apostar, y en este sentido, aprovechar
la minería de datos puede ayudar a conocer mejor el proceso educativo,
identificar debilidades, incrementar las fortalezas, saber más de lo que ocurre
en los procesos educativos con tecnología, entre otras aplicaciones (Long &
Siemens, 2011).
Entre los
retos para ofrecer una mayor calidad educativa que enfrentan actualmente las
instituciones de educación superior está el de mejorar el rendimiento académico
de sus estudiantes (Menacho Chiok, 2020), y frenar el abandono de los estudios
superiores, un fenómeno que repercute directamente en el desaprovechamiento de
recursos (García Sanchez, et al., 2023). Entendiendo que el rendimiento es
reflejo directo de los aprendizajes de los estudiantes, por ello es hacia el
aprendizaje hacia donde se deben dirigir los esfuerzos con la minería de datos
educacionales.
La base de
la minería de datos educacionales (EDM, de sus siglas en inglés, Educational
Data Mining) reside en la intersección de tres grandes áreas del conocimiento:
educación, estadística y ciencias computacionales. Las interacciones entre
estas ciencias generan subcampos especializados, como son la educación basada
en computadoras, la minería de datos y aprendizaje automatizado, analítica de
aprendizaje (LA, de sus siglas en inglés Learning Analytics) y su triple
intersección, la minería de datos educacionales (Romero y Ventura, 2013; Long
& Siemens, 2011).
Según los criterios de
Romero y Ventura (2013) las principales áreas relacionadas con la minería de
datos educacionales son:
1)
Ciencias
computacionales.
2)
Minería
de datos y aprendizaje automatizado.
3)
Estadística.
4)
Educación.
5)
Educación
basada en comoputadoras.
Learning analytics
La evolución de la Minería de Datos Educacionales puede ser vista desde
dos perspectivas: una comunidad de investigación o un área de investigación
científica. Desde la visión de comunidad de investigación se considera cercana
al Learning analytics, de hecho, muchos de los miembros pertenecen a ambas
comunidades, con colaboraciones o incluso constituyéndose como una competencia
amistosa. Esta evolución surge por primera ocasión en 2005 en un taller, y se
convirtieron en una conferencia anual a partir de 2008, siendo en 2009 cuando
se conforma como una revista científica y se crea la International Educational
Data Mining Society en el año 2011.
En este sentido, la personalización del aprendizaje basada en datos
precisos permite adaptar contenidos y métodos pedagógicos a las necesidades
individuales, promoviendo una educación más inclusiva y efectiva. Además, el
análisis continuo de datos educativos proporciona a las instituciones una
visión clara de la efectividad de sus programas y currículos, facilitando
mejoras constantes y basadas en evidencia en la calidad educativa.
Con relación a la justificación educativa, en este estudio justifica
la integración de la Minería de Datos Educacionales como medio para
personalizar el aprendizaje y optimizar los recursos educativos. Al analizar
datos sobre comportamientos y rendimientos, los educadores pueden diseñar
intervenciones más efectivas que se alineen estrechamente con las necesidades
de sus estudiantes. Esto no solo mejora los resultados de aprendizaje, sino que
también hace que el proceso educativo sea más eficiente, al permitir que los
recursos se utilicen donde más se necesitan.
Por lo expuesto, y basado en el propósito de la investigación, la
"Minería de Datos desde la Perspectiva Educativa" busca contribuir al
Objetivo de Desarrollo Sostenible "Educación de Calidad para Todos";
cuyo problema se presenta de la siguiente forma ¿Cómo la integración de la
Minería de Datos en los procesos educativos puede contribuir a la mejora de la
eficacia y eficiencia en la enseñanza y el aprendizaje en instituciones
educativas? Así también, se buscó analizar cómo la aplicación de técnicas de
Minería de Datos en el ámbito educativo puede mejorar significativamente la
calidad y equidad de la educación.
Al
integrar el análisis avanzado de datos, se busca identificar patrones y
necesidades específicas de los estudiantes, permitiendo personalizar y
optimizar los procesos de enseñanza-aprendizaje, adaptándolos a las fortalezas
y debilidades individuales. Esto contribuyó a mejorar los resultados
académicos, aumentar la motivación y el compromiso estudiantil, asegurando que
todos los estudiantes, independientemente de su contexto, reciban una educación
de calidad acorde a sus necesidades.
Así también, se tuvo como objetivo general el interpretar cómo la
Minería de Datos aporta a la educación para hacerla más efectiva y eficiente.
De la misma manera, los específicos fueron; examinar las percepciones y
experiencias de educadores y administrativos sobre la integración de la Minería
de Datos en los currículos educativos; analizar las metodologías de Minería de
Datos aplicadas en la educación para identificar patrones de aprendizaje y
necesidades educativas de los estudiantes; y comprender el impacto de la
Minería de Datos en la gestión educativa y la toma de decisiones en
instituciones educativas.
MÉTODO
La investigación fue de tipo descriptivo, adoptó un enfoque
cualitativo, siguiendo la tradición fenomenológica-hermenéutica. Se trató de
una investigación de tipo básica, de acuerdo con el Manual Oslo de la
Organización para la Cooperación y el Desarrollo Económicos (OECD, 2018), cuyo objetivo principal fue interpretar cómo la
integración de la Minería de Datos en los procesos educativos podría contribuir
a la mejora de la eficacia y eficiencia en la enseñanza y el aprendizaje en
instituciones educativas. Así mismo, el diseño de investigación elegido fue no
experimental, pues no se manipularon variables, sino que se observaron y
analizaron los fenómenos en su contexto natural.
Específicamente, se empleó un diseño fenomenológico, que buscó
comprender las percepciones y experiencias de los educadores y administradores
respecto a la integración de la Minería de Datos en los currículos educativos.
Además, la investigación tuvo un alcance exploratorio, ya que se propuso
examinar un tema relativamente novedoso y poco estudiado, como es la aplicación
de la Minería de Datos en el ámbito educativo.
En este sentido, el estudio pretendió obtener una comprensión inicial
de este fenómeno, identificando patrones, necesidades y oportunidades para su
implementación efectiva. Con respecto a la recolección de datos, se planificó
utilizar técnicas como entrevistas semiestructuradas y análisis de documentos
institucionales. Cabe destacar que, debido a la naturaleza cualitativa del
estudio, los resultados no pretendieron ser generalizables a toda la población,
sino profundizar en la comprensión del fenómeno en contextos específicos.
La investigación consta de las siguientes categorías: en primer lugar,
las Percepciones, donde los educadores y administradores tienen diversas
percepciones sobre la integración de la Minería de Datos en los currículos
educativos. Algunos perciben su incorporación como una herramienta clave para
personalizar y adaptar la experiencia de aprendizaje según las necesidades
individuales de los estudiantes, permitiendo así una mejor comprensión de sus
patrones de comportamiento y estilos de aprendizaje. Otros ven en la Minería de
Datos una oportunidad para mejorar las estrategias de retroalimentación y
seguimiento del progreso académico, brindando información valiosa para realizar
ajustes curriculares y metodológicos que optimicen los resultados educativos.
