Minería de Datos Educacionales: Descubrir tesoros ocultos durante el aprendizaje Educational Data Mining: Discover hidden treasures during learning
Barra lateral del artículo
Contenido principal del artículo
Resumen
El presente trabajo aborda el tema de la minería de datos educacionales, una disciplina relativamente joven, con el objetivo de presentar definiciones, conceptos y relaciones sobre minería de datos, huella digital y minería de datos educacionales. La metodología empleada para este objetivo se sustenta en una amplia revisión bibliográfica sobre el estado de desarrollo de la minería de datos educacionales. Además, se presentan algunas de las herramientas, técnicas y utilidades más significativas en este campo, como la clasificación y predicción, clustering, detección de valores extremos, minería de relaciones, análisis de redes sociales, procesos de minería, minería de texto, procesamiento para análisis humano y descubrimiento mediante modelos. Como principal conclusión, se destaca la imperativa necesidad de incorporar la minería de datos en el ámbito educacional, con el propósito de esclarecer el camino a los docentes, encargados de administrar los procesos de formación, y autoridades a que se interesen en incursionar en este campo en favor de la educación virtual o en línea para revalorizar la educación y favorecer el proceso de enseñanza-aprendizaje en favor del estudiante.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Los miembros que conforman el Comité Editorial de la Revista Científica ECOCIENCIA, realizan una labor transparente en los diferentes procesos de gestión de la misma garantizando la elevada calidad de cada uno de los artículos que quedan publicados a disposición de la comunidad académica y científica. Dicho Comité verifica que cada artículo enviado por su autor/es, carezca de plagio y para ello se emplea el software antiplagio COMPILATIO.
El reporte que URKUND envía como respuesta al editor evaluador, permite que este pueda visualizar si ha habido similitudes o plagio (en su defecto) lo cual comúnmente sucede por errores en la forma de citar o referenciar por parte del autor del artículo. Igualmente, el evaluador gracias al reporte de URKUND, puede visualizar de cuáles fuentes o documentos originales ha incurrido en plagio el autor del trabajo. Una vez que sea constatada la ausencia de plagio en cada artículo, se da inicio al proceso de revisión por parte de los pares ciegos. Si se detecta plagio en el artículo, automáticamente este es rechazado y se notifica el veredicto al autor/es.
Cuando un artículo es aprobado, el/los autor/es conservan los derechos de autor y cede(n) a la Revista Científica ECOCIENCIA, el derecho de ser la primera que pueda editarlo, reproducirlo, exhibirlo y comunicarlo mediante medios impresos y electrónicos.
La Revista Científica ECOCIENCIA opera bajo una bajo una licencia Creative Commons Reconocimiento-No Comercial 4.0 Internacional (CC-BY-NC 4.0).
BY: la dirección de la revista, así como el Comité Editorial, tienen atribución para compartir, copiar y redistribuir el material de la revista en cualquier medio o formato, así como adaptar, remezclar y transformar las secciones de la revista no causando alteración en el contenido de los artículos publicados o previo a publicar por parte de los autores.
NC: el material de la revista no puede ser manejado con fines comerciales por lo cual ninguna de sus secciones ni artículos publicados por los autores, está disponible para la venta o actividad comercial.
Se autoriza la reproducción, parcial o total, de los artículos publicados en la Revista Científica ECOCIENCIA, siempre que se cite apropiadamente la fuente y se use sin propósitos comerciales.
Citas
Amershi, S., & Conati, C. (2009). Combining Unsupervised and Supervised Classification to Build User Models for Exploratory Learning Environments. En Journal of Educational Data Mining, Article (Vol. 2, Número 1).
Anaya, A. R., & Boticario, J. G. (2009). A Data Mining Approach to Reveal Representative Collaboration Indicators in Open Collaboration Frameworks. EDM 2009.
Arnold, K. (2010). Signals: Applying Academic Analytics | EDUCAUSE. Educause Quarterly, 33, 1-10.
Arnold, K. E., & Pistilli, M. D. (2012). Course signals at Purdue: Using learning analytics to increase student success. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (pp. 267-270).
Arroyo, I., Ferguson, K., Johns, J., Dragon, T., Meheranian, H., Fisher, D., Barto, A., Mahadevan, S., & Woolf, B. (2007). Repairing Disengagement With Non-Invasive Interventions. Artificial Intelligence in Education, 158(January).
