1
UNIVERSIDAD REGIONAL AUTÓNOMA DE LOS ANDES
“UNIANDES”
FACULTAD DE SISTEMAS MERCANTILES
PROGRAMA DE MAESTRÍA EN SISTEMAS DE INFORMACIÓN GERENCIAL
ARTÍCULO CIENTÍFICO PREVIO A LA OBTENCIÓN DEL GRADO ACADÉMICO DE MAGISTER EN SISTEMAS DE INFORMACIÓN
GERENCIAL
TEMA:
SOFTWARE DE ANALÍTICA EDUCATIVA PARA LA TOMA DE DECISIONES EN LA UNIDAD DE ADMISIÓN Y NIVELACIÓN DE LA ESPOCH.
AUTOR: ING. BONILLA VIMOS WASHINGTON RAMIRO
TUTORES: DR. ROMERO FERNÁNDEZ ARIEL JOSÉ, PHD
ING. FERNÁNDEZ VILLACRES GUSTAVO EDUARDO, PHD
AMBATO-ECUADOR
2019
2
APROBACIÓN DE LOS TUTORES DEL TRABAJO DE TITULACIÓN
CERTIFICACIÓN
Quienes suscriben, legalmente CERTIFICAMOS QUE: El presente trabajo de Titulación realizado por el Ing. Bonilla Vimos Washington Ramiro estudiante del programa de Maestría en Sistemas de Información Gerencial, Facultad de Sistemas Mercantiles, con el tema SOFTWARE DE ANALÍTICA EDUCATIVA PARA LA TOMA DE DECISIONES EN LA UNIDAD DE ADMISIÓN Y NIVELACIÓN DE LA ESPOCH, ha sido prolijamente revisado, y cumple con todos los requisitos establecidos en la normativa pertinente de la Universidad Regional Autónoma de los Andes- UNIANDES- por lo que aprobamos su presentación.
Ambato, junio de 2019
_______________________________ _____________________________ Dr. Romero Fernández Ariel, Ph.D Ing. Fernández Villacrés Eduardo, Ph.D
TUTOR TUTOR
3
DECLARACIÓN DE AUTENTICIDAD
Yo, Ing. Bonilla Vimos Washington Ramiro, del programa de Maestría en Sistemas de Información Gerencial, Facultad de Sistemas Mercantiles declaro que todos los resultados obtenidos en el presente trabajo de investigación, previo a la obtención del Grado Académico de Magister en Sistemas de Información Gerencial, son absolutamente originales, auténticos y personales; a excepción de las citas, por lo que son de exclusiva responsabilidad.
Ambato, junio del 2019
_______________________________ Ing. Bonilla Vimos Washington Ramiro
Ci: 0603009622 AUTOR
4
DERECHOS DEL AUTOR
Yo, Ing. Bonilla Vimos Washington Ramiro, declaro que conozco y acepto la disposición constante en el literal d) del Art. 85 del Estatuto de la Universidad Regional Autónoma de los Andes, que en su parte pertinente textualmente dice: El Patrimonio de la UNIANDES está constituido por: La propiedad intelectual sobre las Investigaciones, trabajos científicos o técnicos, proyectos profesionales y consultoría que se realicen en la Universidad o por cuenta de ella;
Ambato, junio de 2019
_______________________________ Ing. Bonilla Vimos Washington Ramiro
Ci: 0603009622 AUTOR
5
DEDICATORIA
Dedico la presente Investigación a Dios, a mis Padres, a mi querida esposa y a mis hijos. A mis padres por estar siempre pendientes y apoyándome en mi avance académico, A mi esposa e hijos por todo el apoyo y confianza depositado en mí. Es por ellos que culmino esta meta propuesta.
Ing. Bonilla V. Washington Ramiro
6
AGRADECIMIENTO
Mi agradecimiento a la Escuela Superior Politécnica de Chimborazo ESPOCH, Institución en el cual trabajo, que me brindó la oportunidad de aplicar mis conocimientos adquiridos de cuarto nivel en beneficio del aprendizaje de los estudiantes.
Al Ing. Germán Torres Director de la Unidad de Admisión y Nivelación UAN, Por su apoyo para culminación de este artículo científico.
Ing. Bonilla V. Washington Ramiro
7
ÍNDICE GENERAL
APROBACIÓN DE LOS TUTORES DEL TRABAJO DE TITULACIÓN
DECLARACIÓN DE AUTENTICIDAD
DERECHOS DEL AUTOR
DEDICATORIA
AGRADECIMIENTO
RESUMEN
ABSTRACT
TEMA 1
LÍNEA DE INVESTIGACIÓN 1
INTRODUCCIÓN 1
MATERIALES Y MÉTODOS 4
TIPO DE INVESTIGACIÓN 4
POBLACIÓN 5
RESULTADOS 8
PROPUESTA 16
DISCUSIÓN 23
CONCLUSIONES 25
REFERENCIAS BIBLIOGRÁFICAS
8
RESUMEN
El presente artículo propone la implementación de un Software de Analítica Educativa para procesar, visualizar gran cantidad de datos no visibles, almacenados en la UAN en la Facultad de Ingeniería Electrónica ESPOCH, identificando patrones que permitan medir la calidad educativa y mejorar así el proceso de enseñanza - aprendizaje de docentes y estudiantes, a través de herramientas de Data Analytics, formar al profesorado para ayudar en la toma de decisiones preventiva o correctiva en la asimilación del avance, conocimiento de los estudiantes de forma continua. El Método de investigación según el Enfoque es de tipo MIXTO, según el Objetivo es de tipo APLICADA, según el Alcance es de tipo DESCRIPTIVA. La población conformada por estudiantes y docentes designados en el semestre mayo - septiembre 2018 corresponde a 154 estudiantes de las carreras de (Telecomunicaciones, Software, Diseño Gráfico), la muestra fue estratificada, considerando a 110 estudiantes para el análisis. Los resultados se analizan involucrando el proceso de recolección, análisis y vinculación de datos cuantitativos y cualitativos en un mismo estudio para responder el planteamiento del problema, proponiendo como solución la utilización de un Software de Analítica Educativa llamado (Rapidminer) que fusiona datos, análisis predictivo y herramientas de procesamiento identificando patrones importantes que al ser analizados permite mejorar la calidad de aprendizaje del alumno en el entorno virtual, evitando la deserción al curso.