En segundo lugar, las Metodologías, de Minería de Datos aplicadas en
el ámbito educativo involucran una serie de técnicas y procedimientos como los
métodos para recopilar información sobre el desempeño, comportamiento y
necesidades de los estudiantes, garantizando que estos procesos sean efectivos
y éticos. Luego, se emplean técnicas específicas de análisis de datos, como
modelos de aprendizaje automático o técnicas de agrupamiento, para procesar e
interpretar la información recopilada.
Por último, las Aplicaciones, en la Minería de Datos se han encontrado
diversas aplicaciones en el ámbito educativo, impactando en diferentes procesos
y áreas. Por un lado, se han observado mejoras en los procesos de aprendizaje,
donde la información obtenida a través de la Minería de Datos ha permitido
personalizar y adaptar las experiencias de aprendizaje a las necesidades
individuales de los estudiantes.
Tabla 1.
144
Matriz de Categorización Apriorística
|
Subcategorías primarias |
Subcategorías secundarias |
Reactivos/preguntas |
Ítems |
|
|
Minería de Datos |
Percepciones |
Integración Curricular |
¿Podría describir cómo cree que la integración
de la minería de datos en los currículos actuales podría cambiar la dinámica
del aprendizaje en su institución? |
1 |
|
Personalización |
Mencione algunos ejemplos específicos dónde ha
visto que la minería de datos haya contribuido a la personalización del
proceso educativo |
2 |
||
|
Retroalimentación |
Desde su experiencia, ¿de qué manera la minería de
datos ha mejorado las estrategias de retroalimentación en contextos
educativos? |
3 |
||
|
Metodologías |
Recopilación de data |
¿Podría describir los métodos que utiliza para
la recopilación de datos en contextos educativos y cómo asegura que estos
métodos son efectivos y éticos? |
4 |
|
|
Análisis de data |
¿Qué técnicas específicas de análisis de datos
considera más efectivas para interpretar información en el ámbito educativo y
por qué? |
5 |
||
|
Interpretación de la data |
¿Cómo aborda la interpretación de los datos
recogidos y qué desafíos encuentra en la representación adecuada de estos
datos para reflejar la realidad educativa? |
6 |
||
|
Aplicaciones |
Aprendizaje |
¿Puede proporcionar ejemplos concretos de cómo la
minería de datos ha mejorado los procesos de aprendizaje dentro de su
institución? |
7 |
|
|
Enseñanza |
En su experiencia, ¿cómo ha utilizado la minería
de datos para adaptar o modificar estrategias de enseñanza para con sus
estudiantes? |
8 |
||
|
Gestión educativa |
¿De qué manera la minería de datos ha mejorado
la gestión educativa y qué mejoras específicas ha observado como resultado de
su implementación? |
9 |
La población objetivo del estudio estuvo conformada
por educadores y administradores de instituciones educativas que hayan tenido
experiencia con la integración de la Minería de Datos en los procesos
educativos. Se establecieron criterios de inclusión para seleccionar
participantes que pudieran aportar información relevante, la muestra no se
determinó mediante fórmulas estadísticas, sino que se empleó un muestreo
intencional, siguiendo los principios de la metodología
fenomenológica-hermenéutica (Hernández et al., 2014).
Esta técnica de muestreo intencional implica
la selección de participantes que puedan aportar información significativa para
la comprensión de la experiencia vivida, hasta alcanzar la saturación
fenomenológica. Así mismo, según Creswell (2013) en la investigación cualitativa fenomenológica, "el objetivo es
seleccionar participantes que hayan experimentado el fenómeno que se está
investigando" (p. 155). Por lo tanto, se seleccionaron 4 educadores y
administradores que tuvieran experiencia directa con la integración de la
Minería de Datos en los currículos educativos y que pudieran compartir sus
percepciones y vivencias al respecto.
Adicionalmente, se recurrió a la técnica de
análisis de documentos, la cual, según Bowen (2009), "es una forma de investigación cualitativa en la que se analizan
documentos que fueron producidos sin la intervención del investigador" (p.
27). En este caso, se analizaron documentos institucionales, como planes de
estudio, informes y políticas educativas, que pudieran aportar información
valiosa sobre la integración de la Minería de Datos en los procesos educativos.
Estos criterios aseguran la rigurosidad y confiabilidad de los instrumentos en
el contexto de la investigación cualitativa. Por consiguiente, es importante
destacar que, en la investigación fenomenológica, los instrumentos de
recolección de datos no se diseñan con el objetivo de cuantificar o medir
variables, sino de capturar la esencia de las experiencias vividas por los
participantes.
Para una mejor comprensión del análisis de
los datos recolectados mediante entrevistas semiestructuradas y análisis de
documentos involucró los siguientes pasos: inmersión en los datos: lectura y
re-lectura de las transcripciones y documentos para familiarizarse con el
material y obtener una visión general; Codificación: identificación de unidades
de significado relevantes y asignación de códigos descriptivos a estas
unidades; Agrupación temática: organización de los códigos en temas y patrones
recurrentes que reflejen las experiencias y percepciones de los participantes;
Interpretación fenomenológica: análisis en profundidad de los temas
identificados, buscando captar la esencia de las experiencias vividas y su
relación con el fenómeno estudiado, y finalmente la Redacción y reflexión:
elaboración de una descripción rica y detallada de los hallazgos, acompañada de
una reflexión interpretativa que capture la comprensión del fenómeno.
Este proceso de análisis se llevó a cabo de
manera cíclica y reflexiva, permitiendo al investigador profundizar en la
comprensión del fenómeno a través de un diálogo constante con los datos.
Además, se utilizó software de análisis cualitativo, como ATLAS.ti 9, para
facilitar la organización y gestión de los datos. Es importante destacar que el
análisis fenomenológico-hermenéutico no busca generalizar los resultados, sino
comprender en profundidad las experiencias individuales de los participantes y
su relación con el fenómeno estudiado.
RESULTADOS
De acuerdo a las respuestas de los expertos,
de la teoría y del investigador, se tiene el resultado de la subcategoría
integración curricular que menciona que la integración de la Minería de Datos
en los currículos educativos actuales promete transformar significativamente la
dinámica del aprendizaje en instituciones educativas. Expertos y el
investigador concuerdan en que esta integración permitiría una personalización
sin precedentes del aprendizaje, adaptando el contenido a las necesidades
individuales de los estudiantes (EXP01, EXP02, Investigador). Esta visión se
alinea con la teoría sustantiva que destaca la importancia de incorporar
herramientas y técnicas de la Minería de Datos en los programas de formación (Allana et al., 2024). Además, los expertos señalan que la Minería de Datos facilitaría la
identificación temprana de problemas en el proceso de aprendizaje (EXP01,
EXP02), lo cual es respaldado por el investigador quien enfatiza la detección
temprana de estudiantes en riesgo.