Baker, R. S. J. d. (2010). Data mining for education. International Encyclopedia of Education, 7, 112-118. https://doi.org/10.4018/978-1-59140-557-3
Baker, R. S. J. D., Corbett, A. T., Koedinger, K. R., Evenson, S., Roll, I., Wagner, A. Z., Naim, M., Raspat, J., Baker, D. J., & Beck, J. E. (2006). Adapting to when students game an intelligent tutoring system. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 4053 LNCS, 392-401. https://doi.org/10.1007/11774303_39
Baker, R. S. J. D., & Gowda, S. M. (s. f.). Automatically Detecting a Student’s Preparation for Future Learning: Help Use is Key.
Baker, R. S. J. D., & Yacef, K. (2009). The State of Educational Data Mining in 2009: A Review and Future Visions. Journal of Educational Data Mining, 1(1).
Baker, R. S. J., & Inventado, P. S. (2014). Chapter 4: Educational Data Mining and Learning Analytics. Springer, Chapter 4, 61-75.
Baker, R. S., & Siemens, G. (2014). Educational data mining and learning analytics. Learning Analytics: Foundations, Applications, and Future Directions, 61-75.
Bienkowski, M., Feng, M., & Means, B. (2012). Enhancing teaching and learning through educational data mining and learning analytics: An issue brief. Washington, DC: SRI International, 1-57.
Bogarín, A., Cerezo, R., & Romero, C. (2018). A survey on educational process mining. WIREs Data Mining and Knowledge Discovery, 8. https://doi.org/doi: 10.1002/widm.1230
Calvet Liñán, L., & Juan Pérez, Á. A. (2015). Educational Data Mining and Learning Analytics: differences, similarities, and time evolution. RUSC. Universities and Knowledge Society Journal, 12(3), 98. https://doi.org/10.7238/rusc.v12i3.2515
Corbett, A. T., & Anderson, J. R. (1994). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction, 4(4), 253-278. https://doi.org/10.1007/BF01099821
Daradoumis, T., Ardura, I. R., Faulin, J., Juan, A. A., Xhafa, F., & Lopez, F. J. M. (2010). Customer Relationship Management applied to higher education: developing an e-monitoring system to improve relationships in electronic learning environments. International Journal of Services Technology and Management, 14(1), 103. https://doi.org/10.1504/IJSTM.2010.032887
Daradoumis, T., Juan, A. A., Lera-López, F., & Faulin, J. (2010). Using Collaboration Strategies to Support the Monitoring of Online Collaborative Learning Activity (pp. 271-277). Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-13166-0_39
García, E., Bernardo, M., Gutiérrez, A. B., & Rodríguez-Muñiz, L. J. (2016). Persistence in university studies: The importance of a good start. En Aula Abierta (Vol. 44, Número 1, pp. 1-6). Elsevier Doyma. https://doi.org/10.1016/j.aula.2015.04.001
Galetsi, P., Katsaliaki, K., & Kumar, S. (2020). Big data analytics in health sector: Theoretical framework, techniques and prospects. International Journal of Information Management, 50(March 2019), 206-216. https://doi.org/10.1016/j.ijinfomgt.2019.05.003
George, D. M., George, A. E., & George, K. L. (2020). Big Data Just Got Bigger: Implications of Real-World Evidence and Patient-Entered Data on Health Care and Health Care Policy. American Journal of Lifestyle Medicine, 14(1), 40-42. https://doi.org/10.1177/1559827619882605
Huebner, R. (2013). A survey of educational data-mining research. Research in Higher Education Journal, 19.
IBM. (2017). Infographic: The Four V’s of Big Data. IBM Big Data & Analytics Hub. https://www.ibmbigdatahub.com/infographic/four-vs-big-data
Jaramillo, A., & Paz-Arias, H. (2015). Aplicación de Técnicas de Minería de Datos para Determinar las Interacciones de los Estudiantes en un Entorno Virtual de Aprendizaje. Revista Tecnológica ESPOL – RTE, 28(1), 64-90.
Jiménez, Á., & Álvarez, H. (2010). Minería de Datos en la Educación. Revista de Inteligencia en Redes de Comunicación, 2-29.
Juan, A. A., Daradoumis, T., Faulin, J., & Xhafa, F. (2009). A data analysis model based on control charts to monitor online learning processes. International Journal of Business Intelligence and Data Mining, 4(2), 159. https://doi.org/10.1504/ijbidm.2009.026906
Khan, M. A. U. D., Uddin, M. F., & Gupta, N. (2014). Seven V’s of Big Data understanding Big Data to extract value. Proceedings of the 2014 Zone 1 Conference of the American Society for Engineering Education - «Engineering Education: Industry Involvement and Interdisciplinary Trends», ASEE Zone 1 2014. https://doi.org/10.1109/ASEEZone1.2014.6820689
Kop, R. (2010). The design and development of a Personal Learning Environment. Archives des publications du CNRC.