PALABRA CLAVE: Sistemas de Información, Software de Analítica Educativa, Entorno Virtual Moodle; Enseñanza; Aprendizaje, Rapidminer.
9
ABSTRACT
This article proposes the implementation of an Educational Analytics Software to process, visualize a large amount of non-visible data stored in the UAN in the School of Electronic Engineering ESPOCH, identifying patterns that allow to measure the educational quality and improve the process of teaching and learning of teachers and students, through Data Analytics tools, train teachers to help preventive or corrective decision making in the assimilation of progress, knowledge of students continuously. The Method of investigation according to the Approach is a MIXED type, according to the Objective it is of APPLIED type, according to the Scope it is of DESCRIPTIVE type. The population formed by students and teachers designated in the semester May-September 2018 corresponds to 154 students of the careers of (Telecommunications, Software, Graphic Design); the sample was stratified, considering 110 students for the analysis. The results of the process of collection, analysis and linking of data analysed involving quantitative and qualitative in the same study to answer the problem statement, proposing as a solution the use of an Educational Analytical Software called (RapidMiner) that merges data, predictive analysis and processing tools identifying important patterns that when analysed can improve the quality of student learning in the virtual environment, avoiding the desertion to the course.
KEYWORD: Information Systems, Educational Analytics Software. Virtual Moodle Environment; Teaching; Learning, RapidMiner.
1
TEMA
Software de Analítica Educativa para la toma de decisiones en la Unidad de Admisión y Nivelación de la Espoch.
LÍNEA DE INVESTIGACIÓN
Tecnologías de Información y Comunicaciones.
INTRODUCCIÓN
Los tiempos modernos son los tiempos del Big Data o Grandes cantidades de datos, consiste en la disponibilidad y variedad de información en “formatos estructurados y desestructurados almacenados en Bodegas de Datos o Data Warehouse cuyo objetivo es aumentar la capacidad analítica de una Institución u Organización”, (Salvador, 2014). para mejorar su desempeño.
En la actualidad se ha tomado conciencia de lo importante que es la información ya que hoy en día las instituciones educativas cuentan con enormes cantidades de datos recopilados a través de los años con diversos procesos y mecanismos, los cuales han sido muy manuales o artesanales, pero gracias al desarrollo tecnológico han evolucionado hacia sistemas más dinámicos y complejos. Estos datos incluyen entre otros, la asistencia a clases, participación en actividades, desempeñó académico, número de asignaturas, deserción, resultados de evaluaciones. No obstante ¿Que se puede hacer con toda esta cantidad de datos e información, en tal forma que su procesamiento contribuya al mejoramiento de los procesos de enseñanza y aprendizaje? ¿Cómo los datos del día a día pueden complementar y servir para mejorar los procesos de enseñanza y aprendizaje, evaluación y en general, la gestión escolar? ¿Existe un modelo específico para el tratamiento de datos en el contexto escolar? ¿Existe herramientas de análisis y tratamiento de datos en el contexto escolar?
2
uso de internet que cada vez es más común entre los jóvenes universitarios. En la que “la Tecnología virtual se ha convertido en algo cotidiano, su uso va desde el entretenimiento hasta la simulación de entornos científicos reales; la masificación del uso de computadores en casi todas las actividades humanas ha permitido que esta tecnología ingrese a los hogares comunes y por ende también a las instituciones educativas de todos los niveles”, (Halkoaho, Matveinen, Leinonen, Luoto, & Keränen, 2015).
Actualmente somos testigos de grandes avances tecnológicos, en la que diversos campos se han acogido a la nueva tecnología, debido a la facilidad y rapidez con que se puede manejar gran cantidad de información. Tomando en cuenta que “la Educación cuenta con una gran variedad de información provenientes de sistemas académicos utilizados en cada una las Instituciones, tales como resultados de evaluaciones, asistencias, inasistencias, desempeño, obteniendo así un gran potencial para mejoras académicas”, (Aristizabal F, 2016).
En los últimos años, los datos producidos por el aprendizaje. En sus entornos han comenzado a hacerse lo suficientemente grandes para elevar la necesidad de tecnologías Big Data y herramientas para su manejo. Así evidenciando que en la actualidad ya existe en Instituciones u organizaciones emergencia de grandes datos en el aprendizaje, la investigación en educación ha dado lugar a varios nuevos Mejoras pedagógicas. Aprendizaje basado en la comunidad en la cual los ambientes han aumentado el número de entornos en el aprendizaje actual, “los usuarios aprenden en comunidades en línea como discusión foros, chats en línea, clientes de mensajería instantánea y varios Sistemas de gestión de aprendizaje como Moodle”, (Schmidt, S. M., & Ralph, D. L. 2016). Estos “recientes métodos de aprendizaje como Flipped Classroom. dependen en gran medida de la red”, (Birjali, M., Beni-Hssane, A., & Erritali, M. 2016). Varios marcos y modelos han sido propuesto para sistemas de gestión en línea para mejorar la experiencia de aprendizaje.
3
presencial” (Nair & Patil, 2019). Este enfoque de educación necesita de nuevos modelos pedagógicos para realizar las clases. Ya que los estudiantes han comenzado a usar teléfonos inteligentes. para acceder a contenidos en sus entornos a la cual tienen accesibilidad en cualquier lugar a través de internet, creando gran cantidad de datos que pueden ser utilizados en el desarrollo del entorno de aprendizaje. “La cantidad de datos disponibles en los escenarios anteriores es tan enorme”, (Williamson, B. 2017), que las técnicas de procesamiento tradicionales no pueden procesarlas. Debido a las limitaciones las instituciones educativas han comenzó a explorar las tecnologías de "Big Data", (Parra, C. 2017) para procesar los datos educativos adquiridos de la Plataforma Moodle.
