CIENCIA DE DATOS UNA ALTERNATIVA DE ANÁLISIS AL CRECIMIENTO PEDAGÓGICO DEL ESTUDIANTE EN EDUCACIÓN SUPERIOR
Palabras clave:
Ciencia de Datos, Proceso de Enseñanza-Aprendizaje, Minería de Datos EducativosResumen
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.
Citas
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.
