Study of the use of technologies in university students using the K-means technique.

  • Wendy Guadalupe Azuara García Universidad Juárez Autónoma de Tabasco
  • Martha Patricia Silva Payró Universidad Juárez Autónoma de Tabasco
  • Guillermo De los Santos Torres Universidad Juárez Autónoma de Tabasco
Keywords: databases, higher education, information technology

Abstract

The objective of this work was to apply data mining techniques to identify behavioral patterns related to the use of technologies in undergraduate students from data previously collected from a public university in southeastern Mexico. This project was developed with a quantitative approach to guide the stages of the study, and the clustering model was analyzed with the K-means algorithm, using the Orange tool. From the results obtained, three clusters made by the algorithm stand out according to the age of the students. With this, it is concluded that there is a general pattern related to pedagogical factors in young people from 20 to 25 years old that interferes in their process of appropriation of technologies.

References

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

Published
2025-05-01