El EXP03 resalta la importancia de un
enfoque multidisciplinario en la implementación de estas técnicas, incluyendo
la participación de psicopedagogos, lo cual se relaciona con la propuesta
teórica de fomentar la colaboración entre expertos en MD y educadores (Allana et al., 2024). EXP04 destaca la flexibilidad que ofrece la libertad de cátedra para
integrar nuevas tecnologías y métodos de aprendizaje, lo cual se alinea con la
idea de la teoría sustantiva de integrar conceptos y aplicaciones de Minería de
Datos en cursos relevantes. Tanto los expertos como el investigador y la teoría
coinciden en que la Minería de Datos permitiría una evaluación continua y una
retroalimentación más efectiva (EXP01, EXP02, Investigador, Allana et al., 2024), lo que en última instancia conduciría a una mejora significativa en la
calidad de la enseñanza y el aprendizaje en el ámbito educativo.
Por su parte, EXP04 relata cómo el análisis
de datos permitió adaptar los métodos de evaluación para estudiantes con
limitaciones de tiempo debido al trabajo. Estas experiencias se alinean con la
teoría sustantiva que define la personalización como un enfoque que utiliza
tecnologías de información y sistemas adaptativos para ajustar la experiencia
educativa a las necesidades individuales de los estudiantes (Arantes, 2023; Ikram et
al., 2024; Kerssens & van-Dijck, 2023). Sin embargo, como señala la teoría, es crucial considerar las
implicaciones éticas y sociales del uso de datos en educación, incluyendo cuestiones
de privacidad y equidad. Los expertos y la teoría coinciden en que la Minería
de Datos tiene el potencial de mejorar significativamente la motivación y el
rendimiento de los estudiantes, pero también subrayan la necesidad de una
implementación cuidadosa que equilibre la innovación tecnológica con los
principios fundamentales de la educación centrada en el estudiante.
Por otro lado, se tiene el resultado de la
subcategoría retroalimentación que menciona que la integración de la Minería de
Datos en las estrategias de retroalimentación educativa ha demostrado ser
transformadora, como lo evidencian las experiencias de los expertos y la teoría
sustantiva. EXP01 destaca la capacidad de realizar evaluaciones más rápidas y
frecuentes, permitiendo una adaptación ágil del programa educativo, mientras
que EXP02 enfatiza la retroalimentación en tiempo real y personalizada a través
de plataformas en línea. EXP03 resalta cómo la contextualización de la
estadística ha mejorado la actitud de los estudiantes hacia las matemáticas, y
EXP04 señala el uso efectivo de videos y recursos digitales para mejorar la
enseñanza y evaluación en biología. Estas experiencias se alinean con la teoría
sustantiva que define la retroalimentación como un proceso dinámico basado en
datos que utiliza TMD para proporcionar información oportuna y personalizada (Clarke et al., 2024;
Kubegenova et al., 2024; Li, 2024; Sergent et al., 2024).
El investigador corrobora estas
observaciones, destacando el uso de Google Forms y técnicas avanzadas de
procesamiento para ofrecer retroalimentación inmediata y específica, así como
el análisis de patrones de error para abordar conceptos mal entendidos. Este
enfoque integral, que combina análisis de patrones de rendimiento,
autoevaluación y características específicas del aprendizaje, no solo informa a
los estudiantes sobre su progreso, sino que también guía a los educadores en la
optimización de estrategias de enseñanza, como señalan tanto los expertos como
la teoría sustantiva.
Ahora bien, en base a la teoría y los
resultados anteriores, se da respuesta al objetivo específico 1; las
percepciones y experiencias de los educadores y administrativos revelan un
consenso sobre el potencial transformador de la Minería de Datos en la
educación. Los participantes (EXP01, EXP02, EXP03, EXP04) destacan su capacidad
para personalizar el aprendizaje, identificar tempranamente problemas
académicos y proporcionar retroalimentación efectiva, subrayando así el impacto
significativo que esta tecnología puede tener en la optimización de los
procesos educativos. Estas percepciones se alinean con la teoría sustantiva que
enfatiza la importancia de las interpretaciones subjetivas en la adopción y
éxito de las intervenciones educativas basadas en datos (Salloum et al., 2024).
Las experiencias prácticas relatadas por los
expertos, como el uso de plataformas adaptativas (EXP01), el análisis de datos
ecológicos (EXP02), la comprensión de estilos de aprendizaje (EXP03) y la
adaptación de métodos de evaluación (EXP04), demuestran la aplicación exitosa
de la Minería de Datos en diversos contextos educativos. Estas experiencias
refuerzan la teoría sobre la personalización del aprendizaje mediante
tecnologías de información y sistemas adaptativos (Arantes, 2023; Ikram et
al., 2024; Kerssens & van-Dijck, 2023). Sin embargo, tanto los expertos como la teoría reconocen la necesidad
de considerar las percepciones sobre la integración de la minería de datos
(figura 1, 2, 3) y sus implicaciones éticas para implementar cuidadosamente
estas tecnologías para equilibrar la innovación con los principios de la
educación centrada en el estudiante.
Figura 1. Percepciones sobre la integración de la minería de
datos
Fuente: Mermaid
Figura 2. Percepciones sobre la integración de
la minería de datos
Fuente: Mermaid
Figura 3. Percepciones sobre la integración de
la minería de datos
De acuerdo con la teoría y los objetivos específicos 1, 2 y 3, se da respuesta
al objetivo general de la investigación. Desde la perspectiva de la Minería de
Datos, esta contribuye significativamente a la educación, haciéndola más
efectiva y eficiente al proporcionar herramientas y metodologías para extraer
conocimiento útil de grandes conjuntos de datos educativos (García-Herrero et al., 2018). Esta disciplina emergente permite analizar y
comprender los procesos de aprendizaje, identificar patrones de comportamiento
estudiantil, evaluar la efectividad de recursos educativos y enfoques pedagógicos,
y personalizar el aprendizaje (Al-Saggaf et al., 2024; Rohani et al., 2024).
Las percepciones y experiencias de educadores y administrativos
confirman el potencial transformador de la Minería de Datos, aunque también
reconocen la necesidad de considerar las implicaciones éticas en su
implementación (Arantes, 2023; Clarke et al., 2024; Ikram et al.,
2024; Kerssens & van-Dijck, 2023; Kubegenova et al., 2024; Li, 2024;
Salloum et al., 2024; Sergent et al., 2024).
