Modelo De Un Sistema De Software Basado En Las Técnicas De Learning Analytics Como Herramienta De Apoyo En La Toma De Decisiones Académico Administrativas En Las Instituciones Públicas De Educación Superior

Texto completo

(1)MODELO DE UN SISTEMA DE SOFTWARE BASADO EN LAS TÉCNICAS DE LEARNING ANALYTICS COMO HERRAMIENTA DE APOYO EN LA TOMA DE DECISIONES ACADÉMICOADMINISTRATIVAS EN LAS INSTITUCIONES PÚBLICAS DE EDUCACIÓN SUPERIOR.. YURI VANESSA NIETO ACEVEDO CÓDIGO: 20132295009. Director: PhD. Carlos Enrique Montenegro Marín. UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS FACULTAD DE INGENIERÍA MAESTRÍA EN CIENCIAS DE LA INFORMACIÓN Y LAS COMUNICACIONES ÉNFASIS EN SISTEMAS DE LA INFORMACIÓN BOGOTÁ 2015. 1.

(2) TABLA DE CONTENIDO Resumen ...................................................................................................................................................................... 5 Introducción............................................................................................................................................................... 6 Capítulo 1: FUNDAMENTACIÓN DE LA INVESTIGACIÓN ............................................................................ 8 1.1 Pregunta de Investigación ............................................................................................................................ 8 1.2. Justificación.................................................................................................................................................. 9. 1.3 Antecedentes ................................................................................................................................................... 11 1.4 Hipótesis........................................................................................................................................................... 13 1.5 Objetivos .......................................................................................................................................................... 14 1.5.1 Objetivo General .................................................................................................................................... 14 1.5.2 Objetivos Específicos ........................................................................................................................... 14 1.6 Alcance y Limitaciones ................................................................................................................................ 15 Capítulo 2: Estado del Arte .................................................................................................................................... 17 2.1 Marco Teórico ................................................................................................................................................. 17 2.1.1 LEARNING ANALYTICS ....................................................................................................................... 17 2.1.2 SISTEMA DE APOYO DE TOMA DE DECISIONES (DSS) ......................................................... 21 2.1.3 ARQUITECTURA CLIENTE SERVIDOR.......................................................................................... 25 2.1.4 MODELAMIENTO DE SISTEMAS DE SOFTWARE..................................................................... 26 2.2 Marco Referencial.......................................................................................................................................... 33 2.3 Marco Metodológico ..................................................................................................................................... 37 2.3.1 Metodología del Proceso .................................................................................................................... 37 2.4 Marco Tecnológico ........................................................................................................................................ 41 2.4.1 Herramienta de Modelado................................................................................................................. 41 2.4.2 Herramientas de Desarrollo ............................................................................................................. 41 2.4.3 Herramienta de Bases de Datos ...................................................................................................... 44 2.4.4 Herramientas de Prueba de Software .......................................................................................... 44 Capítulo 3: Desarrollo de Ingeniería .................................................................................................................. 45 3.1 Fase de Inicio ................................................................................................................................................... 45 3.1.1 DESCRIPCIÓN DEL ESCENARIO ...................................................................................................... 45 3.1.2 MODELADO DE NEGOCIO .................................................................................................................. 51 3.1.3 ESPECIFICACIÓN DE REQUERIMIENTOS.................................................................................... 53 3.1.4 INDICADORES DE LEARNING ANALYTICS REQUERIDOS EN EL PROTOTIPO ............ 56 3.1.5. MODELO DE SISTEMA DE APOYO DE TOMA DE DECISIONES .......................................... 64 3.1.6.. DISEÑO GENERAL DEL PROTOTIPO..................................................................................... 65 2.

(3) 3.1.7 CANDIDATIZACIÓN DE PRUEBAS .................................................................................................. 69 3.2 Fase de Elaboración...................................................................................................................................... 70 3.2.1 ESPECIFICACIÓN DE CASOS DE USO ............................................................................................ 70 3.2.2. DISEÑO DE BASE DE DATOS ........................................................................................................... 79 3.2.3. ESPECIFICACIÓN ARQUITECTURAL INICIAL ........................................................................... 80 3.2.4 ELABORACIÓN DEL PLAN MAESTRO DE PRUEBAS ............................................................... 84 3.3 Fase de Construcción ................................................................................................................................... 85 3.3.1 MODELO DE SISTEMA PROPUESTO .............................................................................................. 85 3.3.2 ACCESO A LA APLICACIÓN UDLEARN.......................................................................................... 90 3.3.3 EJECUCIÓN DE PRUEBAS ................................................................................................................... 90 3.4 Fase de Transición ........................................................................................................................................ 91 3.4.1 REQUERIMIENTOS MÍNIMOS Y CONFIGURACIÓN DEL ENTORNO DE DESPLIEGUE .................................................................................................................................................................................. 91 3.4.2. INFORME EJECUTIVO DE LAS PRUEBAS DE SOFTWARE FASE DE TRANSICIÓN..... 93 Análisis de Resultados ............................................................................................................................................. 94 Conclusiones ................................................................................................................................................................ 99 Trabajo Futuro ......................................................................................................................................................... 101 Referencias Bibliográficas ................................................................................................................................... 102 anexos .......................................................................................................................................................................... 108 ANEXO A. Módulo de Inicio de Sesión ....................................................................................................... 108 A.1 Requerimientos detallados ............................................................................................................... 108 A.2. Casos de Uso detallados y diagramas de Actividades e implementación...................... 108 A.3. Modelo de Clases .................................................................................................................................. 114 A.4. Modelo de Persistencia ...................................................................................................................... 116 A.5. Modelos de Interacción- inter componente .............................................................................. 117 ANEXO B. Módulo de Gestión de Trabajos de Grado ........................................................................... 120 B.1 Requerimientos detallados................................................................................................................ 120 B.2. Casos de Uso detallados y diagramas de Actividades e implementación...................... 121 B.3. Modelo de Clases .................................................................................................................................. 270 B.4 Modelo de Objetos................................................................................................................................. 273 B.5. Modelo de Persistencia ...................................................................................................................... 275 B.6 Modelo de Estados ................................................................................................................................ 278 ANEXO C. Módulo Consultas de Rendimiento Académico ................................................................ 283 C.1 Requerimientos detallados ................................................................................................................ 283 C.2. Casos de Uso detallados y diagramas de Actividades e implementación ...................... 283 C.3. Modelo de Clases ................................................................................................................................... 311. 3.

