Minería de datos en educación: una revisión literaria

  • Jessica Johanna Morales Carrillo Grupo de Investigación SISCO, Carrera de Computación, ESP AM MFL, campus politécnico sitio El Limón, Calceta, Manabí, Ecuador
  • Viviana Katherine Trujillo Utreras Grupo de Investigación SISCO, Carrera de Computación, ESP AM MFL, campus politécnico sitio El Limón, Calceta, Manabí, Ecuador
  • Sulay Katerine Cevallos Molina Grupo de Investigación SISCO, Carrera de Computación, ESP AM MFL, campus politécnico sitio El Limón, Calceta, Manabí, Ecuador
  • Santana Cedeño Hiraida Monserrate Facultad de Ingeniería en Sistemas, Uleam, Av. Circunvalación - Vía a San Mateo Manta - Manabí - Ecuador
Palabras clave: Minería de datos; investigación documental; clasificación; árbol de decisión; weka

Resumen

La presente investigación fue desarrollada con el objetivo de determinar cuáles son las principales técnicas de minería de datos aplicados en la educación, para mostrar el nivel de coincidencias e identificar qué necesidades satisfacen el uso de dichas técnicas. Mediante el uso de investigación documental por revisión de artículos científicos se filtró, clasificó y seleccionó las publicaciones que presentan mayor sustento para el análisis realizado, recopilando un total de 25 artículos, publicados entre el 2010 y 2018, escritos generalmente en inglés y español. Realizada la recolección de información se elaboró una matriz para la aplicación de minería de datos en los artículos seleccionados que contiene las características a evaluar (técnicas y herramientas), esto permitió realizar un análisis estadístico del nivel de coincidencia entre las características evaluadas y determinar cuáles fueron las más utilizadas. En el análisis de los artículos encontrados se observó que la mayoría están orientados al desarrollo de métodos de descubrimiento que analizan los datos de repositorios educacionales para comprender a los estudiantes, el entorno en el que aprenden y los factores que afectan la calidad del rendimiento académico. Con base en la investigación se determina que, una de las técnicas más experimentadas es la clasificación y la herramienta más usada es el software WEKA (Waikato Environment for Knowledge Analysis).

Descargas

La descarga de datos todavía no está disponible.

