Minería de datos educativos

MC. Pablo M. Contreras Alvarado M.C. Pablo M. Contreras Alvarado

Minería de datos educativos

MC. Pablo M. Contreras Alvarado

Planteamiento

Es recurrente escuchar en pláticas con amigos o colegas comentarios que destacan lo negativo de la relación entre educación y tecnología.

• Hay un gran desfase entre las tecnologías y lo que se enseña en clases.• El uso de tablets o celulares para aprender o enseñar es sólo

marketing.• Los estudiantes le saben más a las “compus” que los propios maestros.

Y lo peor es que difícilmente podremos negarlo.


Sin embargo podemos empezar aumentando el interés por crear proyectos multidisplinarios entre tecnólogos y educadores.

Ejemplo de ello son las actuales convocatorias a los estudiantes relacionados en la programación, al crear aplicaciones o recursos tecnológicos que impacten en mejorar la calidad del vida del ciudadano actual.


Como profesionales de la educación el conocer la minería de datos educativos o “EDM” por sus siglas en inglés (Educational Data Mining) e interesarnos por utilizarla y compartirla con colegas, es una acción eficaz para atacar directamente esta problemática.

Veamos porque?


Definición

La minería de datos es el análisis un volumen amplio de datos de estudiantes, docentes y autoridades educativas en sistemas manejadores de contenidos educativos para el descubrimiento eficiente de información no obvia.


Analogía

Si subiéramos un video a YOUTUBE y revisáramos los datos de cuantas personas lo han visto, en que país tiene mas reproducciones, minutos que captan la atención del usuario, número de likes, comentarios, perfil de quienes entran a ver ese video, etc.

Nos ayudaría a saber que decir en un próximo video para mantener y aumentar los seguidores y que

definitivamente eliminar o acambiar para no perder popularidad.


• Si en lugar de ser sólo un video para entretenimiento fuera cualquier otro recurso (plataforma virtual, curso en línea, apps, revistas digitales, bases de datos, simuladores de prácticas de laboratorio, tutoriales, moocs) enfocado en facilitar el proceso de aprendizaje del usuario, el traducir los “DATOS” a “INFORMACIÓN” estratégica sería un claro ejemplo de la minería de datos educativos.


ActuariosMe llama la atención que dentro de la actuaria la “minería de datos” no es nada nuevo y es una herramienta fundamental para cumplir exitosamente su trabajo en la toma de decisiones.

Estos profesionistas realizan cálculos respecto a seguros, pensiones, fondos de ahorros, inversiones, etc.

Por cierto .. se imagina la presión y estrés con que deben trabajarpara interpretar los más convenientemente la información…

eso si es extremo jajaj


Gutiérrez, M. A., & Santolino, M. (2007).

• D’Arcy (2005) evalúa las prácticas de investigación de los siniestros llevadas a cabo por las compañías. Para identificar aquellos siniestros en los que la compañía ahorraría más dinero si realizase el informe médico pericial.

• Metodológicamente, aplica la técnica de minería de datos D2K (Data to Knowledge) para la generación del modelo lineal más adecuado.

• Entre sus resultados señala que el coste total o la factura declarada de los servicios médicos están positivamente correlacionados con el ahorro monetario esperado.


Ahora que conocemos un poco más respecto a la minería de datos analicemos más información para comprender su contribución al campo educativo como:

Minería de Datos Educativos


EvoluciónLa minería de datos educativos es relativamente joven, al surgir formalmente en 2008 en Canadá.1st International Conference on Educational Data Mining (2008) - Montreal, Canadá (http://www.educationaldatamining.org/EDM2008)

Tiene su propia revista: Journal of Educational Data Mining.

(2011) Chapman & Hall/CRC Press, Taylor y Francis Group realizaron una enorme contribución a la materia al publicar el primer Manual de Minería de Datos Educativos; creado para interesados en participar en la comunidad de la minería de datos educativos.

http://www.educationaldatamining.org/EDM2008


Utilidad

Sirve para adoptar “críticamente” las tecnologías al ámbito educativo y lograr que los procesos de enseñanza y aprendizaje evolucionen.

Pudiendo mejorar el proceso virtual de aprendizaje al facilitar la forma de trabajo autónomo del estudiante, su interacción con el docente o entre compañeros y el uso de herramientas colaborativas.