(4) C.4. Modelo de Persistencia....................................................................................................................... 312 ANEXO D. Módulo Consultas de Prácticas Académicas ...................................................................... 313 D.1 Requerimientos detallados ............................................................................................................... 313 D.2. Casos de Uso detallados y diagramas de Actividades e implementación ..................... 313 D.3. Modelo de Clases .................................................................................................................................. 329 D.4. Modelo de Persistencia ...................................................................................................................... 330 ANEXO E. Plan Maestro de Pruebas ........................................................................................................... 331 E.1 Propósito del documento ................................................................................................................... 331 E.2 Alcance ....................................................................................................................................................... 331 E.3 Supuestos .................................................................................................................................................. 332 E.4 Superficie de Pruebas .......................................................................................................................... 333 E.5 Metodología de pruebas ..................................................................................................................... 333 E.6 Estrategia de Pruebas Funcionales ................................................................................................ 333 E.7 Estrategia pruebas no funcionales ................................................................................................. 334 E.8 Pruebas de transaccionalidad .......................................................................................................... 334 E.9 Criterios de entrada y salida de la fase de pruebas ................................................................. 335 E.10 Casos de Prueba Módulo de Inicio de Sesión........................................................................... 335 E.11 Casos de Prueba Módulo de Anteproyecto ............................................................................... 336 E.12 Casos de Prueba Módulo de Proyecto ........................................................................................ 337 E.13 Casos de Prueba Módulo de Informe Final ............................................................................... 337 E.14 Casos de Prueba Módulo de Consultas de Trabajos de Grado .......................................... 338 E.15 Casos de Prueba Módulo Consultas de Rendimiento Académico ................................... 338 E.15 Casos de Prueba Módulo de Consultas de Prácticas Académicas ................................... 339 ANEXO F. Implementación de Casos de Prueba .................................................................................... 340 F.1 Pruebas Funcionales............................................................................................................................. 340 ANEXO G. Modelo de Proceso de Negocio BPM ..................................................................................... 359 ANEXO H. Diccionario de datos .................................................................................................................... 362 H.1 Notación utilizada para la base de datos ..................................................................................... 362 H.2 Módulo de autenticación .................................................................................................................... 363 H.3 Módulo general ...................................................................................................................................... 367 H.4 Módulo anteproyecto .......................................................................................................................... 374 H.5 Módulo de proyecto ............................................................................................................................. 390 H.6 Módulo de Informe Final .................................................................................................................... 404 H.8 Módulo de Rendimiento Académico ............................................................................................. 424 ANEXO I. Manual de Usuario ......................................................................................................................... 430 I.1 Autenticación en la aplicación ........................................................................................................... 430 4.

(5) I.2 Registro de Anteproyecto .................................................................................................................... 431 I.3 Asignación de revisores ....................................................................................................................... 439 I.4 Evaluación de Anteproyecto .............................................................................................................. 444 I.5 Iniciar Proyecto de grado .................................................................................................................... 451 I.6 Crear versiones del documento ........................................................................................................ 454 I.7 Evaluar Proyecto de grado .................................................................................................................. 456 I.8 Iniciar Informe Final .............................................................................................................................. 463 I.9 Asignación de Jurados ........................................................................................................................... 465 I.10 Evaluar Informe Final ......................................................................................................................... 469 I.11 Programar sustentación .................................................................................................................... 475 I.12 Finalizar Trabajo de grado ............................................................................................................... 477 I.13 Reportes ................................................................................................................................................... 481 ANEXO J. Manual de Instalación................................................................................................................... 488 J.1 INTRODUCCIÓN ....................................................................................................................................... 488 J.2 PRERREQUISITOS DE INSTALACIÓN ............................................................................................. 488 J.3 PROCEDIMIENTO DE INSTALACIÓN. ............................................................................................. 491 J.4 Instalación aplicación UDLEARN...................................................................................................... 496 J.5 CONFIGURACIÓN POST-INSTALACIÓN ......................................................................................... 496 J.6 Configuración variables de Entorno ............................................................................................... 497. Resumen. 5.

(6) En el ámbito de la educación superior pública, las decisiones académico- administrativas son en su mayoría basadas por las políticas que rige el gobierno universitario, enmarcadas a su vez, por un plan de desarrollo anual; sin embargo, son pocas las herramientas con las que los administradores de departamentos o facultades cuentan para apoyar sus decisiones. Generalmente, la información pertinente para esta labor se encuentra almacenada en diferentes repositorios y maneja un gran volumen de datos. En los últimos años Learning Analytics ha recibido gran atención, debido a que encuentra patrones ocultos en datos educacionales(Chatti, Dyckhoff, Schroeder, & Thüs, 2012), que una vez son procesados e integrados en un caso específico de uso, ofrecen asistencia a las partes interesadas para mejorar sus labores en el contexto educacional. La integración de las técnicas ofrecidas por Learning Analytics a un Sistema de Apoyo en la toma de Decisiones, conocido en inglés como Decision Support System (DSS), se proponen como un nuevo Modelo de Software de Aplicación, que a través del despliegue de sus funcionalidades apoye la gestión y toma de decisiones que impacte positivamente la comunidad educativa y propenda al mejoramiento del desempeño académico de los estudiantes.. Introducción Actualmente las instituciones públicas de educación superior enmarcan sus decisiones académico –administrativas según el Manual de Procedimientos vigente y en caso de no contar con uno, según un Plan Operativo Académico y/o Administrativo anual. Sin embargo, teniendo en cuenta la complejidad en las decisiones educacionales, estas herramientas administrativas no son suficientes para apoyar esta labor; es así, como a nivel estratégico, las decisiones que los administrativos toman, no alcanzan el impacto esperado sobre la comunidad educativa. 6.

(7) El propósito de esta investigación, es diseñar el modelo de un sistema de software que sirva como herramienta de apoyo a las directivas de las instituciones de educación superior en el proceso de toma de decisiones, que propendan al mejoramiento de las actividades académicas y al beneficio de sus estudiantes. La elaboración de este modelo de Sistema de Apoyo de Decisiones (DSS: Decision Support System), puede ser utilizado como un modelo para resolver problemas similares en el sector educativo. La aplicación y validación de dicho modelo, se llevará a cabo en los programas de pregrado de la Facultad de Ingeniería de la Universidad Distrital Francisco José de Caldas. Esta propuesta se desarrollará de acuerdo al marco de trabajo y técnicas de Learning Analytics, tomando datos de diferentes repositorios de información existentes en la Universidad para su posterior almacenamiento, análisis y procesamiento. Teniendo en cuenta que la información se encuentra almacenada en diferentes formatos y tecnologías, se utilizará un software como middleware que permita la exposición de dichos datos como un servicio web para su posterior almacenamiento en una base de datos dedicada, que cumpla los principios de Data WareHouse. Una vez realizado el diseño, arquitectura y desarrollo del modelo del sistema de software utilizando técnicas de procesamiento de datos como Minería de datos, Inteligencia de Negocios, Estadística entre otros, se espera con su ejecución brindar una aplicación web que cumpla con las características y principios fundamentales del desarrollo de software así como el diseño de productos interactivos basado en los elementos de Human Computer Interaction para el uso eficaz y seguro de los usuarios. Con este proyecto se espera la creación y validación de una estructura de datos idóneos sobre la cual se soporten las decisiones institucionales al interior de la Facultad de Ingeniería de la Universidad Distrital FJC. Por lo que el impacto de incluir esta herramienta en las decisiones institucionales mejorará las actividades académicas de los estudiantes, el ambiente en el que estos se desenvuelven y colateralmente el desempeño académico de los mismos.. 7.