DISCUSIÓN
La discusión respecto a la subcategoría integración curricular se
refiere a que la integración de la Minería de Datos en los currículos
educativos actuales promete transformar significativamente la dinámica del
aprendizaje en las instituciones educativas. Expertos y el investigador
concuerdan en que esta integración permitiría una personalización sin
precedentes del aprendizaje, adaptando el contenido a las necesidades
individuales de los estudiantes (EXP01, EXP02, Investigador). Esta visión se
alinea con la teoría sustantiva que destaca la importancia de incorporar
herramientas y TMD en los programas de formación (Allana et al., 2024).
Además, los expertos señalan que la Minería de Datos facilitaría la
identificación temprana de problemas en el proceso de aprendizaje (EXP01,
EXP02), lo cual es respaldado por el investigador quien enfatiza la detección
temprana de estudiantes en riesgo. EXP03 resalta la importancia de un enfoque
multidisciplinario en la implementación de estas técnicas (Allana et al., 2024). EXP04 destaca la flexibilidad que ofrece la
libertad de cátedra para integrar nuevas tecnologías y métodos de aprendizaje.
Tanto los expertos como el investigador y la teoría coinciden en que la MD
permitiría una evaluación continua y una retroalimentación más efectiva (EXP01,
EXP02, Investigador), lo que en última instancia conduciría a una mejora
significativa en la calidad de la enseñanza y el aprendizaje en el ámbito
educativo.
Adicionalmente, en cuanto a la subcategoría personalización, la integración
de la Minería de Datos en el ámbito educativo está demostrando su potencial
para personalizar significativamente el proceso de aprendizaje. Las plataformas
adaptativas mencionadas por EXP01, como Coursera, ejemplifican cómo la Minería
de Datos puede ajustar el contenido educativo a las necesidades individuales de
los estudiantes, alineándose con el concepto de sistemas de aprendizaje
adaptativos descritos por Arantes (2023); Ikram et al. (2024). Sin embargo, es crucial considerar las
advertencias de Kerssens & van-Dijck (2023) sobre las implicaciones éticas y sociales del uso
extensivo de datos en educación.
Asimismo, en la subcategoría retroalimentación, la integración de la
Minería de Datos en las estrategias de retroalimentación educativa. Estos
enfoques se alinean con el concepto de retroalimentación como un proceso
dinámico basado en datos, descrito por Clarker et. al., (2024) y Kubegenova et.
at., (2024). La contextualización de la estadística para mejorar la actitud de
los estudiantes hacia las matemáticas, señalada por EXP03, y el uso efectivo de
recursos digitales en biología, mencionado por EXP04, demuestran cómo la
Minería de Datos puede adaptarse a diversas disciplinas, respaldando la idea de
Li, (2024). Sin embargo, es crucial considerar las implicaciones éticas y
prácticas de esta implementación, como sugieren Sergent et. al., (2024),
especialmente en términos de privacidad y equidad en el acceso a estas
tecnologías.
Las percepciones y experiencias de los educadores y administrativos,
como se evidencia en las entrevistas (EXP01, EXP02, EXP03, EXP04), resaltan el
potencial de la Minería de Datos para personalizar el aprendizaje y mejorar la
retroalimentación, alineándose con las teorías sustantivas que enfatizan la
importancia de las interpretaciones subjetivas en la adopción de tecnologías
educativas (Salloum et al., 2024). Sin embargo, esta perspectiva optimista se
contrasta con las preocupaciones éticas y de privacidad señaladas en la
literatura (Arantes, 2023; Kerssens & van-Dijck, 2023), subrayando la necesidad de un enfoque equilibrado
en la implementación de estas tecnologías.
Estas experiencias respaldan las teorías sobre la personalización del
aprendizaje mediante sistemas adaptativos (Ikram et al., 2024), pero también plantean interrogantes sobre la
escalabilidad y la equidad en el acceso a estas tecnologías. No obstante, la
integración efectiva de estas herramientas requiere una cuidadosa consideración
de los desafíos pedagógicos y técnicos, como lo subrayan tanto los expertos
entrevistados como la literatura teórica (Allana et al., 2024).
Respecto a la discusión de la subcategoría recopilación de datos, la
diversidad de métodos empleados, desde sistemas de matrícula y bases de datos
especializados hasta observaciones directas y experimentos de laboratorio,
refleja la complejidad inherente a este proceso, alineándose con la visión
integral propuesta por Beresegwicz et al., (2024). La implementación de
herramientas tecnológicas avanzadas, como las plataformas de aprendizaje en
línea mencionadas por el investigador, ejemplifica la evolución hacia una
recopilación de datos más sofisticada y exhaustiva, como lo sugieren Rosi et
al., (2024).
Sin embargo, esta sofisticación tecnológica plantea desafíos éticos
significativos, como lo señalan todos los expertos y el investigador, haciendo
eco de las preocupaciones expresadas por kumar et. al., (2024) sobre la
privacidad y el consentimiento informado.
En la discusión de la subcategoría análisis de datos, se destaca en el
ámbito educativo EXP01, el uso de técnicas estadísticas básicas para
investigaciones a nivel de salón de clase y métodos más avanzados, subrayando
la importancia de que el investigador esté bien familiarizado con estos métodos. Por otro lado, EXP02 menciona técnicas como la
asociación, los árboles de decisión y los modelos de series temporales, así
como la importancia de las visualizaciones avanzadas para comunicar
efectivamente los resultados (Shobeiry, 2024). Asimismo, EXP03 resalta la complejidad del
ecosistema educativo y sugiere el uso de técnicas de asociación y
clasificación, tanto supervisada como no supervisada, para identificar factores
asociados al aprendizaje y formar grupos de estudiantes que se beneficien de la
retroalimentación mutua (Zhang et al., 2024). En línea con estas ideas, EXP04 subraya la
utilidad de herramientas repetitivas como los videos para evaluar criterios y
homogenizar el análisis de datos, lo que facilita una práctica investigativa
más efectiva.
En conclusión, la triangulación de información entre expertos, teoría
y la percepción crítica del investigador resalta la relevancia de diversas
técnicas de análisis de datos para mejorar la interpretación y aplicación de la
información en el ámbito educativo, adaptándose a diferentes niveles de
complejidad y contexto(Zhang et al., 2024). Este proceso incluye la identificación de
patrones, predicción de resultados, análisis contextual y evaluación de
impacto, con un enfoque en la equidad y la privacidad (Colpo et al., 2024; Fang et al., 2024;
Guanin-Fajardo et al., 2024). Finalmente, el investigador destaca que en la
institución se forman equipos que incluyen expertos en MD, educadores y
psicólogos educativos, lo cual es esencial para contextualizar los datos y
garantizar interpretaciones pedagógicamente relevantes.