Información V/S Datos

Los datos almacenados del estudiante tienen como objetivo identificar actividades, recursos y tareas que podrían mejorar su rendimiento académico mediante tecnología y adecuar las actividades que mejor se ajusten a perfil determinado de estudiante.

La clave para ello es realizar el procedimiento de interpretación de información


Modelo de análisis

Los datos recolectados se transforman “realmente” en información mediante una revisión, contrastación, análisis y deducción de elementos; como bases de datos, tiempo conectado, puntos de conexión, registro y control de población, semestres, matrícula actual y/o egresados, etc.

Para definir así modelos que expliquen patrones de uso y poder diseñar estrategias globales sobre la creación o modificación de recursos educativos acorde a la demanda y orientación de los estudiantes.


Descubrir modelosLas predicciones del modelo creado (como su nombre lo indican) se utilizan para “predecir” nuevas variables dependientes e independientes y así nosotros tomar decisiones.

Para la extracción de relaciones, el modelo creado permite el análisis entre las nuevas predicciones y variables adicionales en el estudio. En muchos casos, el descubrimiento de los modelos utiliza modelos de predicción validados que han demostrado su generalización a través de contextos diversos.

Las aplicaciones incluyen el establecimiento de relaciones entre conductas de estudiantes, sus características y las variables contextuales en el ambiente de aprendizaje.


Fases de la minería de datos educativos

• Descubrimiento de las relaciones entre los datos. Esto implica la búsqueda a través de un repositorio de datos de un entorno educativo con el objetivo de encontrar relaciones consistentes entre variables. Se usan varios algoritmos para la identificación de este tipo de relaciones, incluyendo la clasificación estadística, el análisis de regresión, el análisis de agrupaciones, el análisis de redes sociales, la aplicación de reglas de asociación y la extracción de secuencias.

• Validación: las relaciones descubiertas deben validadas con el fin de evitar errores; se aplican para hacer predicciones a eventos futuros en el ambiente de aprendizaje y apoyar los procesos de toma de decisiones.

• Durante las fases 3 y 4, los datos se visualizan de manera diseminada para facilitar la emisión del juicio humano. Mucho se ha estudiado para llevar a cabo en las mejores visualizaciones de datos con este fin.


Julián A. Monsalvea, Fredy A. Aponteb and Jorge G. Hoyosc, 2012


Discusión Debemos familiarizarnos más con la tecnología, ignorarla abona a la ya fragmentada relación entre vida escolar y vida real rompiendo además con el concepto de competencias que tan presente tenemos en los modelos educativos institucionales.

Sin embargo considerar que toda innovación tecnológica, solo por ser interactiva y entretenida mejorará el proceso de aprendizaje e introducirla a los espacios educativos seria absurdo, aumentando la idea que:

“Todo mundo mete mano en la educación sin estar consciente de cómo funciona”

Manteniendo los distanciamientos entre profesionales pues quienes trabajamos en educación muchas veces “nos sentimos invadidos” y quienes trabajan en tecnología “se sienten frustrados” pues desean contribuir a la educación, pero pocos les traducen a su *nivel como es comprendido el proceso de aprendizaje y el proceso de enseñanza.


*Me refiero a su “nivel” respecto a que desconocen la “jerga pedagógica” así como nosotros desconoceríamos la propia de otra disciplina en la que quisiéramos participar pero no tuviésemos la formación profesional correspondiente.

¿Y tu que opinas al respecto?


Bibliografía:

• ÁLVAREZGÁLVEZ, J., Plaza, J. F., Muñiz, J. A., & Delmar, J. L. (2014). Aplicación de técnicas de minería de textos al frame analysis: identificando el encuadre textual de la inmigración en la prensa. Estudios sobre el Mensaje Periodístico, 20(2), 919-932.

• Gutiérrez, M. A., & Santolino, M. (2007). Una revisión metodológica de la valoración actuarial de los siniestros con daños corporales en el seguro del automóvil. In Anales del Instituto de Actuarios Españoles (No. 13, pp. 143-172). Instituto de Actuarios Españoles.

• http

://www.uco.es/grupos/kdis/index.php?option=com_jresearch&publications_view_all=1&theses_view_all=0&projects_view_all=0&task=show&view=researcharea&id=2&Itemid=47&lang=es

• https://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos_educativa

http://www.uco.es/grupos/kdis/index.php?option=com_jresearch&publications_view_all=1&theses_view_all=0&projects_view_all=0&task=show&view=researcharea&id=2&Itemid=47&lang=es




https://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos_educativa