(8) CAPÍTULO 1: FUNDAMENTACIÓN DE LA INVESTIGACIÓN 1.1 Pregunta de Investigación La toma de decisiones es un proceso cognitivo complejo, en el que se evalúan diversas variables influyentes en el entorno para escoger finalmente entre una alternativa u otra. Estas decisiones impactan tanto a los individuos como al entorno en el área social, política, económica y ambiental en el que se desarrollan. La educación juega un papel importante en el rol de construir una mejor sociedad(Vo & Nguyen, 2012). En el entorno educativo, las decisiones son significativas para estudiantes, docentes y para la organización educativa. Esta responsabilidad es aún mayor en las Instituciones Públicas de Educación Superior, cuyo deber es educar y preparar tecnólogos y profesionales altamente competitivos que contribuyan al progreso de la ciudad y el país. A nivel estratégico las decisiones que los directores de Facultades o Departamentos tienen a cargo, impactan sobre un gran número de estudiantes y profesores y en general sobre la comunidad educativa, afectando a nivel estratégico la gestión de la Universidad. Es decir, que aunque estos cargos exijan un nivel de mando intermedio, las decisiones que en estos departamentos se evalúan, impactan sobre un gran un número de estudiantes y profesores y en general sobre la comunidad educativa. El compromiso y complejidad de estas decisiones, demanda que se valore información proveniente de diferentes fuentes de datos influyente en las mismas; adicionalmente, el proceso debe estar enmarcado en un Sistema de Apoyo de toma de Decisiones que soporte esta labor. Al respecto se han llevado a cabo diversos estudios aplicando Sistemas de Apoyo de toma de Decisiones, o comúnmente conocido por sus siglas en ingles DSS como Decision Support System en el ámbito educativo, ((Murray & Blanc, 1995),(Barlas. & Dicker., 2000),(Telem, 1990),(Werghi & Kamoun, 2010),(Franz, Lee, & Van Horn, 1981),(Kassicieh & Nowak, 1986),(Zorrilla, García, & Álvarez, 2010), (Mansmann & Scholl, 2007)), cuya metodología se centra generalmente en dinámica de sistemas, operación de investigaciones, estadística y otras herramientas de la ingeniería industrial que no contemplan la implementación de una arquitectura de software, ni un modelo computacional como parte de su metodología para resolver los problemas objetivo. A esto, se suman recientes técnicas, como las implementadas en Learning Analytics para procesar, analizar, evaluar y visualizar información educativa con el fin de entender mejor el proceso de aprendizaje en los ambientes educativos virtuales(Iglesias-pradas, 2012), por lo que su integración a un Sistema de Apoyo de Toma de Decisiones en un ámbito de educación presencial facilitará la gestión y apoyo de la toma de decisiones así como la integración de la información en un software de aplicación, desarrollado para este propósito. Para lograr un mayor impacto de estas decisiones y ante los recientes sucesos que han paralizado y finalmente derogado(Distrital, 2014) normatividad de las máximas autoridades universitarias, en las que se evidencia que no se contó con la participación de la comunidad, surgieron preguntas como : ¿Qué Sistema de Apoyo de toma de Decisiones mejora el impacto de las decisiones académico- administrativas de las instituciones públicas de educación superior?, ¿Es posible establecer un modelo de software de aplicación, que facilite la gestión y toma de decisiones, basado en la información proveniente de diferentes repositorios de datos 8.

(9) de la institución?. De estas preguntas, nació la pregunta de investigación del presente proyecto: ¿Qué modelo de sistema de software basado en las técnicas de Learning Analytics suministra un Sistema de Apoyo en la toma de Decisiones académico- administrativas en las Instituciones Públicas de Educación Superior?. 1.2. Justificación. Con el propósito de entender y optimizar el proceso de aprendizaje en la educación superior, en los últimos años se ha utilizado las técnicas de análisis que brinda Learning Analytics (LA) sobre los datos estáticos y dinámicos en los ambientes de aprendizaje virtual(Iglesias-pradas, 2012). La mayoría de los estudios en LA han mostrado un rápido crecimiento desde el año 2010, teniendo como objetivo principal asistir a: Tutores inteligentes en sistemas adaptativos (48%), Investigadores/Diseñadores de currículos (30%), Docentes y estudiantes (17%), e Instituciones Educativas (5%) en su minoría(Chatti et al., 2012). En este campo, ejemplos de interés provienen de Prestigiosas Universidades como Purdue University, Baylor University, University of Alabama, Northen Arizona University, Sinclar Community College, etc., que basadas en los estudios de LA al interior de su comunidad, han cambiado sus procesos de decisiones, planeación de recursos y procesos relacionados con evaluación y retención de estudiantes, obteniendo una notable mejora en el desempeño académico de sus estudiantes (Elias, 2011). Estas investigaciones se han desarrollado generalmente en un contexto de educación virtual, dado que esta disciplina –Learning Analytics- analiza la interacción de los estudiantes con los recursos educativos online; por lo que principalmente es utilizada por Instituciones que ofrecen educación a distancia. Adicionalmente los datos procesados por esta herramienta provienen de los sistemas de educación centralizados y de los ambientes de educación distribuidos en la web, sin tener en cuenta información relevante contenida en otras fuentes; lo que obstaculiza la visualización de un cuadro más amplio que abarque diversos aspectos de la experiencia de aprendizaje de los estudiantes(Elias, 2011). Con el fin de apoyar la toma de decisiones académico – administrativas en un ámbito de educación completamente presencial, se propone un modelo de software que basado en las técnicas de Learning Analytics, facilite el entendimiento y la gestión de los procesos de toma de decisiones institucionales, integre la información proveniente no solo de los Sistemas de Administración de Aprendizaje (LMS) de la Institución, sino de diversos entes administrativos y académicos al interior de la misma. Esto, teniendo en cuenta la inclusión de las aulas virtuales en la presencialidad, como una estrategia de mejoramiento en el desempeño académico, examinando así la interacción de los estudiantes con los sistemas de aprendizaje y los logros que se obtienen a través del uso de los mismos. De igual forma, se justifica el diseño y desarrollo de una aplicación web que logre con su despliegue de funcionalidades brindar herramientas objetivas en la toma de decisiones que propendan al mejoramiento de las actividades académicas y colateralmente mejorar el rendimiento académico de los estudiantes, así como el entorno de aprendizaje en el que estos se desenvuelven. Esta es una propuesta innovadora que expone datos de diferentes repositorios existentes al interior de la Universidad, los cuales se encuentran en diversos formatos y tecnologías, y los almacena en una nueva base de datos que cumple los principios de Data WareHouse para su posterior procesamiento. 9.

(10) Adicionalmente, teniendo en cuenta la revisión realizada principalmente en las Conferencias internacionales de Educational Data Mining (EDM) y de Learning Analytics and Knowledge (LAK), las cuales se han desarrollado desde el año 2011 a saber: EDM11, EDM12, EDM13, LAK11, LAK12 y LAK 13, conferencias internacionales en las cuales se discute concretamente aplicaciones en Learning Analyics, se observa que hasta la fecha no se ha publicado ningún estudio aplicando las técnicas de Learning Analytics en Colombia. Otras conferencias como por ejemplo: RecSys AIED, UM, ITS y UMPA incluyen temas que abarcan Learning Analitycs y temas relacionados, sin embargo estas conferencias especializadas convergen a conferencias más generales como EDM y LAK en las cuales se reúnen investigadores de diferentes disciplinas, por lo que la revisión se restringió a estas dos conferencias. Es por esta razón que se muestra de gran interés examinar la aplicación de Learning Analytics en una de las Universidades del país.. 10.