Kotsiantis, S. B., Pierrakeas, C., & Pintelas, P. (2004). Predicting students' performance in distance learning using machine learning techniques. Applied Artificial Intelligence, 18(5), 411-426.
Maheshwari, A. K. (2015). Business Intelligence and Data Mining. Business Expert Press, LLC.
Mazza, R., & Milani, C. (2004). GISMO: A Graphical Interactive Student Monitoring Tool for Course Management Systems. Computer Science.
Menacho Chiok, C. H. (2017). Predicción del rendimiento académico aplicando técnicas de minería de datos. Anales Científicos, 78(1), 26. https://doi.org/10.21704/ac.v78i1.811
Merceron, A., & Yacef, K. (2010). Measuring Correlation of Strong Symmetric Association Rules in Educational Data (pp. 245-256). https://doi.org/10.1201/b10274-20
Mohamad, S. K., & Tasir, Z. (2013). Educational Data Mining: A Review. Procedia - Social and Behavioral Sciences, 97, 320-324. https://doi.org/10.1016/j.sbspro.2013.10.240
Morales, J., Trujillo, V., & Santana, H. (2019). Minería de datos en educación: una revisión literaria. Espamciencia, 10(1), 14-20.
Papamitsiou, Z., & Economides, A. A. (2014). Learning Analytics and Educational Data Mining in Practice: A Systematic Literature Review of Empirical Evidence. Educational Technology & Society, 17(4), 49-64.
Pérez-Palacios, T., Caballero, D., Caro, A., Rodríguez, P. G., & Antequera, T. (2014). Applying data mining and Computer Vision Techniques to MRI to estimate quality traits in Iberian hams. Journal of Food Engineering, 131, 82-88. https://doi.org/10.1016/j.jfoodeng.2014.01.015
Rabbany, R., Takaffoli, M., & Zaïane, O. R. (2011). Analyzing Participation of Students in Online Courses Using Social Network Analysis Techniques. International Conference on Educational Data Mining.
Ray, S., & Saeed, M. (2018). Applications of educational data mining and learning analytics tools in handling big data in higher education. Applications of Big Data Analytics: Trends, Issues, and Challenges, 135-160. https://doi.org/10.1007/978-3-319-76472-6_7
Romero, C., Espejo, P. G., Zafra, A., Romero, J. R., & Ventura, S. (2010). Web usage mining for predicting final marks of students that use Moodle courses. Computer Applications in Engineering Education, 21(1), 135-146. https://doi.org/10.1002/cae.20456
Romero, C., López, M. I., Luna, J. M., & Ventura, S. (2013). Predicting students' final performance from participation in on-line discussion forums. Computers & Education, 68, 458-472.
Romero, C., & Ventura, S. (2013). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1), 12-27. https://doi.org/10.1002/widm.1075
Romero, C., Ventura, S., & García, E. (2008). Data mining in course management systems: Moodle case study and tutorial. Computers and Education, 51(1), 368-384. https://doi.org/10.1016/j.compedu.2007.05.016
Romero, C., Ventura, S., Pechenizkiy, M., & Baker, R. S. J. d. (2010). Handbook of Educational Data Mining. CRC Press.
Shaun, R., Baker, J. De, & Eds, J. E. B. (2008). Educational Data Mining 2008 The 1 st International Conference on Educational Data Mining. Network, January, 187.
Sánchez-Rada, J. F., Iglesias, C. A., & García-Serrano, A. (2011). Towards an automatic early detection of student's difficulty: Logical models rule. Computers & Education, 56(3), 573-582.
Siemens, G., & Baker, R. S. J. D. (2012a). Learning analytics and educational data mining. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge - LAK ’12, 252. https://doi.org/10.1145/2330601.2330661
Siemens, G., & Baker, R. S. J. D. (2012b). Learning analytics and educational data mining: Towards communication and collaboration. ACM International Conference Proceeding Series, December, 252-254. https://doi.org/10.1145/2330601.2330661Tane, J., Schmitz, C., & Stumme, G. (2004). Semantic resource management for the web: An elearning application. Proceedings of the 13th International World Wide Web Conference on Alternate Track, Papers and Posters, WWW Alt. 2004, 1-10. https://doi.org/10.1145/1013367.1013369
Uddin, M. F., & Lee, J. (2016). We Are What We Generate - Understanding Ourselves Through Our Data. Procedia Computer Science, 95, 335-344. https://doi.org/10.1016/j.procs.2016.09.343
Ueno, M. (2004). Online Outlier Detection System for Learning Time Data in E-Learning and Its Evaluation. Triangulation of Bayesian networks View project Learning Bayesian networks View project online outlier detection system for learning time data in e-learning and it’s evaluation.