La discusión sobre la aplicación de metodologías de Minería de Datos
en el ámbito educativo permite identificar patrones de aprendizaje y
necesidades educativas de los estudiantes, utilizando enfoques avanzados como
Random Forest, XGBoost, K-Nearest Neighbor (KNN) y árboles de decisión, los
cuales facilitan la interpretación de los factores que influyen en los
resultados educativos(Kumar et al., 2024; Okoye et al., 2024). El uso de la metodología CRISP-DM asegura un
enfoque sistemático y reproducible en el proceso de Minería de Datos, mientras
que la validación cruzada k-fold es empleada para evaluar la robustez y
generalización de los modelos predictivos(Okoye et al., 2024; Talamás-Carvajal et al., 2024).Asimismo, la integración de datos sociodemográficos,
académicos y comportamentales proporciona una visión holística del rendimiento
estudiantil y facilita el desarrollo de competencias de pensamiento complejo(Talamás-Carvajal et al., 2024).
En la recopilación de datos, se destaca la importancia de la
recolección ética y sistemática, utilizando diversas fuentes y métodos, como
observaciones directas, entrevistas personalizadas y herramientas tecnológicas,
para asegurar una interpretación precisa y contextualizada(Beręsewicz et al., 2024; Kooptiwoot et al., 2024;
Roski et al., 2024;). El análisis de datos se realiza mediante técnicas
estadísticas básicas, métodos avanzados como la regresión y las ecuaciones
estructurales, y técnicas de visualización avanzada para comunicar resultados
de manera efectiva (Shobeiry, 2024; Zhang et al., 2024).
La discusión sobre la subcategoría aprendizaje, en relación con la
Minería de Datos, ha demostrado que esta es una herramienta valiosa para
mejorar los procesos educativos en diversas instituciones. Estos ejemplos
prácticos se alinean con la teoría sustantiva que define la subcategoría de
aprendizaje como un proceso multifacético que emplea algoritmos avanzados como
Redes Neuronales Artificiales y Naïve Bayes para predecir el RA, anticipar
riesgos de deserción e integrar datos multimodales para personalizar el
aprendizaje (Gupta et al., 2024; Monsalve-Pulido et al., 2024).
La evidencia empírica y teórica sugiere que la aplicación de TMD en la
educación no solo optimiza los métodos de enseñanza, sino que también mejora
significativamente los resultados académicos al permitir una personalización y
evaluación continua del aprendizaje. Como investigador, he observado estos
beneficios directamente, implementando un sistema de calificación en línea que
ha incrementado la responsabilidad estudiantil, reducida la tasa de abandono y
mejorado las tasas de aprobación al analizar diversos indicadores para
identificar a los estudiantes en riesgo. Este enfoque integral de la MD en la
educación refuerza la importancia de utilizar técnicas avanzadas de análisis
para informar decisiones educativas y mejorar los resultados académicos, tal
como sugieren las experiencias prácticas y la teoría sustantiva (Gupta et al., 2024; Monsalve-Pulido et al., 2024).
En cuanto a la discusión de la subcategoría enseñanza, la
implementación de la Minería de Datos ha permitido adaptar y modificar
estrategias educativas para satisfacer mejor las necesidades de los
estudiantes. Teóricamente, la enseñanza apoyada en la Minería de Datos se
concibe como un proceso dinámico y adaptativo que utiliza análisis avanzados,
involucrando el aprendizaje activo, el uso de tecnologías avanzadas, la
retroalimentación continua y la personalización del aprendizaje (Chamorro-Atalaya et al., 2024; Tsai, 2024). Esta personalización del aprendizaje ha demostrado
mejorar la retención del material, optimizando la experiencia educativa
(Chamorro-Atalaya et al., 2024).
Asimismo, en la discusión de la subcategoría gestión educativa, se
destaca que la implementación de la Minería de Datos ha generado mejoras
significativas en diversas áreas. De forma general se destaca la utilización de
datos sobre aspectos sociales y económicos de los estudiantes, cruciales para
una gestión educativa integral.
Teóricamente, la gestión educativa apoyada en la Minería de Datos
implica la utilización de análisis avanzados para mejorar la administración de
recursos, personalizar la enseñanza, optimizar procesos y evaluar continuamente
las políticas educativas, abordando también los desafíos éticos y culturales(Chen, 2024; Jiang, 2024; Santiago et al., 2023). En nuestra institución, la Minería de Datos ha
permitido desarrollar modelos predictivos para identificar a estudiantes en
riesgo de abandono, facilitando intervenciones tempranas y personalizadas que
han reducido la deserción estudiantil, lo que ha incrementado la tasa de
graduación oportuna y mejorado la experiencia educativa en general(Chen y
Jiang, 2024).
La
discusión respecto al objetivo 3 ha demostrado ser transformadora, permitiendo
un uso más eficiente de los recursos y personalizando tanto la enseñanza como
el aprendizaje. El análisis bibliométrico, por ejemplo, permite a las
instituciones comprender mejor la estructura y evolución del campo educativo,
identificando tendencias emergentes como el aprendizaje profundo y la emoción,
lo cual es fundamental para configurar la educación futura basada en objetivos
sostenibles(Boztaş et al., 2024).
El
reconocimiento de entidades y el análisis de sentimientos también son
cruciales, permitiendo ajustar estrategias de enseñanza y diseñar tareas que
mejoran la precisión y la satisfacción estudiantil (Chamorro-Atalaya et al.,
2024). En términos de gestión educativa, la
Minería de Datos optimiza la administración de recursos y permite la toma de
decisiones informadas, personalizando la enseñanza y adaptando las políticas
educativas a las necesidades cambiantes del entorno (Chen, 2024; Jiang, 2024;
Santiago et al., 2023).
Finalmente,
la discusión respecto al objetivo general, la Minería de Datos desde una
perspectiva educativa, emerge como una herramienta transformadora que potencia
la efectividad y eficiencia del proceso educativo, integrando técnicas
avanzadas de análisis para extraer conocimiento significativo de grandes
volúmenes de datos(García-Herrero et al.,
2018; Hashima et al., 2018). Su aplicación abarca
desde la personalización del aprendizaje hasta la identificación temprana de
desafíos académicos, como lo demuestran los estudios de Rohani et. al., (2024)
y Al-Saggaf et al., (2024). Sin embargo, la implementación exitosa de estas
tecnologías requiere un enfoque interdisciplinario que combine experticia en
matemáticas, informática y ciencias de la educación.
CONCLUSIONES
En el
presente trabajo se han expuesto las percepciones y experiencias sobre la
integración de la Minería de Datos en los currículos educativos el proceso, con
el propósito de esclarecer el camino a los docentes, la incorporación de
metodologías de Minería de Datos como perspectiva educativa aplicadas en
educación, se concluye que se emplean enfoques avanzados de aprendizaje
automático como Random Forest, XGBoost y árboles de decisión, junto con
metodologías estructuradas como CRISP-DM. Estas técnicas permiten identificar
patrones de aprendizaje, predecir RA y personalizar intervenciones educativas.