(11) 1.3 Antecedentes Learning Analytics es un campo de investigación emergente en el cual sofisticadas herramientas de análisis son usadas para mejorar el aprendizaje y la educación. Esta técnica proviene y está ligada a otras áreas de estudio que incluyen: Inteligencia de negocios, análisis web, análisis académico, minería de datos y análisis de acción, entre otros(Elias, 2011). Algunos estudios realizados en el área, como el desarrollado por la Universidad de Miami desde la perspectiva de la Facultad como unidad administrativa (Dietz-uhler & Hurn, 2013), enumeran las herramientas informáticas desarrolladas por las diferentes Universidades que han hecho uso de Learning Analytics, como casos de estudio exitosos, que a través de su implementación han logrado mejorar el éxito académico y la retención de sus estudiantes. Se evidencia especial interés, en como Learning Analytics puede ayudar a la Facultad a mejorar las oportunidades de enseñanza y que actividades esta, debe desarrollar para optimizar los logros de sus estudiantes, sin embargo no se muestra ningún caso de estudio o aplicación del mismo. Igualmente, se describen las múltiples ventajas y beneficios de usar Learning Analytics en la educación superior(Diaz & Brown, 2012), profundizando en un marco de referencia que justifica la aplicación de Learning Analytics como herramienta de apoyo a las decisiones institucionales. Proyectos de aplicación como el ejecutado por la Universidad Carlos III de Madrid, muestran la elaboración e implementación de un software denominado ISCARE(Kloos, Pardo, Muñozmerino, Gutiérrez, & Leony, 2013), el cual utiliza Learning Analytics para la retroalimentación del proceso de aprendizaje, logrando así: Identificar la efectividad de los elementos de aprendizaje, aumentar la participación de los estudiantes, guiar la preparación de las actividades de los docentes, etc. Este estudio muestra gran relación con la investigación a realizar debido a que desarrolla una aplicación informática que captura información de diversas fuentes y aplica técnicas Learning Analytics para el análisis de la misma, sin embargo su desarrollo está dado en un ambiente de educación virtual y con fines de generar sugerencias y retroalimentación tanto a profesores como a estudiantes y no resuelve ni examina el impacto de las técnicas Learning Analytics en la educación presencial. En la Universidad de Aachen se desarrolló eLAT, una herramienta informática diseñada para apoyar y mejorar la efectividad de los procesos ejecutados por los docentes y conseguir un aumento en el desempeño de los estudiantes (Anna Lea Dyckhoff, Zielke, Bültmann, & Chatti, 2012). En este trabajo se muestran los estados de desarrollo del software eLAT tales como: análisis de requerimientos, desarrollo de interface, diseño, implementación y evaluación. El estudio se realizó con base en la información de cuatro cursos que utilizaban las plataformas de aprendizaje de la Universidad, procesando en microsegundos un tamaño extenso de datos con el fin de efectuar un análisis gráfico de mayor precisión en tiempo real de ejecución. El modo en el que se desarrolló el software y las técnicas de Learning Analytics aplicadas al mismo son similares con la propuesta a ejecutar, sin embargo la herramienta está enfocada únicamente a apoyar la labor de los profesores en un ambiente de educación virtual aplicado a tres de los cursos por ellos ofrecidos. Al examinar los estudios realizados en esta área, se evidencia que Learning Analytics se ha aplicado en general para el análisis de la educación virtual enfatizado en apoyar: el monitoreo de tutores inteligentes en la web, así como a estudiantes y profesores en el proceso de 11.

(12) aprendizaje. Sin embargo son pocos los estudios realizados con el fin de implementar estas técnicas como apoyo en la administración de las Instituciones de Educación Superior. Así mismo se observa que debido a que es un campo de investigación emergente, al interior del país no se han publicado estudios de aplicación en el área. Motivados en los objetivos alcanzados con éxito en estudios similares y en los vacíos referentes a la educación presencial que no se abarcaron en los mismos, se originó la pregunta de investigación.. 12.

(13) 1.4 Hipótesis. El modelo de software de un sistema de apoyo de toma de decisiones académico – administrativas, facilitará la gestión de toma de decisiones operacionales en las instituciones públicas de educación superior, redundando finalmente en el mejoramiento del rendimiento académico de los estudiantes.. 13.

(14) 1.5 Objetivos. 1.5.1 Objetivo General Diseñar un modelo del sistema de software de aplicación para el apoyo en la toma de decisiones académico- administrativas, para instituciones públicas de educación superior, basado en las técnicas de Learning Analytics.. 1.5.2 Objetivos Específicos •. Diseñar un modelo de software de aplicación, integrando las técnicas de Learning Analytics a un Sistema de Apoyo de toma de Decisiones (DSS) para gestionar y mejorar el impacto de las decisiones académico-administrativas de los Departamentos o Facultades de instituciones públicas de educación superior.. •. Construir un prototipo de software teniendo presente los procesos y procedimientos ejecutados en la Facultad de Ingeniería de la Universidad Distrital Francisco José de Caldas, que permita la realización de consultas, visualización y generación de reportes que propendan a: Fortalecer las competencias de los estudiantes en relación a los estudios realizados, medir el impacto académico del desarrollo de prácticas académicas y disminuir el tiempo de gestión de asignación y revisión de jurados para proyectos de grado.. •. Desarrollar las pruebas y validación del modelo propuesto.. 14.

(15) 1.6 Alcance y Limitaciones El alcance de este proyecto de investigación es la construcción y validación de un modelo de software de aplicación para el apoyo de toma de decisiones académico- administrativas para las instituciones públicas de educación superior. Este modelo comprenderá las generalidades que a nivel estratégico competen en la toma de decisiones institucionales, sin embargo la aplicación y desarrollo del modelo se llevará a cabo inicialmente en uno de los programas de pregrado de la Facultad de Ingeniería de la Universidad Distrital Francisco José de Caldas, a saber: Ingeniería Electrónica, Ingeniería Eléctrica, Ingeniería de Sistemas, Ingeniería Industrial e Ingeniería Catastral y Geodesia. Lo anterior enmarcado en los procesos y procedimientos que actualmente se desarrollan en cada uno de los proyectos curriculares. Finalmente, este proyecto es susceptible a la integración del software propuesto, por parte de las directivas de la Facultad en el proceso de toma de decisiones para su validación.. 15.

(16) 16.

