Aplicación de técnicas de minería de datos para la caracterización de estudiantes bajo el efecto de la COVID-19
Resumen
En esta investigación se integraron las técnicas de minería de datos (MD), tales como el análisis de clúster jerárquico y la regresión logística, para caracterizar alumnos de un programa educativo de la Universidad Autónoma del Estado de Hidalgo (UAEH) que se pueden ver vulnerables a causa de la rápida migración a la educación en línea y otras repercusiones de las medidas adoptadas para evitar la propagación de la COVID-19. Para la aplicación de las técnicas de MD se realizó un sondeo a los alumnos para obtener datos acerca de las condiciones sociodemográficas, económicas, técnicas, de salud mental y académicas que permitan encontrar patrones que inciden en el desempeño académico del alumnado. Con los resultados obtenidos se puede observar la existencia de 2 grupos (clústeres), uno de ellos con mejores condiciones que otro y también un listado de ítems que influyen tanto negativamente como positivamente a que un alumno vea afectado su desempeño académico.
Descargas
Citas
Abidah, A., Hidaayatullaah, H. N., Simamora, R. M., Fehabutar, D., Mutakinati, L. (2020). The impact of Covid-19 to Indonesian education and its relation to the philosophy of “MerdekaBelajar”. SiPoSE: Studies in Philosophy of Science and Education, 1(1), 38–49.
Braga-Neto, U. (2020). Fundamentals of Pattern Recognition and Machine Learning. Springer. https://doi.org/10.1007/978-3-030-27656-0.
Bramer, M. (2013). Principles of Data Mining. (2a ed.) Springer. DOI 10.1007/978-1-4471-4884-5.
Cirami, L., Ursino, D. J., Beltramino Persoglia, A., Mancevich, L. A. y Andreau. (2018). Afrontamiento emocional en situaciones de estrés académico: resultados preliminares de un análisis de clúster jerárquico con estudiantes universitarios. IX Congreso Internacional de Investigación y Práctica Profesional en Psicología XXIV Jornadas de Investigación XIII Encuentro de Investigadores en Psicología del MERCOSUR. Facultad de Psicología - Universidad de Buenos Aires, Buenos Aires.
Cox, D. R., Snell, E. J. (1989). Analysis of Binary Data. (2nd ed.). London: Chapman and Hall Ltd.
Dong, J. (2020). Online learning and teaching experiences during the covid-19 pandemic: a case study of Bangladeshi students receiving China’s higher education. Sciedu Press. 9(2). 37- 45. https://doi.org/10.5430/elr.v9n2p37
González, T., De la Rubia, M. A., Hincz, K. P., Comas-Lopez, M., Subirats, L., Fort, S., Sacha, G. M. (2020). Influence of COVID-19 confinement on students' performance in higher education. PLoS ONE, 15(10 October). https://doi.org/10.1371/journal.pone.0239490.
Heredia, R., Rodríguez, H., Vilalta, A. (2014). Predicción del rendimientoen una asignatura empleando la regresión logística ordinal. SciElo. https://scielo.conicyt.cl/scielo.php?pid=S0718-07052014000100009&script=sci_arttext.
Jaggia, S., Kelly, A., Lertwachara, K., Chen, L. (2021). Business analytics. New York, USA: McGraw Hill Education.
Kapasia, N., Paul, P., Roy, A., Saha, J., Zaveri, A., Mallick, R., Barman, B., Das, P., Chouhan, P. (2020). Impact of lockdown on learning status of undergraduate and postgraduate students during COVID-19 pandemic in West Bengal, India. Children and Youth Services Review, Volume 116. https://doi.org/10.1016/j.childyouth.2020.105194.
Martínez, J. R., Ferrás, Y., Bermudez, L. L., Ortiz, Y., Pérez, H. E. (2020, 5 junio). Regresión logística y predicción del bajo rendimiento académico de estudiantes en la carrera Medicina. Revista Electrónica Dr. Zoilo E. Marinello Vidaurreta. http://www.revzoilomarinello.sld.cu/index.php/zmv/article/view/2230/pdf_691.
Mathivet, V. (2018). Inteligencia Artificial para desarrolladores. (2a ed.). Ediciones Eni.
Murphy, M. P. A. (2020). COVID-19 and emergency eLearning: Consequences of the securitization of higher education for post-pandemic pedagogy. Contemporary Security Policy, 41(3), 492–505. https://doi.org/10.1016/j.jad.2020.06.034
Odriozola-González, P., Planchuelo-Gómez, A., Irurtiaa, M. J., Luis-García, R. (2020). Psychological effects of the COVID-19 outbreak and lockdown among students and workers of a Spanish university. Psychiatry Research, Volume 290. https://doi.org/10.1016/j.psychres.2020.113108.
Organización Mundial de la Salud (OMS). (2021). COVID-19 Dashboard. Geneva: World Health Organization, 2020. Consultado el 19 de julio de 2021 en: https://covid19.who.int/.
Rico, J. J., Rodríguez, A. G., & Vilalta, J. A. (2014, 9 enero). Empleo de la regresión logística ordinal para la predicción del rendimiento académico. http://www.invoperacional.uh.cu/index.php/InvOp/article/view/415.
Robles, A., Cortés, P., Muñuzuri, J., Barbadilla, E. (2020, 1 abril). Aplicación de la regresión logística para la predicción de roturas de tuberías en redes de abastecimiento de agua. Dirección y Organización. 70, 78-85. https://www.revistadyo.es/index.php/dyo/article/view/570.
UNESCO (2021a). New UNESCO global survey reveals impact of COVID-19 on higher education. Recuperado de https://en.unesco.org/news/new-unesco-global-survey-reveals-impact- covid-19-higher-education.
UNESCO. (2021b). Education: From disruption to recovery. Consultado el 19 de julio de 2021 en: https://en.unesco.org/covid19/educationresponse/.
Wang, Z, Hai-Lian Y. Yun-Qing, Y., Dan, L., Zhi-Hao, L., Xi-Ru, Z., Yu-Jie, Z., Dong, S., Pei-Liang, C., Wei-Qi, S., Xiao-Meng, W., Xian-Bo, W.,
Xing-Fen, Y., Chen, M. (2020, 1 octubre). Prevalence of anxiety and depression symptom, and the demands for psychological knowledge and interventions in college students during COVID-19 epidemic: A large cross- sectional study. ScienceDirect, 275. https://www.sciencedirect.com/science/article/abs/pii/S0165032720323922?via%3Dihub.
Winston, W. L., Albright, S. C. (2019). Practical management science. (6a ed.). Cengage.