La
investigación demuestra que la Minería de Datos desde la perspectiva educativa
es una herramienta poderosa para mejorar la eficacia y eficiencia en la
enseñanza y el aprendizaje. Su integración permite una personalización sin
precedentes del proceso educativo, facilita la identificación temprana de
problemas y patrones de aprendizaje, y proporciona bases sólidas para la toma
de decisiones informadas en la gestión educativa. Sin embargo, su
implementación efectiva requiere un enfoque equilibrado que considere aspectos
éticos, de equidad y la necesidad de una interpretación contextualizada de los
datos.
REFERENCIAS
Al-Saggaf, Y., Rahman, M. A., & Wiil, U. K.
(2024). Using data mining to discover new patterns of social media and
smartphone use and emotional states. Social Network Analysis and Mining, 14(1).
https://doi.org/10.1007/s13278-024-01243-8
Allana, A. A., Ali, S. K., & Ghias, K. (2024).
Bioethics curriculum for undergraduate medical students: an evaluation study
utilizing mixed methods approach. BMC Medical Education, 24(1), 1–14.
https://doi.org/10.1186/s12909-024-05376-4
Arantes, J. (2023). Digital twins and the terminology
of “personalization” or “personalized learning” in educational policy: A
discussion paper. Policy Futures in Education, 22(4), 524–543.
https://doi.org/10.1177/14782103231176357
Arias Ortiz, E., Giambruno, C., Morduchowicz, A.,
& Pineda, B. (2023). El
Estado de la educación en América Latina y el Caribe. In Banco Interamericano
de Desarrollo.
https://publications.iadb.org/es/el-estado-de-la-educacion-en-america-latina-y-el-caribe-2023
Beręsewicz, M., Cherniaiev, H., Mantaj, A., &
Pater, R. (2024). Text analysis of job offers for mismatch of educational
characteristics to labour market demands. Quality and Quantity, 58(2),
1799–1825. https://doi.org/10.1007/s11135-023-01707-7
Bogdan, R. C., & Biklen, S. K. (2007). Qualitative
Research for Education: An Introduction to Theories and Methods. In Pearson
Education (5th ed.).
https://www.amazon.com/Qualitative-Research-Education-Introduction-Theories/dp/0205482937
Bowen, G. A. (2009). Document analysis as a
qualitative research method. Qualitative Research Journal, 9(2), 27–40.
https://doi.org/10.3316/QRJ0902027
Boztaş, G. D., Berigel, M., & Altınay, F. (2024).
A bibliometric analysis of Educational Data Mining studies in global
perspective. Education and Information Technologies, 29(7), 8961–8985.
https://doi.org/10.1007/s10639-023-12170-0
Brigitte, H., & Quiroz, Q. (2023). Data Mining
Technique for Educational Processes in Students with Special Educational Needs
Based on a Predictive Model. Revista
Científica Arbitrada Multidisciplinaria PENTACIENCIAS, 5, 205–217.
Chamorro-Atalaya,
O., Sobrino-Chunga, L., Guerrero-Carranza, R., Vargas-Díaz, A., &
Poma-Garcia, C. (2024). Student satisfaction in the context of hybrid learning
through sentiment analysis. International Journal of Evaluation and Research in
Education , 13(2), 831–841. https://doi.org/10.11591/ijere.v13i2.26717
Chen, J. (2024). Construction of E-Learning English
Wisdom Classroom Based on Educational Big Data Mining. Computer-Aided Design
and Applications, 21(S22), 251–264.
https://doi.org/10.14733/cadaps.2024.S22.251-264
Clarke, L., O’Neill, N., Patel, B., Steeman, S.,
Segal, G., Merrell, S. B., & Gisondi, M. A. (2024). Trainee advocacy for
medical education on the care of people with intellectual and/or developmental
disabilities: a sequential mixed methods analysis. BMC Medical Education,
24(1), 491. https://doi.org/10.1186/s12909-024-05449-4
Creswell, J. W. (2013). Steps in conducting a
scholarly mixed methods study. https://digitalcommons.unl.edu/dberspeakers/48/
Colpo,
M. P., Primo, T. T., & de Aguiar, M. S. (2024). Lessons
learned from the student dropout patterns on COVID-19 pandemic: An analysis
supported by machine learning. British Journal of Educational Technology,
55(2), 560–585. https://doi.org/10.1111/bjet.13380
Fang, C., Dziedzic, A., Zhang, L., Oliva, L., Verma,
A., Razak, F., Papernot, N., & Wang, B. (2024). Decentralised,
collaborative, and privacy-preserving machine learning for multi-hospital data.
EBioMedicine,
101(February), 105006. https://doi.org/10.1016/j.ebiom.2024.105006
García-Herrero,
J., Berlanga de Jesús, A., Molina López, J. M., Patricio Guisado, M. Á., Luis
Bustamante, Á., & Padilla Arias, W. R. (2018). Ciencia de datos Técnicas
analíticas y aprendizaje estadístico Un enfoque práctico. Altaria Publicaciones
Alfaomega. https://www.academia.edu/43722825/Ciencia_de_datos_Técnicas_analíticas_y_aprendizaje_estadístico
García
Sánchez, R., & Gil Mateos, J. E. (2023). Minería de Datos Educacionales:
Descubrir tesoros ocultos durante el aprendizaje. Revista Científica
Ecociencia, 10, 18–41. https://doi.org/10.21855/ecociencia.100.830
Guanin-Fajardo,
J. H., Guaña-Moya, J., & Casillas, J. (2024). Predicting
Academic Success of College Students Using Machine Learning Techniques. Machine
Learning and Its Applications, 9(4), 1–27. https://doi.org/10.3390/data9040060
Gupta, V., Li, Y., Peltekian, A., Kilic, M. N. T.,
Liao, W. K., Choudhary, A., & Agrawal, A. (2024). Simultaneously improving
accuracy and computational cost under parametric constraints in materials
property prediction tasks. Journal of Cheminformatics, 16(1), 1–13.
https://doi.org/10.1186/s13321-024-00811-6
Hernández, R., Fernández, C., & Baptista, M. del
P. (2014). Metodología
de la Investigación. Mc Graw Hill Education.
Ikram, C., Lamya, A., Mohamed, E., & Mohamed, K.
(2024). Model for motivating learners with personalized learning objects in a
hypermedia adaptive learning system. IAES International Journal of Artificial
Intelligence (IJ-AI), 13(2), 1282.
https://doi.org/10.11591/ijai.v13.i2.pp1282-1293
Jiang, L. (2024).
Problem Analysis and Legal Protection of the Exercise of Teachers’ Educational
Disciplinary Rights Based on the Background of Big Data. Applied Mathematics
and Nonlinear Sciences, 9(1), 1–18. https://doi.org/10.2478/amns.2023.2.01350
Kerssens, N., & van-Dijck, J. (2023).
Transgressing local, national, global spheres: the blackboxed dynamics of
platformization and infrastructuralization of primary education. Information
Communication and Society. https://doi.org/10.1080/1369118X.2023.2257293
Kooptiwoot, S., Kooptiwoot, S., & Javadi, B.