(17) CAPÍTULO 2: ESTADO DEL ARTE 2.1 Marco Teórico 2.1.1 LEARNING ANALYTICS La definición de Learning Analytics (LA) que provee LAK11 en su sitio web es “Es la medición, colección, análisis y reporte de datos acerca de los aprendices en sus contextos, para propósitos de entendimiento y optimización del aprendizaje en el entorno en que este ocurre”(Tekri, n.d.). Una segunda definición le enuncia como: “La interpretación de un gran número de datos producidos y almacenados en nombre de los estudiantes con el fin de determinar el progreso académico de los estudiantes, predecir su futuro desempeño y evidenciar las problemáticas potenciales”(Jhonson & Cornery, 2011). “El proceso de Learning Analytics es usualmente un ciclo iterativo que comprende: •. Recopilación de Información y Pre procesamiento: Se almacenan datos de diferentes entornos y sistemas de la educación. Este almacenamiento puede recoger una gran cantidad de información que involucra atributos irrelevantes, por lo que la preparación de los datos, permite su transformación en un formato más apropiado que puede ser usado como dato de entrada en un método particular de LA. Muchos de los métodos de minería de datos pueden ser usados en este paso tales como: Limpieza de datos, integración de dataos, transformación de datos, reducción de datos, modelo de datos y sesión e identificación (Han & Kamber, 2006)(Romero & Ventura, 2007).. •. Análisis y Acción: Basados en los datos pre procesados, se utilizan diferentes técnicas de LA para la exploración de datos, con el fin de descubrir patrones ocultos que puedan ayudar a proveer experiencias de aprendizaje más efectivas. El paso de análisis no solamente incluye el análisis y la visualización de la información, también las acciones que se toman sobre esa información como monitoreo, predicción, etc.. •. Post- procesamiento: El continuo mejoramiento del ejercicio de análisis es fundamental. Este puede involucrar: compilar datos adicionales de nuevas fuentes, refinar los datos, determinar nuevo atributos requeridos para una nueva iteración, identificar nuevos indicadores o métricas, modificar las variables de análisis o escoger nuevos métodos de análisis.. A continuación, se expone el modelo que Chatti(Chatti et al., 2012) en su tesis doctoral de la Universidad de Achen, propone para facilitar en entendimiento del marco de trabajo o referencia basado en Learning Analytics, para lo cual se representan cuatro dimensiones: ¿Qué?, ¿Quién?, ¿Por qué? y ¿Cómo?; como se muestra en la Figura 1.. 17.

(18) Figura 1. Modelo de Referencia de Learning Analytics(Chatti et al., 2012).. a) Entorno de datos (¿Qué?): LA está enfocado en los datos. Las fuentes de las cuales provienen estos datos, hacen parte de dos grades categorías: Sistemas centralizados de educación y Ambientes de educación distribuidos. b) Actores interesados (¿Quién?): La aplicación de LA está orientada a diferentes actores interesados los cuales incluyen: estudiantes, profesores, tutores inteligentes, instituciones de educación, investigadores, diseñadores de currículos entre otros. c) Objetivos (¿Porque?): Existen muchos objetivos de aplicación de La de acuerdo al punto de vista del actor interesado, en general estos incluyen: monitoreo, análisis, predicción, intervención, evaluación, adaptación, personalización, recomendación y reflexión. d) Métodos (¿Cómo?): Dentro de la literatura en LA expuesta en los últimos años, se observa que se ha prestado mayor atención a cuatro técnicas específicas como lo son: Estadística, Visualización de la Información, Minería de datos y Análisis de redes sociales.”(Chatti et al., 2012). 18.

(19) 2.1.1.1 Métodos de Learning Analytics Dentro de los métodos más utilizados en los trabajos aplicados de Learning Analytics, los cuales se exponen en el modelo de referencia de LA (Chatti et al., 2012), se encuentran: a) b) c) d). Estadística. Visualización de la Información. Minería de Datos. Análisis de redes sociales.. A) ESTADÍSTICA: “La mayoría de las plataformas de administración de aprendizaje (LMS) existentes, implementan herramientas para proveer reportes estadísticos básicos de la interacción de los estudiantes con los sistemas. El uso de la estadística incluye ejemplos como: tiempo de conexión de los estudiantes en el LMS, número total de visitas, distribución de visitas en el tiempo, frecuencia de los mensajes y respuestas hechas por estudiantes, porcentaje del material consultado. Generalmente, estas herramientas estadísticas generan operaciones estadísticas simples, como promedio, mediana y desviación estándar”(Chatti et al., 2012).. B) VISUALIZACIÓN DE LA INFORMACIÓN: “La estadística en la forma de reportes y tablas no es siempre el método más fácil para interpretar el uso de las plataformas de aprendizaje. Representar los resultados de forma amigable a los usuarios facilita la interpretación y el análisis de los datos. Mazza subraya que gracias a la percepción visual, una representación visual es más efectiva que el texto plano o los datos, por lo que es importante definir que representación es efectiva al alcanzar el objetivo de análisis deseado(Mazza, 2004). “Existen cuatro técnicas que pueden ser usadas para la representación de información en un formato claro y entendible: diagramas, gráficos de dispersión , representaciones en 3D y mapas”(Romero & Ventura, 2007). Es por esto, que hoy en día, se ha incrementado el uso de tableros gráficos que muestran el desempeño de los indicadores”(Chatti et al., 2012).. C) MINERÍA DE DATOS “La minería de datos es también llamada como Knowledge Discovery in Databases (KDD) o el descubrimiento de conocimiento en las bases de datos. Es definida como: el proceso de descubrir patrones útiles de conocimiento provenientes de fuentes de datos como bases de datos, textos, imágenes, la web, etc. Existen muchas tareas en la minería de datos, las más comunes son: Aprendizaje supervisado (o clasificación y predicción), Aprendizaje no supervisado (o agrupamiento) y reglas de asociación. La clasificación consiste en encontrar una función o modelo que describa y distinga las clases de datos o conceptos; esto con el propósito de habilitar la función de predecir las clases de objetos cuyas etiquetas de clases aún no son conocidas. Los métodos más populares de clasificación incluyen: arboles de decisiones, redes neuronales, teorema de clasificación de Bayes, vectores de soporte de máquinas (SVM) y clasificación del vecino más cercano (KNN). La clasificación predice la categoría de las etiquetas, y los modelos de predicción, los valores continuos de las funciones. 19.

(20) El agrupamiento contrasta con la clasificación, en que las etiquetas de las clases de cada objeto de formación ya son conocidas. El agrupamiento es el proceso de organizar los objetos en grupos o clusters, haciendo que los objetos sean agrupados de manera similar entre ellos o distinta a objetos pertenecientes a otras agrupaciones. Es comúnmente definida en términos de que tan cerca están los objetos en el espacio, basado en la función de distancia. En general los métodos para el agrupamiento se clasifican en las siguientes categorías: métodos de división o particiones, métodos de jerarquía y métodos basados en densidad. Las reglas de asociación en minería, llevan a descubrir asociaciones interesantes y correlaciones entre datos. Los métodos más populares para la asociación son los algoritmos a priori y los arboles de patrones de frecuencia (FP-tree).”(Liu, 2006). D) ANÁLISIS DE REDES SOCIALES: Aun cuando estas es una de las técnicas utilizadas en Learning Analytics, está, solo se deja en mención teniendo en cuenta que el problema a resolver trata de educación presencial, por lo cual no se hará uso de esta técnica para el caso concreto, sin embargo es importante conocer y mencionar la misma. “Las redes sociales, se han convertido en un apoyo importante para el aprendizaje en red. Las herramientas que permiten administrar, visualizar, y analizar estas redes han incrementado recientemente su uso. Los métodos del análisis de redes sociales, Social Network Analysis (SNA), son aplicados a los procesos de Learning Analytics. SNA es el estudio cuantitativo de las relaciones entre los individuos de una organización. En SNA una red social es modelada por un grafo con un número de nodos que representan los actores y un número de arcos o conectores que representan un cierto tipo de conexión entre los actores. Las medidas más usadas en SNA son: grados, proximidad, y centralización” (Wasserman. & Faust., 1994).. 20.