“Los Sistemas de Información y la Innovación se convierte en factor de desarrollo de las organizaciones por lo cual se ha fomentado la interrelación de los SIG en su entorno formando así parte del proceso”, (Luis, Privada, &Belloso, 2015). En la toma de decisiones, con el objetivo de identificar el uso de la información permitiendo así conocer la relación de la información con lo estratégico de la información de una Institución, “fundamentado en normas y reglamentos del buen uso de la información dentro y fuera de las Instituciones”, (Rodr, 2017). Los Sistemas de información “es una práctica habitual en las instituciones que provocan el éxito o al fracaso, en la que indican que las tendencias y todas las partes afines al TI y a la información deberán ser analizadas”, (Ramírez, Luis, Gascó, & Taverner, 2017).
4
el tiempo de dedicación del mismo, debido a la gran cantidad de alumnos y cursos que el docente maneja dando lugar a no saber la causa del incumplimiento o entrega a destiempo de las tareas del estudiante y en caso más grave le reprobación o deserción.
El objetivo de esta investigación es ayudar al Docente mediante una propuesta para el uso de un Software de Analítica Educativa en el contexto escolar, para procesar la gran cantidad de información que genera la plataforma virtual Moodle respecto al estudiante, por tal razón considero imprescindible el uso del software para procesar los datos y buscar algoritmos que permitan medir la calidad educativa y mejorar así la enseñanza de manera digital a través de aplicaciones de Data Analytics, dando así una revolución en la educación digital ya que permitirá mejorar la formación de docentes y conocer la asimilación del conocimiento de los estudiantes de forma continua estableciendo así en tiempo real el avance del alumno respecto al aprendizaje de sus alumnos día a día, dando facilidad al docente en la tomar decisiones ya sea preventiva o correctiva mejorando la calidad educativa y compartir esta información relevante con sus otros compañeros de otras asignaturas en la Unidad.
MATERIALES Y MÉTODOS
METODOLOGÍA
El presente trabajo de Investigación “Software de analítica educativa para la toma de decisiones en la Unidad de Admisión y Nivelación de la Espoch” por la modalidad corresponde a una Investigación en la que se encamina a resolver el problema en analizar la gran cantidad de información generada por los estudiantes a través de una propuesta de uso de un software de analítica educativa (data Analytics) que permita hacer visible la información almacenada en el servidor del Unidad de Admisión y Nivelación de la Espoch, en la que se utilizó los métodos teóricos y empíricos para este desarrollo investigativo.
TIPO DE INVESTIGACIÓN
5
Enfoque Mixto: Consiste en la integración de los métodos cuantitativo y cualitativo, a partir de los elementos que integran la investigación.
Según el Objetivo el tipo de investigación utilizado fue APLICADA:
Investigación Aplicada: ya que se utiliza el conocimiento obtenido en la investigación en la práctica, y así obtener beneficios al proceso de aprendizaje.
Según el Alcance, se determinó que el tipo de investigación fue DESCRIPTIVA:
Investigación Descriptiva: ya que se detallan todos los aspectos del problema para que la solución pueda mejorar todas las características que impiden que los docentes logren una mejor toma de decisiones en muchos aspectos que tienen relación con los estudiantes, de tal manera ejecutar el análisis de los datos obtenidos anteriormente.
POBLACIÓN
El universo determinado en esta investigación son los estudiantes de la ESPOCH - Unidad de Admisión y Nivelación – Facultad de Ingeniería Electrónica de la Ciudad de Riobamba. La población está conformada por todos los estudiantes matriculados del semestre mayo - septiembre 2018 que corresponde a 158 estudiantes de las carreras de (Telecomunicaciones, Software, Diseño Gráfico). La población involucrada en la problemática se define a continuación:
Tabla # 1. Población
FUNCIÓN NÚMERO
Estudiantes UAN - FIE- DISEÑO GRÁFICO 28
Estudiantes UAN - FIE- TELECOMUNICACIONES 60
Estudiantes UAN - FIE- SOFTWARE 66
Total Universo de Estudio 154 Alumnos
6
MUESTRA
Después de utilizar la fórmula 𝑛 = ∗ ∝ ∗ ∗ ∗ ( )
∝ ∗ ∗
, para calcular la muestra y de utilizar un coeficiente de confianza del 95% y un error muestral del 5%, se determinó que el número de alumnos a encuestar es de 110 estudiantes.
Parámetros
N 154 Población o Universo
Z (95%) 1,960 Nivel de Confianza
P 50,00% Probabilidad que ocurra
Q 50,00% Probabilidad que no ocurra
e 5,00% Error de estimación máximo aceptado
Tamaño de muestra n = 110 estudiantes
MÉTODO DE MUESTREO
Muestreo Estratificado: Se resolvió escoger el muestreo estratificado, porque permite que el investigador divida por estratos a la población. Definidos los estratos se lleva a cabo la submuestra. La determinación del número de elementos por submuestra se denomina afijación de la muestra. Existen dos tipos de afijación (Simple y Proporcional), en esta investigación se utilizará la Afijación Proporcional.
En la Tabla # 2. Se expresa todos los datos:
Tabla # 2. Número de alumnos por Carrera
Facultad Ingeniería Electrónica
Diseño
Gráfico Telecomunicaciones Software Total
Población 28 60 66 154
Muestra X Y Z 110
Fuente: El Autor.
Se expresa la proporcionalidad: 28
𝑋 = 60
𝑌 = 66
7
Para calcular cualquiera de las incógnitas, buscamos una proporción donde conozcamos 2 de los 3 datos:
28 𝑋 =
154
110=> 𝑋 =
28 ∗ 110
154 = 20,0
60 𝑌 =
154
110=> 𝑌 =
60 ∗ 110
154 = 42,8
70 𝑍 =
154
110=> 𝑍 =
66 ∗ 110
154 = 47,1
Tabla # 3. Número de muestra por Carrera
Facultad Ingeniería Electrónica
Diseño
Gráfico Telecomunicaciones Software Total
Muestra 20 43 47 110
Fuente: El Autor.
MÉTODOS CIENTÍFICOS
A continuación, se detallan los métodos científicos propuestos para determinar el tipo de investigación, los métodos seleccionados fueron escogidos en base a los requerimientos analizados para obtener los resultados de la investigación basados en el desarrollo de mi trabajo y dentro del análisis de la población y muestra realizada los métodos a utilizar son los siguientes:
LA ENCUESTA
El método me sirvió para el proceso de recolección de información por medio de preguntas escritas de esta manera pude analizar mediante la muestra que se realizó, verificar respuestas (Estudiantes) que son de mucho beneficio para la investigación. En la que elabore preguntas que estén sujetas y tengan relación con la investigación ya que partiendo de este método podré tabular toda la información generada y extraída de la encuesta aplicada a los estudiantes.
