CIENCIA DE DATOS UNA ALTERNATIVA DE ANÁLISIS AL CRECIMIENTO PEDAGÓGICO DEL ESTUDIANTE EN EDUCACIÓN SUPERIOR

Helmer Fellman Mendoza Jurado

Resumen


Este trabajo de investigación pretende presentar conceptos, un nuevo modelo de trabajo y generación de resultados respaldados por un método científico siendo orientadas específicamente en el área educativa y pedagógica de una institución en Educación Superior. Si bien siempre hemos generado y analizado grandes volúmenes de información sobre cada estudiante y su nivel de aprovechamiento en el Proceso de Enseñanza-Aprendizaje, el Internet y otras nuevas tecnologías han creado diversas fuentes de datos, nuevas formas de procesamiento, análisis y presentación de métricas que eran muy difíciles de extraer y comprender, sin la capacidad de automatización y abstracción que por inercia proporciona la Ciencia de Datos, componente actualmente ingresado a las Nuevas Tecnologías de la Información y de la Comunicación, proyectando que este volumen de información se duplicará en 2020 y esto se incrementará progresivamente según se avance en el tiempo, por tanto, la necesidad de dar un nuevo enfoque a las métricas tradicionales aumentará, pero a su vez ayudará en el análisis de nuevos factores socio-emocionales del estudiante, los cuales ayudarán a mantenernos al día con este nuevo desafío en la era del conocimiento.

Palabras clave


Ciencia de Datos; Proceso de Enseñanza-Aprendizaje; Minería de Datos Educativos

Texto completo:

PDF

Referencias


Bailey, P., & Sclater, N. (4 de Junio de 2015). Jisc. Obtenido de Code of practice for learning analytics:https://www.jisc.ac.uk/guides/code-ofpractice-for-learning-analytics

Brackett, M., Rivers, S., Reyes, M., & Salovey, P. (2012). Enhancing academic performance and social and emotional competence with the RULER feeling words curriculum. Learning and Individual Differences, 218-224.

Child Trends. (2014). Measuring Elementary School Students’. Bethesda: Child Trends.

Demmans Epp, C., & Bull, S. (2015). Uncertainty Representation in Visualizations of Learning Analytics for Learners: Current Approaches and Opportunities. IEEE Transactions on Learning Technologies, 242 - 260.

Duckworth, A., & David Scott, D. (2015). Measurement Matters: Assessing Personal Qualities Other Than Cognitive Ability for Educational Purposes. Educ Res, 237-251.

Escuela de Datos. (28 de Junio de 2017). Obtenido de Introducción a Pandas y Jupyter Notebook de Python: https://es.schoolofdata.org/2017/06/28/introduccion-a-pandas-y-jupyternotebook-de-python/

Krzysztof J., C., & Kurgan, L. (2005). Trends in Data Mining and Knowledge Discovery. Advanced Techniques in Knowledge Discovery and Data Mining, 1-26.

Levin, H. (2013). The Utility and Need for Incorporating Noncognitive Skills Into Large-Scale Educational Assessments. The Role of International Large-Scale Assessments: Perspectives from Technology, Economy, and Educational Research, 67-86.

Lindqvist, E., & Vestman, R. (3 de Enero de 2011). American Economic Journal: Applied Economics 3. Obtenido de The Labor Market Returns to Cognitive and Noncognitive Ability: Evidence from the Swedish Enlistment: http://www2.econ.iastate.edu/classes/econ321/orazem/Lindqvist_noncognitive.pdf

Mayer-Schonberger, V., & Cukier, K. (2013). Big Data: A Revolution That Will Transform How We Live, Work and Think. Londres: Hachette UK Company.

Moore, K., Lippman, L., & Ryberg, R. (2 de Junio de 2015). Sage Journals. Obtenido de Improving Outcome Measures Other Than Achievement:http://journals.sagepub.com/doi/pdf/10.1177/2332858415579676

N, H., D, F., M, A., T, P., & R, G. (10 de Noviembre de 2016). Microsoft. Obtenido de Gartner magic quadrant for operational: https://info.microsoft.com/CO-SQL-CNTNT-FY16-09Sep-14-MQOperational-Register.html

Oxford Univertity Press. (2018). Oxford Dictionaries. Obtenido de https://es.oxforddictionaries.com/definicion/estadistica

Raschka, S., & Mirjalili, V. (2017). Python Machine Learning Second Edition. Birmingham: Packt Publishing Ltd.

Rogel-Salazar, J. (2017). Data Science and Analytics with Python. Minnesota: Chapman & Hall/CRC.

Sekhar Behera, H., Nayak, J., Naik, B., & Abraham, A. (2017). Computational Intelligence in Data Mining. Auburn: Springer.

Sellar, S. (2014). Data infrastructure: a review of expanding accountability systems and large-scale assessments in education. Discourse: Studies in the Cultural Politics of Education , 765-777.

W. Miller, T. (2016). Sports Analytics and Data Science. New Jersey: Pearson Education, Inc.

Yao-Ting, S., Chang, K.-E., & Liu, T.-C. (2016). The effects of integrating mobile devices with teaching and learning on students’ learning performance: A meta-analysis and research synthesis. Computers & Education, 252-275.


Enlaces refback

  • No hay ningún enlace refback.