(2024). Application of regression decision tree and machine learning algorithms
to examine students’ online learning preferences during COVID-19 pandemic.
International Journal of Education and Practice, 12(1), 82–94. https://doi.org/10.18488/61.v12i1.3619
Kubegenova,
A., Abuova, Z., Gumarova, A., & Kamalova, G. (2024). Using
the Data Mining Tool to Analyze Student Performance. 39–51.
https://doi.org/10.1007/978-3-031-50609-3_4
Kumar, M., Singh, N., Wadhwa, J., Singh, P., Kumar,
G., & Qtaishat, A. (2024). Utilizing Random Forest and XGBoost Data Mining
Algorithms for Anticipating Students’ Academic Performance. International
Journal of Modern Education and Computer Science, 16(2), 29–44.
https://doi.org/10.5815/ijmecs.2024.02.03
Li, Z. (2024). Image analysis and teaching strategy
optimization of folk dance training based on the deep neural network.
Scientific Reports, 14(1), 1–12. https://doi.org/10.1038/s41598-024-61134-y
Long, P., & Siemens, G. (2011). Penetrating the
Fog: Analytics in Learning and Education. EDUCAUSE Review, 46(5), 30–40.
https://er.educause.edu/-/media/files/article-downloads/erm1151.pdf
Menacho-Chiok,
C. H. (2020). Técnicas de minería de datos aplicadas a la plataforma educativa
Moodle. Revista Tierra Nuestra, 14(1), 137–146.
https://revistas.lamolina.edu.pe/index.php/tnu/article/view/1509/2618
Monsalve-Pulido,
J., Parra, C. A., & Aguilar, J. (2024). Multimodal
model for the Spanish sentiment analysis in a tourism domain. Social Network
Analysis and Mining, 14(1). https://doi.org/10.1007/s13278-024-01202-3
Okoye, K., Nganji, J. T., Escamilla, J., &
Hosseini, S. (2024). Machine learning model (RG-DMML) and ensemble algorithm
for prediction of students’ retention and graduation in education. Computers
and Education: Artificial Intelligence, 6(January), 100205.
https://doi.org/10.1016/j.caeai.2024.100205
Piaget, J. (1972). The principles of genetic
epistemology. In Basic Books.
https://www.amazon.com/principles-genetic-epistemology-Jean-Piaget/dp/0710072961
Raji, N. R., Kumar, R.
M. S., & Biji, C. L. (2023). Closing the gap: exploring the untapped
potential of machine learning in deaf students and hearing students’ academic
performance. International Journal of Advanced Technology and Engineering
Exploration, 10(108), 1449–1475. https://doi.org/10.19101/IJATEE.2023.10101685
Al-Saggaf, Y., Rahman, M. A., & Wiil, U. K.
(2024). Using data mining to discover new patterns of social media and
smartphone use and emotional states. Social Network Analysis and Mining, 14(1).
https://doi.org/10.1007/s13278-024-01243-8
Allana, A. A., Ali, S. K., & Ghias, K. (2024).
Bioethics curriculum for undergraduate medical students: an evaluation study
utilizing mixed methods approach. BMC Medical Education, 24(1), 1–14.
https://doi.org/10.1186/s12909-024-05376-4
Arantes, J. (2023). Digital twins and the terminology
of “personalization” or “personalized learning” in educational policy: A
discussion paper. Policy Futures in Education, 22(4), 524–543.
https://doi.org/10.1177/14782103231176357
Arias Ortiz, E., Giambruno, C., Morduchowicz, A.,
& Pineda, B. (2023). El
Estado de la educación en América Latina y el Caribe. In Banco Interamericano
de Desarrollo.
https://publications.iadb.org/es/el-estado-de-la-educacion-en-america-latina-y-el-caribe-2023
Beręsewicz, M., Cherniaiev, H., Mantaj, A., &
Pater, R. (2024). Text analysis of job offers for mismatch of educational
characteristics to labour market demands. Quality and Quantity, 58(2),
1799–1825. https://doi.org/10.1007/s11135-023-01707-7
Bogdan, R. C., & Biklen, S. K. (2007). Qualitative
Research for Education: An Introduction to Theories and Methods. In Pearson
Education (5th ed.).
https://www.amazon.com/Qualitative-Research-Education-Introduction-Theories/dp/0205482937
Bowen, G. A. (2009). Document analysis as a
qualitative research method. Qualitative Research Journal, 9(2), 27–40.
https://doi.org/10.3316/QRJ0902027
Boztaş, G. D., Berigel, M., & Altınay, F. (2024).
A bibliometric analysis of Educational Data Mining studies in global
perspective. Education and Information Technologies, 29(7), 8961–8985.
https://doi.org/10.1007/s10639-023-12170-0
Brigitte, H., & Quiroz, Q. (2023). Data Mining
Technique for Educational Processes in Students with Special Educational Needs
Based on a Predictive Model. Revista
Científica Arbitrada Multidisciplinaria PENTACIENCIAS, 5, 205–217.
Chamorro-Atalaya,
O., Sobrino-Chunga, L., Guerrero-Carranza, R., Vargas-Díaz, A., &
Poma-Garcia, C. (2024). Student satisfaction in the context of hybrid learning
through sentiment analysis. International Journal of Evaluation and Research in
Education , 13(2), 831–841. https://doi.org/10.11591/ijere.v13i2.26717
Chen, J. (2024). Construction of E-Learning English
Wisdom Classroom Based on Educational Big Data Mining. Computer-Aided Design
and Applications, 21(S22), 251–264.
https://doi.org/10.14733/cadaps.2024.S22.251-264
Clarke, L., O’Neill, N., Patel, B., Steeman, S.,
Segal, G., Merrell, S. B., & Gisondi, M. A. (2024). Trainee advocacy for
medical education on the care of people with intellectual and/or developmental
disabilities: a sequential mixed methods analysis. BMC Medical Education,
24(1), 491. https://doi.org/10.1186/s12909-024-05449-4
Creswell, J. W. (2013). Steps in conducting a
scholarly mixed methods study. https://digitalcommons.unl.edu/dberspeakers/48/
Colpo,
M. P., Primo, T. T., & de Aguiar, M. S. (2024). Lessons
learned from the student dropout patterns on COVID-19 pandemic: An analysis
supported by machine learning. British Journal of Educational Technology,
55(2), 560–585. https://doi.org/10.1111/bjet.13380
Fang, C., Dziedzic, A., Zhang, L., Oliva, L., Verma,
A., Razak, F., Papernot, N., & Wang, B. (2024). Decentralised,
collaborative, and privacy-preserving machine learning for multi-hospital data.