LA ENTREVISTA
8
ventajas y desventajas del uso de las Herramientas de Data Analytics y así dar validez a la investigación.
ESTADÍSTICO
Los métodos (Recolección y Analítico) utilizados para recolectar información de estudiantes de periodos académicos anteriores y dar tratamiento a los Datos.
RESULTADOS
9
ESTUDIANTES
Tabla # 4. Análisis de información y porcentajes de resultados.
ENCUESTA A ESTUDIANTES DE LA UNIDAD DE ADMISIÓN Y NIVELACIÓN ESPOCH
PREGUNTA 1. ¿Existe tutorías o contacto entre alumnos y docentes durante 7 días de intervalo de cada clase?
INDICADOR ESTUDIANTES PORCENTAJE
SI 26 24%
NO 74 67%
A veces 10 9%
Total 110 100 %
PREGUNTA 2. ¿Considera usted perjudicial para el aprendizaje la falta de comunicación entre docentes y alumnos durante el intervalo de cada clase?
INDICADOR ESTUDIANTES PORCENTAJE
SI 85 77%
NO 25 23%
Total 110 100 %
PREGUNTA 3. ¿Catalogue el nivel de uso de las nuevas tecnologías como elementos de apoyo de los docentes en el proceso educativo del pregrado de la UAN?
INDICADOR ESTUDIANTES PORCENTAJE
BUENO 30 27%
MEDIO 10 9%
BAJO 64 58%
NULO 6 6%
Total 110 100 %
PREGUNTA 4. ¿Catalogue el nivel de conocimientos en cuanto al manejo de las Tics del Docente?
INDICADOR ESTUDIANTES PORCENTAJE
BUENO 20 18%
MEDIO 41 37%
BAJO 49 45%
NULO 0 0%
Total 110 100 %
PREGUNTA 5. ¿Cree usted que con la utilización de las aulas virtuales, se puede complementar de mejor manera el proceso de aprendizaje en pregrado de la UAN?
INDICADOR ESTUDIANTES PORCENTAJE
SI 92 84%
NO 5 4%
NO SÉ 13 12%
Total 110 100 %
PREGUNTA 6. ¿Señala cuál es tu nivel de satisfacción con el uso de la Plataforma de Moodle en el curso?.
INDICADOR ESTUDIANTES PORCENTAJE
MUY SATISFECHO 6 5%
SATISFECHO 80 73%
POCO SATISFECHO 4 4%
10
Total 110 100 %
PREGUNTA 7. ¿Señala tu grado de participación en la Plataforma Virtual Moodle de la UAN?
INDICADOR ESTUDIANTES PORCENTAJE
TODOS LOS DÍAS 9 8%
UNA VEZ A LA SEMANA 95 86%
UNA VEZ CADA QUINCE DÍAS 5 5%
MENOS DE UNA VEZ AL MES 1 1%
Total 110 100%
PREGUNTA 8. ¿Si tu uso de la Plataforma Virtual Moodle ha sido mayor a una vez a la semana, señala los ítems que describan por que no has utilizado la Plataforma?.
INDICADOR ESTUDIANTES PORCENTAJE
FALTA DE TIEMPO 79 72%
NO CONOZCO SU
FUNCIONAMIENTO 10 9%
NO ME GUSTA ESTE TIPO DE
ENTORNOS 1 1%
ME GENERA MÁS TRABAJO
QUE BENEFICIOS 0 0%
SENSACIÓN DE ESTAR TRABAJANDO
CONTINUAMENTE
20 18%
Total 110 100%
PREGUNTA 9. ¿Señala si el Docente evalúa cada uno de los temas propuestos en el curso virtual?
INDICADOR ESTUDIANTES PORCENTAJE
SI 28 26%
NO 62 56%
A veces 20 18%
Total 110 100 %
PREGUNTA 10. ¿Señala si el Docente identifica si el estudiante está teniendo tendencia a disminuir su desempeño académico y aplicar el refuerzo académico antes del término del curso virtual?
INDICADOR ESTUDIANTES PORCENTAJE
SI 10 9%
NO 98 89%
A veces 2 2%
Total 110 100 %
Fuente: El Autor.
ANÁLISIS DE LOS RESULTADOS TABLA # 1.
11
PREGUNTA 1.- Se puede afirmar que, en el intervalo semanal de cada clase, existe un espacio amplio entre una clase magistral y otra, en esos 7 días, los estudiantes afirman con un indicador del 67%., que NO reciben tutorías dado que el docente no cumple con su horario de atención al estudiante.
Figura # 1. Existe contacto entre Profesores y Estudiantes. Fuente: Bonilla Vimos Washington Ramiro, 2018 2S.
PREGUNTA 2.- Aunque los docentes son muy buenos en sus clases magistrales, la falta de Comunicación entre Docente y Estudiantes durante el intervalo de cada clase es PERJUDICIAL con un indicador del 77%, para el proceso de enseñanza – aprendizaje del estudiante.
Figura # 2. La Falta de Comunicación entre Docente Y Estudiantes.
Fuente: El Autor.
PREGUNTA 3. En cuanto al nivel de uso de las nuevas tecnologías como apoyo de los docentes se obtuvo un indicador del 58% que se considera un nivel BAJO, se evidencia que los docentes por desconocimiento o funcionamiento de las herramientas tecnológicas solo utilizan herramientas básicas nada atractivas para el estudiante.
SI; 26; 24%
NO; 74; 67% A veces; 10;
9%
SI NO A veces
SI; 85; 77% NO; 25;
23%
12
Figura # 3. Nivel de uso de las Tics por los Docentes de UAN. Fuente: El Autor.
PREGUNTA 4. Los estudiantes catalogan que el nivel de conocimiento del manejo de Tics del Docente está en el rango de BAJO con un indicador del 45%, evidenciando la falta de capacitación de los docentes en la utilización de herramientas tecnológicas.
