Estudio del uso de tecnologías en estudiantes universitarios utilizando la técnica K-means.
Resumen
El presente trabajo tuvo como objetivo aplicar técnicas de minería de datos para identificar patrones de conducta relacionados al uso de tecnologías en estudiantes de pregrado a partir de datos previamente recolectados de una universidad pública del sureste mexicano. Este proyecto fue desarrollado con un enfoque cuantitativo para guiar las etapas del estudio, y se analizó el modelo de agrupación con el algoritmo K-means, empleando la herramienta Orange. De los resultados obtenidos se destacan tres agrupaciones realizadas por el algoritmo de acuerdo con la edad de los estudiantes. Con esto se concluye que existe un patrón general relacionado con factores pedagógicos en jóvenes de 20 a 25 años que interfiere en su proceso de apropiación de tecnologías.
Citas
Álvarez-Silva, L.A., Gallegos-Luna, R. M. y Herrera-López, P. S. (2018). Estrés académico en estudiantes de Tecnología Superior. UNIVERSITAS, (28), 193-209. http://dx.doi.org/10.17163/uni.n28.2018.10
Arellano-Becerril, E. y González-Zermeño, M. (2021). Análisis de la brecha digital e inclusión digital vs. Educación virtual en tiempos de pandemia COVID-19. En A. Escudero-Nahón y R. Palacios-Díaz. (Coords.), Tecnología y contingencias (pp. 72-80). Editorial Transdigital. https://www.editorial-transdigital.org/libros/tecnologia-y-contingencias/
Ayala, E., López Martínez, R. E. y Menéndez Domínguez, V. H. (2021). Modelos predictivos de riesgo académico en carreras de computación con minería de datos educativos. Revista de Educación a Distancia, 21(66), 1-36.
Bogarín, A., Romero, C. y Cerezo, R. (2016). Aplicando minería de datos para descubrir rutas de aprendizaje frecuentes en Moodle. Revista de Educación Mediática y TIC, 5(1), 73-92. https://doi.org/10.21071/edmetic.v5i1.4017
Calvache-Fernández, L., Álvarez-Vallejo, V. y Triviño-Arbeláez, J. (2018). Proceso KDD como apoyo a las estrategias del proceso SARA (Sistema de Acompañamiento para el Rendimiento Académico). Revista Educación e Ingeniería, 13(6), 82-89. http://dx.doi.org/10.26507/rei.v13n26.916
Castro-Villagrán, A., Cosgaya-Barrera, B. R., Sosa-González, W. E. y Ceballos, L. (2016). Los estudiantes universitarios y el uso de las TIC como herramienta de aprendizaje. Una revisión de estudios realizados en México. IC INVESTIG@CCION, (9), 36-48. http://revistaic.instcamp.edu.mx/volumenes/volumen9#revista09-5
Fayyad, U., Piatetsky-Shapiro, G. & Smyth, P. (1996). The KDD Process for Extracting Useful Knowledge from Volumes of Data. Comunications of the ACM, 39(11), 27-34. https://doi.org/10.1145/240455.240464
Gironés, J., Casa, J., Minguillón, J. y Caihuelas, R. (2017). Minería de datos Modelos y algoritmos. Editorial UOC. http://www.editorialuoc.com
Martínez, M. (2021). La desigualdad Digital en México: un análisis de las razones para el no acceso y el no uso de internet. Revista de Tecnología y Sociedad, (19), 1-19. http://dx.doi.org/10.32870/Pk.a10n19.519
Menacho, C. (2017). Predicción del rendimiento académico aplicando técnicas de minería de datos. Anales Científicos, 78(1), 26-33. https://revistas.lamolina.edu.pe/index.php/acu/article/view/811/pdf_43
Muñoz-Vidal, F. & Beltrán-Véliz, J. (2020). Motivation for learning, a fundamental aspect for the comprehensive training of health sciences students amid the COVID-19 pandemic. RFM, 69(1), 1-2. https://dx.doi.org/10.15446/revfacmed.v69n1.94143
Oviedo, A. I. y Jiménez, J. (2019). Minería de datos educativos: Análisis del desempeño de estudiantes de ingeniería en las pruebas Saber-Pro. Revista Politécnica, 15(29), 128-140. https://doi.org/10.33571/rpolitec.v15n29a10
Paredes-Chacín, A. J., Inciarte, A. y Walles-Peñaloza, D. (2020). Educación superior e investigación en Latinoamérica: Transición al uso de tecnologías digitales por Covid-19. Revista de Ciencias Sociales, 26(3), 98-117. https://produccioncientificaluz.org/index.php/rcs/article/view/33236
Pérez-López, E., Vázquez, A. y Cambero, S. (2021). Educación a distancia en tiempos de COVID-19: Análisis desde la perspectiva de los estudiantes universitarios. RIED. Revista Iberoamericana de Educación a Distancia. 24(1), 331-350. http://revistas.uned.es/index.php/ried/article/view/27855
Rosado, A. y Verjel, A. (2017). Aplicación de la minería de datos en la educación en línea. Revista Colombiana de Tecnologías Avanzadas, 1(29), 92-98. http://www.unipamplona.edu.co/unipamplona/portalIG/home_40/recursos/revistas/21082017/revista_29.jsp
Troche de Trevisan, B. G. (2019). Estuet dio del Rendimiento Académico del Estudiante en Línea como Variable Predictiva del Abandono en Educación Superior: El caso de la Universitat Oberta de Catalunya (tesis doctoral). Universitat Oberta de Catalunya Barcelona España. http://openaccess.uoc.edu/webapps/o2/bitstream/10609/100346/1/Troche_de_Trevisan__Cap_2__2019.pdf
Urbina-Nájera, A., Téllez-Velázquez, A. y Cruz, R. (2021). Patrones que identifican a estudiantes desertores aplicando minería de datos educativa. Revista Electrónica de Investigación Educativa, 23(), 1-15. https://doi.org/10.24320/redie.2021.23.e29.3918
Vallejo, H.; Guevara, E. y Medina, V. (2018). Minería de datos. Revista Científica Mundo de la Investigación y el Conocimiento. 2(), 339-349. http://www.recimundo.com/index.php/es/article/view/182/pdf
Zaki, M. & Meira, W. (2020). Data mining and machine learning: fundamental concepts and algorithms. Cambridge University Press. https://doi.org/10.1017/9781108564175
Zarria, C., Arce, C. y Lam, J. (2016). Estudio de variables que influyen en la deserción de estudiantes universitarios de primer año, mediante minería de datos. Ciencia amazónica, 6(1), 73-84. http://dx.doi.org/10.22386/ca.v6i1.110