EBioMedicine,
101(February), 105006. https://doi.org/10.1016/j.ebiom.2024.105006
García-Herrero,
J., Berlanga de Jesús, A., Molina López, J. M., Patricio Guisado, M. Á., Luis
Bustamante, Á., & Padilla Arias, W. R. (2018). Ciencia de datos Técnicas
analíticas y aprendizaje estadístico Un enfoque práctico. Altaria Publicaciones
Alfaomega.
https://www.academia.edu/43722825/Ciencia_de_datos_Técnicas_analíticas_y_aprendizaje_estadístico
García
Sánchez, R., & Gil Mateos, J. E. (2023). Minería de Datos Educacionales:
Descubrir tesoros ocultos durante el aprendizaje. Revista Científica
Ecociencia, 10, 18–41. https://doi.org/10.21855/ecociencia.100.830
Guanin-Fajardo,
J. H., Guaña-Moya, J., & Casillas, J. (2024). Predicting
Academic Success of College Students Using Machine Learning Techniques. Machine
Learning and Its Applications, 9(4), 1–27. https://doi.org/10.3390/data9040060
Gupta, V., Li, Y., Peltekian, A., Kilic, M. N. T.,
Liao, W. K., Choudhary, A., & Agrawal, A. (2024). Simultaneously improving
accuracy and computational cost under parametric constraints in materials
property prediction tasks. Journal of Cheminformatics, 16(1), 1–13.
https://doi.org/10.1186/s13321-024-00811-6
Hernández, R., Fernández, C., & Baptista, M. del
P. (2014). Metodología
de la Investigación. Mc Graw Hill Education.
Ikram, C., Lamya, A., Mohamed, E., & Mohamed, K.
(2024). Model for motivating learners with personalized learning objects in a
hypermedia adaptive learning system. IAES International Journal of Artificial
Intelligence (IJ-AI), 13(2), 1282. https://doi.org/10.11591/ijai.v13.i2.pp1282-1293
Jiang, L. (2024). Problem Analysis and Legal
Protection of the Exercise of Teachers’ Educational Disciplinary Rights Based
on the Background of Big Data. Applied Mathematics and Nonlinear Sciences,
9(1), 1–18. https://doi.org/10.2478/amns.2023.2.01350
Kerssens, N., & van-Dijck, J. (2023).
Transgressing local, national, global spheres: the blackboxed dynamics of
platformization and infrastructuralization of primary education. Information
Communication and Society. https://doi.org/10.1080/1369118X.2023.2257293
Kooptiwoot, S., Kooptiwoot, S., & Javadi, B.
(2024). Application of regression decision tree and machine learning algorithms
to examine students’ online learning preferences during COVID-19 pandemic.
International Journal of Education and Practice, 12(1), 82–94.
https://doi.org/10.18488/61.v12i1.3619
Kubegenova,
A., Abuova, Z., Gumarova, A., & Kamalova, G. (2024). Using
the Data Mining Tool to Analyze Student Performance. 39–51.
https://doi.org/10.1007/978-3-031-50609-3_4
Kumar, M., Singh, N., Wadhwa, J., Singh, P., Kumar,
G., & Qtaishat, A. (2024). Utilizing Random Forest and XGBoost Data Mining
Algorithms for Anticipating Students’ Academic Performance. International
Journal of Modern Education and Computer Science, 16(2), 29–44.
https://doi.org/10.5815/ijmecs.2024.02.03
Li, Z. (2024). Image analysis and teaching strategy
optimization of folk dance training based on the deep neural network.
Scientific Reports, 14(1), 1–12. https://doi.org/10.1038/s41598-024-61134-y
Long, P., & Siemens, G. (2011). Penetrating the
Fog: Analytics in Learning and Education. EDUCAUSE Review, 46(5), 30–40.
https://er.educause.edu/-/media/files/article-downloads/erm1151.pdf
Menacho-Chiok,
C. H. (2020). Técnicas de minería de datos aplicadas a la plataforma educativa
Moodle. Revista Tierra Nuestra, 14(1), 137–146.
https://revistas.lamolina.edu.pe/index.php/tnu/article/view/1509/2618
Monsalve-Pulido,
J., Parra, C. A., & Aguilar, J. (2024). Multimodal
model for the Spanish sentiment analysis in a tourism domain. Social Network
Analysis and Mining, 14(1). https://doi.org/10.1007/s13278-024-01202-3
Okoye, K., Nganji, J. T., Escamilla, J., &
Hosseini, S. (2024). Machine learning model (RG-DMML) and ensemble algorithm
for prediction of students’ retention and graduation in education. Computers
and Education: Artificial Intelligence, 6(January), 100205.
https://doi.org/10.1016/j.caeai.2024.100205
Piaget, J. (1972). The principles of genetic
epistemology. In Basic Books. https://www.amazon.com/principles-genetic-epistemology-Jean-Piaget/dp/0710072961
Raji,
N. R., Kumar, R. M. S., & Biji, C. L. (2023). Closing the
gap: exploring the untapped potential of machine learning in deaf students and
hearing students’ academic performance. International Journal of Advanced
Technology and Engineering Exploration, 10(108), 1449–1475.
https://doi.org/10.19101/IJATEE.2023.10101685
Rohani, N., Gal, K., Gallagher, M., & Manataki, A.
(2024). Providing insights into health data science education through
artificial intelligence. BMC Medical Education, 24(1), 1–17.
https://doi.org/10.1186/s12909-024-05555-3
Romero, C., & Ventura, S. (2013). Data mining in
education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge
Discovery, 3(1), 12-27. https://doi.org/10.1002/widm.1075
Roski, M., Ewerth, R., Hoppe, A., & Nehring, A.
(2024). Exploring Data Mining in Chemistry Education: Building a Web-Based
Learning Platform for Learning Analytics. Journal of Chemical Education,
101(3), 930–940. https://doi.org/10.1021/acs.jchemed.3c00794
Salloum, S. A., Alhumaid, K., Alfaisal, A. M.,
Aljanada, R. A., & Alfaisal, R. (2024). Adoption of 3D Holograms in Science
Education: Transforming Learning Environments. IEEE Access, 12(April), 70984–70998.
https://doi.org/10.1109/ACCESS.2024.3402549
Santiago,
C. S., Embang, S. I., Acanto, R. B., Ambojia, K. W. P., Aperocho, M. D. B.,
Balilo, B. B., Cahapin, E. L., Conlu, M. T. N., Lausa, S. M., Laput, E. Y.,
Malabag, B. A., Paderes, J. J., & Romasanta, J. K. N. (2023). Utilization
of Writing Assistance Tools in Research in Selected Higher Learning
Institutions in the Philippines: A Text Mining Analysis. International Journal
of Learning, Teaching and Educational Research, 20(11), 259–284.
https://doi.org/10.26803/ijlter.22.11.14
Sergent, T., Daniel,
M., Bouchet, F., & Carron, T. (2024). How Can Self-Evaluation and
Self-Efficacy Skills of Young Learners be Scaffolded in a Web Application? IEEE
Transactions on Learning Technologies, 17, 1184–1197.
https://doi.org/10.1109/TLT.2024.3360121