(21) 2.1.2 SISTEMA DE APOYO DE TOMA DE DECISIONES (DSS) “A través de los años, se ha mostrado un gran número de paradigmas que describen el proceso en el que los humanos toman las decisiones ; uno de los más utilizados y validados es el de Simon Herbert (Herbert A, 2001) el cual consiste en tres etapas: inteligencia, diseño y elección, más adelante se implementa otra fase a este paradigma, como se muestra en la Figura 2. El Proceso de toma de decisiones. INTELIGENCIA • Observar la realidad. • Captar el problema/ oportunidad de entendimiento. • Adquirir la información necesaria.. DISEÑO • Elaborar los criterios de decisión. • Idear decisiones alternas. • Identificar los eventos relevantes no controlables. • Especificar la relación entre los criterios, las alternativas y los eventos. • Medir las relaciones.. ELECCIÓN • Evaluar lógicamente las alternativas de las decisiones. • Evaluar las alternativas de las decisiones lógicamente. • Desarrollar recomendaciones de acción que mejor concuerden con las decisiones.. IMPLEMENTACIÓN • Ponderar el análisis de las decisiones y las evaluaciones. • Pesar las consecuencias de las recomendaciones. • Tener confianza en la decisión. • Elaborar e implementar un plan. • Asegurar los recursos necesarios. • Poner el plan de implementación en acción. Figura 2. El Proceso de toma de decisiones (Lim, 2010).. 21.

(22) En la etapa de Inteligencia, la persona que toma las decisiones observa la realidad y establece un entendimiento del dominio del problema, asociándolo a unas oportunidades. La información necesaria relativa a todos los aspectos del problema, se encuentra bajo continuo control y almacenamiento. En la etapa de diseño, el criterio de decisión y las alternativas son desarrollados a través del uso de un modelo específico, identificando los eventos relevantes que nos son controlables. Las relaciones entre las decisiones, las alternativas y los eventos tienen que ser claramente especificadas y medibles. Esto facilita que las alternativas de decisión puedan ser evaluadas lógicamente en la siguiente etapa: la etapa de elección. En la etapa de implementación, la persona que toma las decisiones necesita re considerar la decisión, analizarla y evaluarla, así como también pesar las consecuencias de las recomendaciones; un plan de implementación debe ser desarrollado con el aseguramiento de los recursos necesarios, de esta manera la implementación esta lista para poner en marcha el plan de acción. De acuerdo con los tipos de decisiones se pueden resaltar dos categorías: decisiones operacionales y decisiones estratégicas. Las decisiones operacionales son concernientes a la administración de las operaciones, y se enfocan en resultados a corto plazo. Por otro lado las decisiones estratégicas envuelven predicciones pertinentes y su impacto es visible a largo plazo”(Lim, 2010). “El concepto de Decision Support System (DSS) o sistema de apoyo de decisiones fue introducido en los años setenta por Scott Morton bajo el término de “management decisión system” o administración de toma de decisiones. El proceso de toma de decisiones, es un proceso de reconocer la situación de la decisión, generar y analizar los cursos de acción que conllevan esas alternativas, escoger una alternativa, e implementar la decisión basada en los objetivos de la organización. Las características generales para el desarrollo de un DSS son: a. Apoyar, antes que reemplazar, el juicio de los gestores administrativos. b. Apoyar el análisis no estructurado de las decisiones y resolver los problemas a través de varias etapas de procesos de decisiones. c. Proveer flexibilidad y facilidad en su uso.”(Jitender & Deogun, 1988) “De acuerdo a la taxonomía de los Sistemas de Apoyo de Decisiones (DSS), se pueden diferenciar cinco categorías: a. Sistema de Apoyo de Decisiones dirigido por la comunicación (communicationdriven): El grupo objetivo de estas decisiones son los equipos internos de una organización, para establecer una forma eficiente de colaboración. b. Sistema de Apoyo de Decisiones dirigido por los datos (data- driven): Estos sistemas son útiles para realizar consultas a bases de datos y buscar respuestas específicas para propósitos específicos. Estas pueden ser desarrolladas utilizando un sistema principal de trabajo, un link cliente servidor, una aplicación web, etc. c. Sistema de Apoyo de Decisiones dirigido por los documentos (document - driven): Estos sistemas so utilizados para buscar en las páginas web y encontrar documentos 22.

(23) a través de palabras claves o términos de búsqueda. Estos pueden ser implementados vía web o a través de un sistema cliente- servidor. d. Sistema de Apoyo de Decisiones dirigido por el conocimiento (knowledge- driven): Estos sistemas cubren un gran rango de paradigmas en inteligencia artificial para apoyar la toma de decisiones a través de diferentes dominios. En este sistema se escogen varias técnicas de minería de datos como: algoritmos evolucionarios, lógica difusa, redes neuronales, etc. Estos pueden ser desarrollados como un sistema cliente- servidor, una aplicación web o un software en un servidor. e. Sistema de Apoyo de Decisiones dirigido por un modelo (model - driven): Estos son sistemas complejos que se desarrollan basados en un modelo, que ayuda a analizar las decisiones y a escoger entre diferentes alternativas. Estos pueden ser desarrollados a través de software/hardware, sistemas cliente- servidor o una aplicación en la web”(Lim, 2010). “En el desarrollo de los recursos humanos, la educación juega un papel importante en la construcción de cada país a través de los tiempos. Las decisiones educacionales que toman los administradores, son importantes y tienen un gran impacto, no solo en cada uno de los estudiantes y profesores sino también en la sociedad. Si una decisión educacional fuera inapropiada, el esfuerzo, tiempo y dinero de muchos estudiantes y educadores se desperdiciaría y se producirían pésimos resultados que se verían reflejados en la productividad del país. Razón por la cual es importante estudiar la incidencia los Sistemas de Apoyo de Decisiones (DSS) en el dominio educacional. La toma de decisiones institucionales, es un campo de la planeación académica que envuelve extensos análisis de un gran número de datos, provenientes de múltiples sistemas. Los sistemas de apoyo en la toma de decisiones se han propuesto para resolver problemas como: asignación de recursos, evaluación del desempeño, administración de cargas laborales, programación de cursos, políticas de admisión, tutorías, evolución de los perfiles de los estudiantes y planeación estratégica”(Mansmann & Scholl, 2007). Como se expresó anteriormente Learning Analytics es un campo de investigación emergente, por lo que hasta el momento son pocas las herramientas o aplicaciones que se han desarrollado, documentado y mostrado a la comunidad investigativa sobre el tema. En cuanto a los Sistemas de Apoyo de Toma de decisiones son innumerables las aplicaciones que se han desarrollado desde los años 1970 con su aparición. Por lo que se podría deslumbrar la evolución de los DSS en el ámbito de la educación como se muestra en la Figura 3. Adicionalmente, se puede observar que esta evolución, se encuentra ligada a los avances computacionales de los últimos treinta años; en los que la velocidad de procesamiento y algoritmos diseñados para la ejecución de los mismos, ha mostrado un gran avance que ha repercutido finalmente en el mejoramiento de las técnicas de análisis de datos masivos, así como su visualización y el diseño de aplicaciones amigables con el usuario. Este mismo avance se muestra más adelante mostrando desde los Sistemas de apoyo de toma de Decisiones hasta las técnicas de Learning Analytics.. 23.

