Técnicas de minería de datos con software libre para la detección de factores asociados al rendimiento

Autores

  • Fernando Martínez-Abad Universitad de Salamanca
  • Juan Pablo Hernández-Ramos Universitad de Salamanca

Resumo

La potencia de cómputo que permiten los equipos informáticos en la actualidad, unido a la existencia de información y datos masivos en todos los ámbitos sociales, incluido el educativo, exige el desarrollo y aplicación de técnicas estadísticas y software informáticos que faciliten la obtención de información significativa en estos universos de datos y su transformación en conocimiento útil para la sociedad. Partiendo de un proyecto de investigación en desarrollo actualmente, este trabajo presenta el potencial del software estadístico Weka para desarrollar análisis estadísticos de información masiva a partir de bases de datos de evaluaciones a gran escala, que permite aplicar técnicas de Minería de Datos, consideradas como parte de las técnicas del denominado Big Data. Así, se muestra una propuesta para el aprovechamiento de software informático en el análisis y detección de información no trivial entre la inmensidad de los datos disponibles. De esta manera, se presenta a la comunidad científica una serie de procedimientos y técnicas estadísticas que pueden ser valiosas y replicables en otros ámbitos educativos y/o sociales, concluyendo el trabajo con una propuesta de transferencia del conocimiento generado a la sociedad en general y a los agentes educativos en particular.

PALABRAS CLAVE. Big data; minería de datos; evaluación; software libre; valor añadido en educación.

Doi:10.21703/rexe.Especial3_201812514512

Downloads

Não há dados estatísticos.

Referências

Alcover, R., Benlloch, J., Blesa, P., Calduch, M. A., Celma, M., Ferri, C., y Zúnica, L. R. (2007,July). Análisis del rendimiento académico en los estudios de informática de la Universidad Politécnica de Valencia aplicando técnicas de minería de datos (pp. 163-170). Paper presented at XIII Jornadas de Enseñanza Universitaria de la Informatica.

Ballesteros, A., Sánchez-Guzmán, D., & García, R. (2014). Minería de datos educativa: Una herramienta para la investigación de patrones de aprendizaje sobre un contexto educativo. Latin-American Journal of Physics Education, 17, 662-668.

Baradwaj, B. K., & Pal, S. (2011). Mining Educational data to analyze students’ performance. International Journal of Advanced Computer Science and Applications, 2(6), 63-69.

Carter, C. L., & Hamilton, H. J. (1995). A fast, on-line generalization algorithm for knowledge discovery. Applied Mathematics Letters, 8(2), 5-11. Doi: 10.1016/0893-9659(95)00002-8

Castro, M., & Lizasoain, L. (2012). Las técnicas de modelización estadística en la investigación educativa: minería de datos, modelos de ecuaciones estructurales y modelos jerárquicos lineales. Revista Española de Pedagogía, 70, 131-148.

Educational Resources Information Center, N. C. for E. S., & National Science Foundation. (1996). hird International Mathematics and Science Study (TIMSS). Washington D.C.: U.S. Dept. of Education.

Gamazo, A., Martínez-Abad, F., Olmos-Migueláñez, S., & Rodríguez-Conde, M. J. (2018). Evaluación de factores relacionados con la eicacia escolar en PISA 2015. Un análisis multinivel. Revista de educación, (379), 56-84.

Han, J., Pei, J., & Kamber, M. (2011). Data Mining: Concepts and Techniques (3rd ed). Amsterdam: Elsevier.

Houtsma, M., & Swami, A. (1995). Set-oriented data mining in relational databases. Data and Knowledge Engineering, 17, 245-262. Doi: 10.1016/0169-023X(95)00024-M

Hsieh, M. (2013). Data mining from education databases examine the factors impacting the school performance in the United States. International Journal of Intelligent Technologies and Applied Statistics, 6, 135-143. Doi: 10.6148/IJITAS.2013.0602.03

Joaristi Olariaga, L., Lizasoain Hernández, L., & Azpillaga Larrea, V. (2014). Detección y caracterización de los centros escolares de alta eicacia de la Comunidad Autónoma del País Vasco mediante Modelos Transversales Contextualizados y Modelos Jerárquicos Lineales. ESE : Estudios Sobre Educación, (27), 37–61.

Kiray, S. A., Gok, B., & Bozkir, A. S. (2015). Identifying the factors afecting science and mathematics achievement using data mining methods. Journal of Education in Science, Environment and Health (JESEH), 1, 28-48.

Ma, X. (2005). Growth in Mathematics achievement: Analysis with classiication and regression trees. he Journal of Educational Research, 99, 78-86.

Marquez, J., Shack-Marquez, J., & Wascher, W. L. (1985). Statistical inference, model selection and research experience. A multinomial model of data mining. Economics Letters, 18, 39-44. Doi:10.1016/0165-1765(85)90075-8

Martínez Abad, F., & Chaparro Caso López, A. A. (2017). Data-mining techniques in detecting factors linked to academic achievement. School Efectiveness and School Improvement, 28(1), 39– 55. Doi: 10.1080/09243453.2016.1235591

Martinez-Abad, F., Chaparro Caso López, A. A., & Lizasoain Hernández, L. (2014). he socioeconomic index in the analysis of large-scale assessments: Case study in Baja California (Mexico). In Proceedings TEEM’ 14. Technological Ecosystems for Enhancing Multiculturality (pp. 461–467). Salamanca: ACM.

Mullis, I. V., Martin, M. O., Kennedy, A. M., Trong, K. L., & Sainsbury, M. (2009). PIRLS 2011 Assessment Framework. Amsterdam: International Association for the Evaluation of Educational Achievement.

Nghe, N. T., Janecek, P., & Haddawy, P. (2007). A comparative analysis of techniques for predicting academic performance. In 37th ASEE/IEEE Frontiers in Education Conference (pp. T2G-7–T2G-12).

OECD. (2013). PISA 2012 results. París: OECD Publishing

OECD. (2016). PISA 2015 results. Paris: OECD Publishing.

Osmanbegović, E., & Suljić, M. (2012). Data mining approach for predicting student performance. Economic Review: Journal of Economics and Business, 10 (1), 3-14.

Schumacher, P., Olinsky, A., Quinn, J., & Smith, R. (2010). A comparison of logistic regression, neural networks, and classiication trees predicting sucess of actuarial students. Journal of Education for Business, 85, 258-263.

Tekin, A. (2014). Early prediction of students’ grade point averages at graduation: A data mining approach. Eurasian Journal of Educational Research, 54, 207-226.

Publicado

2018-06-25

Como Citar

Martínez-Abad, F., & Hernández-Ramos, J. P. (2018). Técnicas de minería de datos con software libre para la detección de factores asociados al rendimiento. REXE- Revista De Estudios Y Experiencias En Educación, 2(2), 135–145. Recuperado de https://revistas.ucsc.cl/index.php/rexe/article/view/555

Edição

Seção

Investigación