Figura # 4. Nivel del manejo de las Tics del Docente. Fuente: El Autor.
PREGUNTA 5. Se ratifica en un porcentaje alto obteniendo un indicador del 84%, indicando que con la utilización de las aulas virtuales se puede complementar de mejor manera el proceso, elevando así la calidad del aprendizaje en el pregrado de la Unidad de Nivelación.
Figura # 5. Complementarían las aulas virtuales de mejor manera la educación en pregrado de la UAN.
Fuente: El Autor. BUENO; 30; 27% MEDIO; 10; 9% BAJO; 64; 58% NULO; 6; 6% BUENO MEDIO BAJO NULO BUENO; 20; 18% MEDIO; 41; 37% BAJO; 49; 45%
NULO; 0; 0%
BUENO MEDIO BAJO NULO
SI; 92; 84% NO; 5; 4%
NO SÉ; 13; 12%
13
PREGUNTA 6. El nivel de satisfacción del estudiante con el uso de la plataforma Moodle es SATISFECHO con un indicador del 73%. Mientras que el 18% tiene un indicador de INSATISFECHOS, esto se da por el desconocimiento de las tecnologías en el funcionamiento correcto de las Aulas Virtuales.
Figura # 6. Nivel de satisfacción con la plataforma moodle de la UAN. Fuente: El Autor.
PREGUNTA 7. Los estudiantes encuestados señalan el grado de participación en la plataforma virtual que es de UNA VEZ A LA SEMANA con un indicador de 86%, esto se da ya que en su mayoría los estudiantes solo se rigen en cumplir con sus tareas semanales enviados por el docente y no crean habito en la frecuencia y tiempo de dedicación en las aulas virtuales.
Figura # 7. Grado de participación en la plataforma virtual moodle de la UAN
Fuente: El Autor.
PREGUNTA 8. Se evidencia en los resultados obtenidos que los estudiantes no utilizan la plataforma Virtual Moodle por FALTA DE TIEMPO obteniendo un porcentaje ALTO del 72%, por tal razón la participación de los estudiantes a la plataforma es UNA VEZ A LA SEMANA, evidenciándose que el estudiante no da seguimiento a la materia revisando todos los días.
MUY SATISFECHO; 6; 5% SATISFECHO; 80; 73% POCO SATISFECHO; 4; 4% INSATISFECHO; 20; 18% MUY SATISFECHO SATISFECHO POCO SATISFECHO INSATISFECHO TODOS LOS DÍAS 9; 8%
UNA VEZ A LA SEMANA
95; 86% UNA VEZ CADA
QUINCE DÍAS 5; 5% MENOS DE UNA
VEZ AL MES
1; 1% TODOS LOS DÍAS
UNA VEZ A LA SEMANA
UNA VEZ CADA QUINCE DÍAS
14
Figura # 8. Razón por que no se utiliza la plataforma moodle Fuente: El Autor.
PREGUNTA 9.- Se evidencia con un indicador del 56%, que el Docente NO evalúa ni da seguimiento a los temas propuestos en el curso virtual, PERJUDICANDO así el proceso de enseñanza – aprendizaje de los estudiantes.
Figura # 9. El Docente evalúa cada uno de los temas propuestos en el curso virtual. Fuente: El Autor.
PREGUNTA 10.- El DocenteNO identifica ni aplica el refuerzo académico en un 89% a los estudiantes con tendencia a disminuir su desempeño académico, evidenciándose que el docente no realiza el seguimiento, el control respectivo a sus estudiantes, por falta de conocimientos en el uso de herramientas tecnológicas analíticas para la toma de decisiones preventiva antes del término del curso virtual.
FALTA DE TIEMPO; 79; 72% NO CONOZCO SU
FUNCIONAMIENTO; 10; 9%
NO ME GUSTA ESTE TIPO DE ENTORNOS;
1; 1% ME GENERA MÁS
TRABAJO QUE
BENEFICIOS; 0; 0% SENSACIÓN DE
ESTAR TRABAJANDO CONTINUAMENTE;
20; 18%
FALTA DE TIEMPO
NO CONOZCO SU FUNCIONAMIENTO
NO ME GUSTA ESTE TIPO DE ENTORNOS
ME GENERA MÁS TRABAJO QUE BENEFICIOS
SENSACIÓN DE ESTAR
TRABAJANDO CONTINUAMENTE
SI; 28; 26%
NO; 62; 56% A veces; 20;
18%
15
Figura # 10. Señala si el Docente identifica si el estudiante está teniendo tendencia a disminuir su desempeño académico y aplica el refuerzo académico antes del término
del curso virtual. Fuente: El Autor.
HERRAMIENTAS MÁS UTILIZADAS (ESTUDIANTES)
Tabla # 2. Incidencias sobre los recursos que utilizan los alumnos en el aula virtual Moodle.
Fuente: El Autor.
SI; 10; 9%
NO; 98; 89%
A veces; 2; 2%
SI NO A veces
HERRAMIENTAS MÁS UTILIZADAS (ESTUDIANTE)
CARRERAS (Telecomunicaciones,
Software, Diseño Gráfico) TOTAL Hombre Mujer
Para descargar archivos de material de clase que
el docente pública 46 64 110
Para descargar archivos de material de apoyo a
la clase que el docente pública 46 60 106
Para enviar archivos de trabajos al docente 30 64 94
Para rendir evaluaciones, tipo cuestionario 39 63 102 Para dar opinión en el foro publicado por el
docente 25 64 89
Para enviar mensajes de texto, para consultar al
docente 10 50 60
Para enviar mensajes de texto a tus compañeros 46 61 107 Para realizar conversaciones en línea (chat) con
el docente 5 8 13
Para realizar conversaciones en línea (chat) con
16
ANÁLISIS DE LOS RESULTADOS DE LA TABLA 2.
El uso de las Herramientas se aplicó a los estudiantes seleccionados en la muestra donde se obtiene que las herramientas más valoradas como “muy buenas” en la plataforma virtual fueron la opción: Descarga de Archivos (Material de Clase), Envió de Archivos (Trabajos, Evaluaciones, Envió de Mensajes a compañeros). Contrario a ello, las herramientas más deficientes o limitadas son: Envió de Mensajes de consulta al docente, Conversaciones en línea (chat) con el docente y compañeros. Con ello, se afirma que la Plataforma Virtual por el momento los estudiantes utilizan como espacio de repositorio de documentos online.