(24) LA EDM DM BI EDSS DSS Figura 3. Evolución de los DSS en el área de Educación. Fuente Propia.. 1. DSS: En los años setenta se introdujo el concepto de Sistemas de Administración de Decisiones que más adelante aparecería como Sistema de Apoyo de Toma de Decisiones que permitiría a través de la observación el diseño y la implementación de una elección sistematizar el proceso de toma de decisiones en diferentes campos de acción. 2. EDSS: Los Sistemas de Apoyo de Toma de Decisiones Educacionales hacen referencia a los DSS que se encuentran en el dominio de aplicaciones para la educación y apoyan decisiones acerca de las actividades que se llevan a cabo en el proceso de aprendizaje; concentrando su funcionalidad mayormente en la una base de datos de conocimiento o Knowledge - Driven Database. 3. BI: Business Intelligence o Inteligencia de negocios, busca a través del análisis de datos, la creación de conocimiento. Aparece a finales de los años ochenta con la representación de los cubos de datos OLAP. Respecto a la educación ha buscado crear conocimiento a través de la representación de la información que proviene de las interacciones realizadas por los estudiantes en la web. 4. DM: Con el desarrollo de agiles procesadores, emerge la minería de datos como un campo de las ciencias de la computación que a través de la estadística y exploración de grandes bases de datos, facilita la visualización y análisis sobre la información. Para ello utiliza redes neuronales, modelos estadísticos, arboles de decisiones, etc. Su conceptualización trata de los años noventa paralela y similarmente a las técnicas utilizadas en Big Data. 5. EDM: Educational Data Minning, se refiere a la minería de datos enfocada especialmente en datos obtenidos acerca de la enseñanza y el aprendizaje. Sin embargo para principios del año dos mil ya era notorio que la información no era representada de una manera clara ni atendible, por lo que la intervención sobre la información obtenida era limitada. 6. LA: Incluyendo los principios de Interacción de los Humanos con los Computadores (HCI) y Visualización de la Información (IV) aparece en el año 2010 el concepto de Learning Analytics como un conjunto de herramientas para el desarrollo de aplicaciones computacionales capaces de encontrar patrones ocultos en la información educacional, con el fin de mejorar el desempeño académico de los estudiantes y el ámbito en que estos se desarrollan.. 24.

(25) 2.1.3 ARQUITECTURA CLIENTE SERVIDOR Esta arquitectura se divide en dos partes claramente diferenciadas, la primera es la parte del servidor y la segunda la de un conjunto de clientes. Los clientes realizan peticiones de servicios las cuales serán atendidas por el servidor a través de diversas respuestas de retorno. Aunque esta idea se puede aplicar a programas que se ejecutan sobre una sola computadora es más ventajosa en un sistema operativo multiusuario distribuido a través de una red de computadoras. En esta arquitectura la capacidad de proceso está repartida entre los clientes y los servidores, aunque son más importantes las ventajas de tipo organizativo debidas a la centralización de la gestión de la información y la separación de responsabilidades, lo que facilita y clarifica el diseño del sistema(Weitzenfeld, 2012). La separación entre cliente y servidor es una separación de tipo lógico, donde el servidor no se ejecuta necesariamente sobre una sola máquina ni es necesariamente un sólo programa. Los tipos específicos de servidores incluyen los servidores web, los servidores de archivo, los servidores del correo, etc. Mientras que sus propósitos varían de unos servicios a otros, la arquitectura básica seguirá siendo la misma. Una disposición muy común son los sistemas multicapa en los que el servidor se descompone en diferentes programas que pueden ser ejecutados por diferentes computadoras aumentando así el grado de distribución del sistema(Weitzenfeld, 2012). La arquitectura cliente-servidor sustituye a la arquitectura monolítica en la que no hay distribución, tanto a nivel físico como a nivel lógico. La red Cliente/Servidor es aquella red de comunicaciones en la que todos los clientes están conectados a un servidor, en el que se centralizan los diversos recursos y aplicaciones con que se cuenta y que los pone a disposición de los clientes cada vez que estos son solicitados. Esto significa que todas las gestiones que se realizan se concentran en el servidor, de manera que en él se disponen los requerimientos provenientes de los clientes que tienen prioridad, los archivos que son de uso público y los que son de uso restringido, los archivos que son de sólo lectura y los que, por el contrario, pueden ser modificados, etc. Este tipo de red puede utilizarse conjuntamente en caso de estar utilizando en una red mixta(Weitzenfeld, 2012). 2.1.3.1 Cliente El objetivo básico del cliente en la arquitectura cliente - servidor es facilitar la presentación y control de la información administrada por la aplicación alojada en la contraparte (servidor). Por tal motivo, la mayoría de las tecnologías que se procesan en el cliente están dirigidas a facilitar la visualización y control de la información, como en el caso de HTML, Flash, JavaScript, VBScript y JScript. 2.1.3.2 Servidor El servidor es el responsable de prestar los servicios requeridos por los clientes. Es común que la mayor parte de la aplicación en una arquitectura cliente-servidor se encuentre del lado del servidor. Esto se hace por razones de costo, eficiencia y facilidad para dar servicio a múltiples clientes de manera concurrente. Para la programación en la parte servidor es. 25.

(26) común los lenguajes tales como ASP (Active Server Pages), PHP (Php Hypertext Preprocessor) Servlets y JSP (Java Server Pages).. Figura 4. Arquitectura Cliente Servidor(Haro, 2012).. 2.1.4 MODELAMIENTO DE SISTEMAS DE SOFTWARE “El modelamiento de sistemas es el proceso del desarrollo abstracto de los modelos de un sistema, con cada modelo se representa una diferente perspectiva o punto de vista del sistema. El modelamiento del sistema generalmente significa la representación del sistema usando una notación gráfica, lo que actualmente se basa en la notación UML (Unified Modeling Language). Los modelos son utilizados durante el proceso de ingeniería de requerimientos para ayudar a obtener los requerimientos de un sistema, durante el proceso de diseño para describir el sistema a los ingenieros que desarrollan el sistema y una vez se ha realizado la implementación para documentar la estructura del sistema y su operación. El aspecto más importante del modelamiento del sistema es que omite los detalles. Un modelo es una abstracción del sistema que está siendo estudiado más que una alternativa para representar ese sistema. Idealmente, una representación del sistema debe mantener toda la información acerca de la entidad que está siendo representada. Es importante desarrollar diferentes modelos para representar el sistema desde diferentes perspectivas: a. Una perspectiva externa, donde se modelo el contexto o entorno del sistema. b. Una perspectiva de interacción, donde se modele la interacción entre los sistemas y su entorno o dentro de los componentes del sistema. c. Una perspectiva estructural donde se modele la organización de un sistema o de la estructura de los datos que son procesados por el sistema. d. Una perspectiva de comportamiento donde se modele el comportamiento dinámico del sistema y como este responde a los eventos.. 26.