Citas

Alcover, R; Benlloch, P; Blesa, M; Calduch, M; Celma, C; Ferri, J; Hernández, L; Iniesta, J; Ramírez, A; Robles, J. 2015. Análisis del rendimiento académico en los estudios de informática de la Universidad Politécnica de Valencia aplicando técnicas de minería de datos. Revista en Ciencias de Computacion. XII: 163-170.
Ballesteros, A., Sánchez-Guzmán, D. and García, R. 2014. Minería de datos educativa: Una herramienta para la investigación de patrones de aprendizaje sobre un contexto educativo. Lat. Am. J. Phys. Educ. 7(4).
Bedoya, O; López, M; Marulanda, C. 2016. Minería de datos en egresados de la Universidad de Caldas. Medellín, CO. Revista Virtual Universidad Católica del Norte. 6:110-124.
Eckert, K y Suénaga, R. 2013. Aplicación de técnicas de Minería de Datos al análisis de situación y comportamiento académico de alumnos de la UGD. Argentina. XV Workshop de Investigadores en Ciencias de la Computación.
Estrada-Danell, R; Zamarripa-Franco, R.; Zúñiga-Garay, P.; Martínez-Trejo, I. 2016. Aportaciones desde la minería de datos al proceso de captación de matrícula en instituciones de educación superior particulares. Revista Electrónica Educare (3) 20.
Fernándes E., Carvalho R., Holanda M., Van Erven G. 2017. Educational Data Mining: Discovery Standards of Academic Performance by Students in Public High Schools in the Federal District of Brazil. Advances in Intelligent Systems and Computing, 569: 287-296
García, M., Bernardo, A., Rodríguez. L. 2016. Permanencia en la universidad: la importancia de un buen comienzo. Oviedo-Asturias, España Open Access funded by Instituto de Ciencias de la Educación, 44(1):1-6.
García, D; Palazuelos, C; Zorrilla, M. 2014. Data Mining and Social Network Analysis in the Educational Field: An Application for Non-Expert Users. Educational Data Mining. Studies in Computational Intelligence. 524:411-439.
Jaramillo, A. y Paz, H. 2015. Aplicación de Técnicas de Minería de Datos para Determinar las Interacciones de los Estudiantes en un Entorno Virtual de Aprendizaje. Loja, Ecuador. Revista Tecnológica ESPOL – RTE, 28 (1):64-90.
Jantan, H; Hamdan, A; Othman, Z. 2009. Classification and Prediction of Academic Talent Using Data Mining Techniques. Knowledge-Based and Intelligent Information and Engineering Systems. Notas de la conferencia en Ciencias de la computación. 6276:491-500.https://doi.org/10.1109/ISDA.2009.64.
Jiménez, J. y Toledo, S. 2015. Caracterización de la deserción estudiantil en educación superior con minería de datos. Pasto-Nariño, CO. Revista Tecnológica ESPOL – RTE. 28: 447-463.
Jiménez, G. y Álvarez, H. 2010. Minería de Datos en la Educación. ES. Revista de Inteligencia en Redes de Comunicación. p 2-9.
Keshtkar, F; Burkett, C; Li, H; Graesser, A. 2014. Using Data Mining Techniques to Detect the Personality of Players in an Educational Game. Studies in Computational Intelligence. 524:125-150.
Khalaf Hamoud, A., Salah Hashim, A., and Aqeel Awadh, W. 2018. Predicting student performance in higher education institutions using decision tree analysis. Revista Internacional de Multimedia Interactiva e Inteligencia Artificial, 5(2).
Kotsiantis, S. 2012. Use of machine learning techniques for educational proposes: a decision support system for forecasting students’ grades. Artif Intell Rev. 37:331-344.
La Red, D., Karanik, M., Giovannini, M., Pinto, N. 2015. Perfiles de Rendimiento Académico: Un Modelo basado en Minería de datos. Campus Virtuales. Argentina, 4(1): 12-30.
Mashiloane, L; Mchunu, M. 2013. Mining for Marks: A Comparison of Classification Algorithms when Predicting Academic Performance to Identify “Students at Risk”. Inteligencia minera y exploración del conocimiento. Conference notes in Computer Science. 8284:403-414.
Menacho, C. 2017. Predicción del rendimiento académico aplicando técnicas de minería de datos. La Molina-Lima, Perú. Revista de Facultad de Economía y Planificación, 78(1):26-33.
Meedech, P; Iam-On, N; Boongoen, T. 2016. Prediction of Student Dropout Using Personal Profile and Data Mining Approach. Intelligent and Evolutionary Systems, Proceedings in Adaptation, Learning and Optimization. 5:143-155.
Morales, J. y Parraga-Alava, J. 2018. How Predicting The Academic Success of Students of the ESPAM MFL?: A Preliminary Decision Trees Based Study. IEEE. 978-1-5386-6657-9/18
Natek, S. y Zwilling, M. 2014. Student data mining solution–knowledge management system related to higher education institutions. Celje, SI. Expert Systems with Applications, 41(14):6400–6407.
Olague, J; Torres, S; Morales, F; Valdez, A; Silva, A. 2010. Sistemas de gestión de contenidos de aprendizaje y técnicas de minería de datos para la enseñanza de ciencias computacionales. Un caso de estudio en el norte de Coahuila. Distrito Federal, MEX. Revista Mexicana de Investigación Educativa. 15:391-421.
Pérez, T., Caballero, D., Caro, A., Rodríguez, P., Antequera, T. 2014. Applying data mining and Computer Vision Techniques to MRI to estimate quality traits in Iberian hams. Caceres, España. Journal of Food Engineering, 131:82–88.
Pereira, R; Calderón, A; Jiménez, A. 2013. Aplicación de la minería de datos en la extracción de perfiles de deserción estudiantil. Manizales, CO. Revista de Facultad de Ciencias e Ingeniería. 28:31-47.
Pinzón, L. 2011. Aplicando minería de datos al marketing educativo. CO. Notas D Marketing. 1:45-61.
Reyes, A; Flores, A; Alejo, R; Rendón, E. 2017. Minería de datos aplicada para la identificación de factores de riesgo en alumnos. MX. Revistas de Ciencias de la Computación. 139:177–189.
Riquelme, J., Ruiz, R., Gilbert, K. 2016. Minería de Datos: Conceptos y Tendencias. Valencia, España. Revista Iberoamericana de Inteligencia Artificial, 10 (29):11-18.
Rosado, A. y Verjel, A. 2016. Aplicación de la minería de datos de la educación en línea. CO. Revista Colombiana de Tecnologías de Avanzada. 1: 92-96.
Saleem, M; Kathiry, N; Osimi, S; Badr, G. 2015. Mining Educational Data to Predict Students’ Academic Performance. Machine Learning and Data Mining in Pattern Recognition. MLDM 2015. Lecture Notes in Computer Science. 9166:403-414.
Sanvitha, K; Liyanage, S; Bhatt, C. 2018. A Data Mining Approach to Identify the Factors Affecting the Academic Success of Tertiary Students in Sri Lanka. Software Data Engineering for Networke Learning Environments Notes on Data Engineering and Communications Technologies. 11:179-197.
Sharma, M. y Mavani, M. 2011. Accuracy Comparison of Predictive Algorithms of Data Mining: Application in Education Sector. DE. Journal of Computer Science. 11:189–194.
Troche, A. 2014. Aplicación de la minería de datos sobre bases de datos transaccionales. Salle, BO. Fides et Ratio - Revista de Difusión cultural y científica de la Universidad La Salle en Bolivia, 7(7):58-66.
Vialardi, C; Chue, J; Peche, J. 2011. A data mining approach to guide students through the enrollment process based on academic performance. User Modeling and User-Adapted Interaction. 21: 217–248
Publicado
2019-05-23