Estos hallazgos en la encuesta aplicada en la Unidad de Admisión y Nivelación de la ESPOCH, es perjudicial para el proceso de enseñanza y aprendizaje, planteando la necesidad de buscar posibles soluciones que permitan obtener calidad y análisis en la educación, utilizando herramientas tecnológicas de analítica educativa para el procesamiento de datos, búsqueda de la mejor metodología y la creación de algoritmos que permitan medir la calidad educativa. Después del análisis y los hallazgos en la encuesta aplicada se ratifica la problemática, evidenciando así que la Unidad de Admisión y Nivelación de la Faculta de Electrónica ESPOCH, no tienen las herramientas necesarias para la Toma de decisiones también se evidencia el desconocimiento del uso de estas herramientas de Data Analytics por parte de los docentes.
PROPUESTA
17
que tiene una función vital en el proceso de la toma de decisiones con el objetivo de mejorar la calidad educativa y la formación de docentes en el proceso de enseñanza aprendizaje.
Por tal razón propongo como solución a la problemática que existe en la Unidad de Admisión y Nivelación de la ESPOCH, evidenciando que es necesario la utilización de herramientas de Minería de Datos para el tratamiento y análisis exhaustivo de la información generada de estudiantes en la plataforma MOODLE, con el objetivo de extraer CONOCIMIENTO de la base de datos. Para esto es imprescindible contar con un SOFTWARE ESPECIALIZADO que permita trabajar los datos para alcanzar los objetivos propuestos.
En un proceso de Minería de Datos se realizan diferentes tareas:
Descriptivas: Para identificar patrones que explican o resumen los datos.
Predictivas: Permiten estimar valores futuros o desconocidos de variables de interés, a partir de otras variables de la base de Datos. Para conseguir estos objetivos la Minería de Datos utiliza diferentes técnicas como:
Sistemas de Agrupamiento: Consiste en obtener grupos naturales a partir de los datos. También se conoce como segmentación o clustering.
Reglas de Asociación: Suobjetivo es identificar relaciones no explícitas entre variables categóricas.
Reglas de Asociación secuenciales: Caso particular de las reglas de asociación, en el que se buscan relaciones temporales en los datos.
Correlaciones: Proporcionan información sobre el grado de similitud entre variables cuantitativas.
Clasificación: Cada objeto pertenece a una clase, indicada por el valor de un atributo. El objetivo es predecir la clase a que pertenecen nuevos objetos a partir de las restantes variables.
18
Para la elección del software de minería de datos a proponer en esta investigación se ha tomado como referencia la encuesta realizada por “KDnuggets, sítio líder en Business Analytics, Data Mining y Data Sciencie en los años de 2016-2018, en la que se identifica las mejores y principales herramientas usadas en proyectos reales”, obteniendo un indicador ALTO del 52.7% en el uso del SOFTWARE RAPIDMINER, como se muestra en el Figura # 11. (KDnuggets, 2016-2018).
Por tal razón el Software propuesto que se utilizará en la presente investigación es el Sistema Open Source para Data Mining (RAPIDMINER), como herramienta de extracción, seguimiento, medición, recopilación del conocimiento útil oculto en la base de datos de los estudiantes con el fin de comprender y optimizar el aprendizaje en el entorno EVA de la Unidad de Admisión y Nivelación de la Facultad de Electrónica.
Figura # 11. Top Analytics, Data Science, machine Learning Tools. Fuente. KDnuggets Analytics/Data Science 2018 Software Poll: top tools in
2018, and their share in the 2016-7 polls.
Rapidminer. - Es una herramienta perfecta para crear modelos y a posterior la realización de análisis predictivos de grandes volúmenes de datos.
19
Entre las características principales de RapidMiner destacamos que:
Instalación: ejecutable para todos los sistemas operativos.
Implementación: desarrollo de scripts. Cuenta con el apoyo de API completo (Application Programming Interface) proporciona una amplia gama de funcionalidad y soporte.
Software de minería de datos gratuito distribuido bajo licencia GPL.
Está desarrollado en JAVA.
Es multiplataforma.
Representación interna de los procesos de análisis de datos en ficheros XML.
Permite a los experimentos componerse de un gran número de operadores anidables arbitrariamente, que se detallan en archivos XML.
Permite el desarrollo de programas a través de un lenguaje script.
Puede usarse de diversas maneras: A través de un GUI En línea de comandos En batch
Desde otros programas, a través de llamadas a sus bibliotecas.
Extensible
Incluye gráficos y herramientas de visualización de datos.
Dispone de un módulo de integración con R.
Software de código abierto.
La mayoría de las fuentes de datos son compatibles, como Excel, Access, Oracle, IBM DB2, Microsoft SQL Server, Sybase, Ingres, My SQL, archivos de texto y otros.
Dispone de multitud de algoritmos propios e integra la librería WEKA de forma nativa.
20
licencia académica muy fácil de obtener, es decir, no requiere de una gran burocracia para contar con ella.
PROPUESTA DE INSTRUMENTO DE OBTENCIÓN DE DATOS
Para realizar la práctica de esta investigación se propone un modelo de solución en la aplicación de técnicas de minería de datos o fases del proceso de descubrimiento del conocimiento (KDD) asociadas en base a la metodología CRISP-DM, este proceso se encarga de sacar conclusiones o información “limpia” a partir de unos datos que generalmente están organizados en una base de datos y así realizar el correcto análisis de los datos generados por los estudiantes, utilizando el software propuesto RAPIDMINER.
Figura # 12. Fases del proceso de extracción de conocimiento, CRISP-DM.
Fuente: El Autor.
1. Fase de integración y recopilación de datos. Decidir de dónde se van a sacar los datos que se utilizarán, es decir que fuentes de información nos van a resultar útiles.
21
3. Fase de minería de datos. En esta fase, que es la fase principal que se trata en esta investigación utilizando Rapidminer, se debe decidir cuál es la tarea que se va a realizar y se elige el método que se va a emplear.