(27) Los diagramas de UML, los cuales se han convertido en un lenguaje de modelamiento estándar para el modelamiento orientado a objetos, a través de cinco representativos tipos de diagramas, se pueden representar los fundamentos de un sistema: a. Diagramas de Actividades, muestran las actividades involucradas en un proceso o en el procesamiento de datos. b. Diagramas de casos de uso, muestran las interacciones entre los sistemas y su entorno. c. Diagramas de secuencia, muestran las interacciones entre los actores, el sistema y los componentes del sistema. d. Diagramas de clase, muestran las clases objeto del sistema y la asociación entre clases. e. Diagramas de estado, muestran cómo reacciona el sistema a eventos internos o externos a él.”(Sommerville, 2011) 2.1.4.1 Notación de Modelado de procesos de Negocio (BPMN) Es una notación grafica estandarizada para modelar proceso de negocio que surgió a partir de la iniciativa de modelado de procesos de negocio BPMI. BPMN define la creación de modelos de proceso de negocio a partir de la identificación y disposición de actividades en el orden que son realizadas por la organización. Adicionalmente con BPMN se identifican los participantes que ejecutan las actividades, las interacciones entre dichos participantes y los documentos que son intercambiados durante el flujo de trabajo(White & Miers, 2008). Esta notación ha sido especialmente diseñada para coordinar la secuencia de los procesos y los mensajes que influyen entre los participantes de las diferentes actividades. Dentro de las bondades de utilizar este lenguaje de modelado se encuentran: • • • • •. BPMNes un estándar internacional de modelado de proceso aceptado por la comunidad. PBMN es independiente de cualquier metodología de modelado de proceso. BPMN crea un puente estandarizado para disminuir la brecha entre los procesos de negocio y la implementación de estos. BPMN permite modelar los procesos de una manera unificada y estandarizada permitiendo un entendimiento a todas las personas de una organización. BPMN ha tenido gran aceptación en el desarrollo de arquitecturas SOA, debido a que ofrece apoyo en la identificación de servicio y documentos consistentes con el modelo de negocio y la composición de servicios.. 27.

(28) Figura 5. Subconjunto de la notación BPMN. Adaptado de (“Business Process Model and Notation (BPMN),” 2011).. En la Figura 5 se expone un subconjunto con los elementos básicos de la especificación de BPMN, con el fin de brindar una notación sencilla que pueda ser comprendida por cualquier persona, sin necesidad de tener conocimientos en la gestión de proceso de negocio o en el modelo de software. 2.1.4.2 Sistemas de Gestión de Bases de Datos Los Sistemas de Gestión de Bases de Datos (SGBD o en inglés: database management system) so un tipo de software específico, dedicado a servir de interfaz entre la base de datos, el usuario y las aplicaciones que utilizan. El objetivo principal de los sistemas de gestión de bases de datos es manejar de manera clara, sencilla y ordenada un conjunto de datos que posteriormente se convertirán en información relevante la organización(Hellerstein, 2007). Las principales funciones que debe desempeñar un SGBD son: •. •. •. •. Abstracción de la Información: Los SGBD ahorran a los usuarios detalles acerca del almacenamiento físico de los datos. Da lo mismo si una base de datos ocupa uno cientos de archivos, este hecho se hace transparente al usuario. Así, que se definen varios niveles de abstracción. Independencia: La independencia de los datos consiste en la capacidad de modificar el esquema (físico o lógico) de una base de datos sin tener que realizar cambios en las aplicaciones que sirven de ella. Consistencia: En aquellos casos en los que no se ha logrado eliminar la redundancia, será necesario vigilar que aquella información que aparece repetida se actualice en forma coherente, es decir, que todos los datos repetidos se actualicen de forma simultánea. Por otra parte, la base de datos representa una realidad determinada, que tiene determinadas condiciones, por ejemplo que los menores de edad no pueden tener licencia de conducir. El sistema no debería aceptar datos de un conductor menor de edad. En los SGBD existen herramientas que facilitan la programación de este tipo de condiciones. Seguridad: La información almacenada en una base de datos puede llegar a tener un gran valor. Los SGBD deben garantizar que esta información se encuentra segura 28.

(29) •. •. de permiso a usuarios y grupos de usuarios que permiten otorga diversas categorías de permisos. Manejo de transacciones: Una transacción en un programa que se ejecuta como una sola operación. Esto quiere decir que luego de una ejecución en la que se produce una falla es el mimo que se obtendría si el programa no se hubiera ejecutado. Los SGBD proveen mecanismos para programar las modificaciones de los datos de una forma mucho más simple que si no se dispusiera de ellos. Tiempo de respuesta: Lógicamente, es deseable minimizar el tiempo que el SGBD tarda en darnos la información solicitada y en almacenar los cambios realizados(Vargas, 2013).. 2.1.4.3 Características Representativas del Software “Las características del software se puede dividir en dos tipos: Externas e Internas. Las Características Externas son visibles al usuario del sistema; las Características Internas conciernen a los desarrolladores del sistema. Basado en esto, los términos: Exactitud, Fiabilidad y Robustez, son relacionados colectivamente como una característica del software lo que implica que la aplicación responda tal y como es esperado de su funcionamiento. EXACTITUD: Un programa es escrito para proveer funciones especificadas en los Requerimientos Funcionales. Usualmente, existen otros requerimientos como: desempeño y escalabilidad, que no pertenecen a las funciones del sistema. A esta clase de requerimientos se le conocen como: Requerimientos no funcionales. Un programa es funcionalmente exacto, si su comportamiento está de acuerdo con las especificaciones funcionales establecidas, lo que establece la equivalencia entre el software y su especificación. FIABILIDAD: Definida, en términos de un comportamiento estático, es la probabilidad de que el software va a operar como ha sido esperado, a través de un intervalo de tiempo especificado. La fiabilidad incluye otros subcomponentes, que se asumen importantes dependiendo del dominio de la aplicación. Tres características que contribuyen a la fiabilidad son: Tolerancia a fallos, Disponibilidad y Seguridad. • • •. Tolerancia a fallos: Se refiere a la habilidad del software de detectar fallas en el ambiente de hardware, asumir dichas fallas y continuar operando. Disponibilidad: Se refiere a la propiedad del sistema, que sus servicios están disponibles para el usuario el 100% del tiempo. Seguridad: La seguridad se denota como la ausencia de comportamientos indeseados que puedan causar riesgos al sistema.. ROBUSTEZ: Un programa es robusto, si se comporta razonablemente, incluso en circunstancias que no fueran anticipadas en la especificación de los requerimientos.”(Tucker, 2004)Ghezzi. Enmarcados en estas tres grandes características del software definidas por los principios de la de la Ingeniería de Software, se tendrán en cuenta a su vez los atributos técnicos definidos por Colciencias en lo que se contempla: “. 29.