4. Fase de evaluación e interpretación. La fase de minería de datos debe dar unos resultados, por ejemplo, unos patrones observados en los datos. En la fase de evaluación e interpretación se debe Aplicación de la Metodología CRISP-DM a un Proyecto de Minería de Datos en el Entorno de la UAN-ESPOCH, evaluar e interpretar estos patrones, con el fin de poder entender el resultado obtenido.
5. Fase de difusión y Toma de Decisiones. La última fase del proceso de KDD tiene como objetivo utilizar el nuevo conocimiento adquirido y hacer que dicho conocimiento obtenido sea empleado para la Toma de Decisiones para mejorar la calidad educativa.
OBJETIVOS PROPUESTOS CON EL SOFTWARE RAPIDMINER PARA MEJORAR LA CALIDAD DEL APRENDIZAJE.
• Reducir la tasa de Abandono de los estudiantes utilizando el enfoque de análisis predictivo donde previene y detectar de forma temprana a alumnos que necesita asesoramiento para sean más alumnos los que finalizan con éxito el curso virtual.
• Aumentar y potenciar la calidad del curso para que este sea exitoso.
• Optimizar y perfeccionar el aprendizaje de los alumnos ofreciéndoles un aprendizaje más personalizado identificando las necesidades de aprendizaje. • Conocer el comportamiento de los estudiantes.
• Potenciar y aumentar la calidad del curso.
• Aumentar la participación de los alumnos en el curso online conociendo el número de visitas.
• Medir cómo evoluciona el estudiante en el curso online.
CASO PRÁCTICO
22
DESERCIÓN (variable real) de los estudiantes del segundo semestre del año 2018 de las carreras de (Telecomunicaciones, Software, Diseño Gráfico) en la Unidad de Admisión y Nivelación de la ESPOCH en función de algunas variables conocidas (Historial de asistencias, rendimiento etc.) .
Figura # 13. Modelo entidad relación para el análisis predictivo de deserción de estudiantes.
Fuente: El Autor.
A continuación, el proceso realizado en el caso práctico para predecir el porcentaje de deserción de los alumnos de la Unidad de Nivelación de la ESPOCH.
23
Figura # 14. Proceso de extracción de conocimiento en el software RapidMiner.
Fuente: Bonilla Vimos Washington Ramiro, 2019.
Luego de recolectar la información de la plataforma MOODLE en formato Excel (SIS2S.xls) y siguiendo los pasos del modelo de extracción de conocimiento propuesto,
aplicar el operador Split Validation - Linear Regression para predecir el porcentaje
de DESERCIÓN, nos presentar una variable real del 7.15 % de los alumnos del segundo semestre del año 2018 de las carreras de (Telecomunicaciones, Software, Diseño Gráfico) en la Unidad de Admisión y Nivelación de la ESPOCH se desertarán del curso virtual.
DISCUSIÓN
24
A la vista de los resultados de la investigación, se rescata información valiosa, por ejemplo: Los estudiantes consideran en un (84 %) que la utilización de las aulas virtuales se puede complementar de mejor manera, en comparación con el nivel de satisfacción obtenido en un (73%) confirman los estudiantes encuestados que el uso de la Plataforma Moodle en los cursos virtuales ayuda en gran porcentaje al proceso de enseñanza - aprendizaje en la Unidad de Nivelación, por otro lado, el 67% delos encuestados indicaron que NO tiene Tutorías o contacto con el docente entre clase a clase, en comparación con la falta de comunicación en un 77% entre el docente y alumno afirman los encuestados que es PERJUDICIAL al proceso de enseñanza – aprendizaje. Para complementar las encuestas, se evidencio en un 45% el desconocimiento de los docentes en la utilización de herramientas tecnológicas, en comparación con el desempeño académico los estudiantes tienden a disminuir en un 89% ya que no se da el seguimiento y control para identificar de manera temprana si el estudiante tiene tendencia en la no aprobación del curso virtual.
Respeto a la comparación del software de analítica RapidMiner con otras herramientas de minería de datos como (R y Orange), sus CARACTERÍSTICAS (Open Sorce, Analítica y Visualización de datos, Aprendizaje Automático, Basada en java) cumplen con un 98% respecto a otras herramientas; su LICENCIA es AGPL (Licencia copyleft cooperación con la comunidad en caso que corra en servidores de Red) con respecto a las otras herramientas que son GPL (licencia libre y código abierto con la libertad de uso, estudio, compartir, copiar y modificar), teniendo limitantes al momento de la instalación para su uso; su SISTEMA OPERATIVO (Multiplataforma), cumple en un 100% con otras herramientas; sus FUNCIONES (Entorno Visual, Minería de Datos, Análisis predictivo, Carga de Datos, Modelado, Fuente de Datos compatibles con Excel, Oracle, DB2 y otros) son excelentes obteniendo un 100 % en su uso con respecto a las otras herramientas ya que posee alrededor de 500 operadores que pueden ser combinados convirtiéndoles así en una herramienta muy potente y fácil de usar para los docentes de la Unidad de Nivelación de la ESPOCH.
25
asistencias y el rendimiento del estudiantes el cual facilita así identificar al alumno y poder aplicar modelos predictivos para intervenir con la toma de decisiones antes que un estudiante abandone o esté en riesgo de deserción, incrementando así la calidad y el desempeño académico de los estudiantes en la Unidad de Nivelación de la ESPOCH.
En comparación con casos de éxitos de la aplicación de esta herramienta tenemos a “la Universidad de Santo Tomás de Colombia la misma que se encontraba en la transición a nuevas tecnologías de comunicación para sus estudiantes. Por tal razón adquirió nuevas plataformas para apoyar sus aulas virtuales las cuales facilitaron el proceso de alimentación de la información”. (Medellín, 2019). Así logrando mediante la implementación de la Inteligencia artificial y Big Data & Analytics con herramientas de minería de datos. Implementa la utilización de cursos de Matemáticas a través de plataformas de enseñanza, llevando a la transformación de su estrategia de enseñanza e investigación académica.
Por otro lado, si comparamos los resultados de la investigación con la propuesta, podemos decir que al implementar el uso de herramientas de minería de datos y aplicaciones como RAPIDMINER permite obtener métricas con la que facilita la toma de decisión del docente ya sea preventivo o correctivo esto se logra al tener a la mano análisis eficaces, fiables útiles para identificar la evolución por cada alumno en el curso virtual y así mediante la utilización de medios digitales aprender de los jóvenes y saber que necesitan para acceder a nuevos conocimientos.
CONCLUSIONES
26
Luego del análisis realizado en la encuesta se determina que el incumplimiento a destiempo de las tareas del estudiante es porque el nivel de conocimiento que tiene los docentes es BAJO en un 45% dando lugar a no dar el seguimiento a sus alumnos tampoco identificar el avance del rendimiento que tiene el estudiante y por tal razón no toma las decisiones preventivas.
Según los resultados obtenidos de la encuesta se evidencia el desconocimiento de la utilización de herramientas tanto tecnológicas como de minería de datos en la que se debe considerar capacitaciones continuas a los docentes respecto a la utilización y uso de nuevas herramientas de Data Analytics, para detectar carencias significativas de los alumnos y satisfacer sus necesidades en el entorno virtual, y así aumentar la participación de los alumnos en el curso. Con el software de analítica educativa propuesto RAPIDMINER, aplicada en la Plataforma Virtual Moodle de los estudiantes de la UAN de la Escuela Superior Politécnica de Chimborazo, se evidencia que, al seguir la metodología propuesta y al hacer la fusión de datos, análisis predictivo y herramientas de procesamiento se ha conseguido identificar patrones importantes que al ser analizados se ha incrementa la calidad de aprendizaje del alumno en el entorno virtual, dando la facilidad al docente en la toma de decisiones preventivas o correctivas.
27
REFERENCIAS BIBLIOGRÁFICAS
Aristizabal F, J. A. (2016). Analítica de datos de aprendizaje (ADA) y gestión educativa. Gestión de La Educación, 6(2), 149. https://doi.org/10.15517/rge.v1i2.25499
Birjali, M., Beni-Hssane, A., & Erritali, M. (2016, November). Learning with big data technology: The future of education. In International Afro-European Conference for Industrial Advancement (pp. 209-217). Springer, Cham. Carrillo Sierra, S. M., Santos, F., Oreste, J., Rivera Porras, D. A., Bonilla Cruz,
N. J., Montanchez Torres, M. L., ... & Fernanda, M. (2018). Prácticas pedagógicas frente a la educación inclusiva desde la perspectiva del docente.
García-Jiménez, E. (2016). Concepto de excelencia en enseñanza superior universitaria. Educacion Medica, 17(3), 83–87. https://doi.org/10.1016/j.edumed.2016.06.003
Halkoaho, A., Matveinen, M., Leinonen, V., Luoto, K., & Keränen, T. (2015). Education of research ethics for clinical investigators with Moodle tool. BMC Medical Ethics, 14(1), 53. https://doi.org/10.1186/1472-6939-14-53
KDnuggets. (2016-2018). What analytics, data mining, data science software / tools you used in the past 12 months for a real project poll. URL: https://www.kdnuggets.com/2018/05/poll-tools-analytics-data-science-machine-learning-results.html
Máxima Formación. (2019) ¿Qué es la plataforma Moodle y para qué sirve?. Retrieved from https://www.maximaformacion.es/e-learni/que-es-moodle-y-para-que-sirve/
Medellín, D., Medellín, I., Medellín, D., Bogotá, W., Bogotá, I., & Bogotá, W. et al. (2019). USTA | A la vanguardia del conocimiento con Mathematica. Retrieved from https://www.informese.co/casos-de-exito/universidad-santo-tomas/
28
Nair, S. C., & Patil, R. (2019). A Study on the Impact of Learning Management Systems on Students of a University College in Sultanate of Oman. International Journal of Computer Science Issues (IJCSI), 9(2), 379–385.
Retrieved from
https://search.proquest.com/docview/1033568363?accountid=14116%0Ah ttp://suprimo.lib.strath.ac.uk/openurl/SU/SUVU01?genre=unknown&atitle= A+Study+on+the+Impact+of+Learning+Management+Systems+on+Stude nts+of+a+University+College+in+Sultanate+of+Oman&author=Nair
Organizaciones, D. E. L. A. S., Luis, J., privada, U., & Bellos, R. (2015). No Title, (1988), 201-2013.
Parra, C. (2017). Virtual Teaching in Postgraduate Programmes: The Importance of Social Collaboration in Virtual Communities. Procedia - Social and Behavioral Sciences, 237(June 2016), 1430–1438. https://doi.org/10.1016/j.sbspro.2017.02.223
Ramírez, M. R. G., Luis, J., Gascó, G., & Taverner, L. (2017). Revista Europea de Dirección y Economía de la Empresa. Revista Europea de Dirección y Economía de La Empresa, 24(3), 175–189. https://doi.org/10.1016/j.redee.2015.03.001
Rodr, Y. (2017). Requerimientos informacionales para la toma de decisiones estratégicas en organizaciones de información Information requirements for strategic decision making, 29(2), 175–189.
Riaño-Luna, C. E., & Palomino-Leiva, M. L. (2015). Proceso analítico jerárquico para evaluar tres laboratorios virtuales en la educación superior.
Entramado, 194–204.
https://doi.org/10.18041/entramado.2015v11n1.21102
Salvador, F. (2014). Big Data: ¿La ruta o el destino? Tecnología y Crecimiento, Recuperado de: http://www.ie.edu/fundacion_ie/Comun/Publicaciones /Publicaciones/Big%20Data%20 ESP%207.pdf
Schmidt, S. M., & Ralph, D. L. (2016). The Flipped Classroom: A Twist on Teaching. Contemporary Issues in Education Research, 9(1), 1-6.
29
Williamson, B. (2017). Big data in education: The digital future of learning, policy and practice. Sage.
Zambrano, R., Gil, N., Lopera, E., Carrasco, N., Gutiérrez, A., & Villa, A. (2015). Validez y confiabilidad de un instrumento de evaluación de estrategias docentes en la práctica de la enseñanza universitaria. Magister, 27(1), 26– 36. https://doi.org/10.1016/j.magis.2015.06.002.
