Patrones de desempeño docente en Educación a Distancia utilizando aprendizaje automático

Autores/as

DOI:

https://doi.org/10.24215/18509959.43.e4

Palabras clave:

Educación a distancia, , Minería de datos educativos, Desempeño docente, Aprendizaje automático, Sistema de gestión de aprendizaje

Resumen

El crecimiento acelerado de la Educación a Distancia ha impulsado la adopción de plataformas que generan grandes volúmenes de datos, pero estos no se analizan suficientemente y la información podría perderse. Este estudio perfila al docente virtual de la plataforma SEDUCA de la UAEMéx empleando aprendizaje automático y el ciclo CRISP-DM. Se realizó un análisis cuantitativo con 1 041 registros y 24 variables obtenidas del reporte de desempeño docente de la plataforma. En el preprocesamiento se realizó limpieza, imputación con K-NN y detección de outliers. Para el análisis descriptivo se aplicó K-means y Agrupamiento Jerárquico; se validó con coeficiente de silueta; la fase predictiva utilizó Random Forest optimizado con GridSearch y validado mediante matriz de confusión y validación cruzada. Se identificaron tres perfiles: docentes de interacción mínima (15 %), moderada (66 %) y alta (19 %). Las variables más influyentes fueron total de actividades calificadas y porcentaje de evidencias entregadas a tiempo; otras, como correos y número de alumnos, mostraron menor relevancia. El modelo alcanzó una exactitud del 95,2 % tras optimización. Este enfoque ofrece un marco para que las universidades aprovechen datos de sus plataformas en la planificación de la formación y selección de docentes virtuales.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

  • Kárilyn Brunett Zarza, Universidad Rosario Castellanos, México

    La Mtra. Kárilyn Brunett Zarza es estudiante del Doctorado en Ambientes y Sistemas Educativos Multimodales de la Universidad Rosario Castellanos, coordina el departamento de Tecnología Educativa en la Facultad de Ciencias de la Conducta de la UAEMéx. Docente desde 2006, especializada en matemáticas, análisis de datos y TIC. 

  • Rosa María Valdovinos Rosas, Universidad Autónoma del Estado de México, México

    La Dra. Rosa María Valdovinos Rosas es profesora en la Facultad de Ingeniería de la Universidad Autónoma del Estado de México (UAEMéx) y miembro del Sistema Nacional de Investigadores (SNI) Nivel II. Posee dos doctorados: uno en Sistemas Informáticos Avanzados por la Universitat Jaume I de España y otro en Ciencias de la Computación por el Instituto Tecnológico de Toluca, México. Sus líneas de investigación incluyen algoritmos genéticos, redes neuronales artificiales, reconocimiento de patrones y minería de datos.

  • Patricia del Carmen Montaño-Reyes, Universidad Autónoma del Estado de México, México

    La Dra. Patricia del Carmen Montaño-Reyes es una destacada académica mexicana afiliada a la Universidad Autónoma del Estado de México (UAEMex). Su trayectoria incluye importantes contribuciones en el ámbito de la educación, especialmente en métodos de enseñanza y aprendizaje en entornos virtuales. También ha publicado investigaciones en revistas de alto impacto, consolidando su posición como experta en educación superior

  • José Jacobo Gómez Quiróz, Universidad Nacional Rosario Castellanos. México

    El Dr. Jacobo Gómez Quiroz es Doctor en Ciencias Sociales por FLACSO Argentina, Maestro en Ciencias Sociales por FLACSO México, Grado en Ciencias de la Educación por la UAEM (Morelos). Actualmente se desempeña como docente de posgrado en la Universidad Nacional Rosario Castellanos, en la Lic. en Educación y Tecnologías Digitales en la UAM Unidad Lerma y asesor pedagógico en el IPN.

Referencias

[1] ANUIES, Anuario Estadístico de Educación Superior, 2024. [Online]. Available: https://www.anuies.mx/informacion-y-servicios/informacion-estadistica-de-educacion-superior/anuario-estadistico-de-educacion-superior/

[2] M. Brown, M. McCormack, J. Reeves, D. C. Brooks, and S. Grajek, 2020 EDUCAUSE Horizon Report: Teaching and Learning Edition. Louisville, CO, USA: EDUCAUSE, 2020. [Online]. Available: https://library.educause.edu/-/media/files/library/2020/3/2020_horizon_report_pdf

[3] K. Pelletier, M. Brown, D. C. Brooks, M. McCormack, J. Reeves, and N. Arbino, 2021 EDUCAUSE Horizon Report: Teaching and Learning Edition. Louisville, CO, USA: EDUCAUSE, 2021. [Online]. Available: https://library.educause.edu/resources/2021/4/2021-educause-horizon-report-teaching-and-learning-edition

[4] K. Pelletier, M. McCormack, J. Reeves, J. Robert, and N. Arbino, 2022 EDUCAUSE Horizon Report: Teaching and Learning Edition. Louisville, CO, USA: EDUCAUSE, 2022. [Online]. Available: https://library.educause.edu/resources/2022/4/2022-educause-horizon-report-teaching-and-learning-edition

[5] K. Pelletier, J. Robert, N. Muscanell, M. McCormack, J. Reeves, N. Arbino, and S. Grajek, 2023 EDUCAUSE Horizon Report: Teaching and Learning Edition. Louisville, CO, USA: EDUCAUSE, 2023. [Online]. Available: https://library.educause.edu/resources/2023/5/2023-educause-horizon-report-teaching-and-learning-edition

[6] S. Vargas Ávila and M. L. Cáceres Mesa, "Algunos preliminares sobre los factores socioeconómicos que determinan la aceptación de la educación superior a distancia," Revista Metropolitana de Ciencias Aplicadas, vol. 2, no. 1, 2019. [Online]. Available: https://remca.umet.edu.ec/index.php/REMCA/article/view/65

[7] UNESCO, Educación 2030: Declaración de Incheon y Marco de Acción para la realización del Objetivo de Desarrollo Sostenible 4. Paris, France: UNESCO, 2016. [Online]. Available: https://agenda2030lac.org/es/ods/4-educacion-de-calidad

[8] UAEMéx., "Modalidades educativas y sistemas de enseñanza," 2024. [Online]. Available: https://campusvirtual.uaemex.mx/modalidadeseducativasySE/

[9] UAEMéx., "Sistema de gestión del aprendizaje. Campus Virtual UAEMéx," 2024. [Online]. Available: https://campusvirtual.uaemex.mx/sistemadegestiondelaprendizaje/

[10] UAEMéx., "Universidatos," 2024. [Online]. Available: https://sdfi.uaemex.mx/estadisticas/universidatos/agendas-estad%C3%ADsticas.html

[11] M. K. Bhatia, "Data Analysis and Its Importance," International Research Journal of Advanced Engineering and Science, vol. 2, no. 1, pp. 166-168, 2017. [Online]. Available: https://irjaes.com/wp-content/uploads/2020/10/IRJAES-V2N1P58Y17.pdf

[12] Z. Liu, Data Analysis for Scientific Research. [Online]. Available: https://bae.k-state.edu/~zifeiliu/files/fac_zifeiliu/Zifeiliu/BAE815_Liu_06_Data%20Analysis%20for%20Scientific%20Research.pdf

[13] U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, "From Data Mining to Knowledge Discovery in Databases," AI Magazine, vol. 17, no. 3, pp. 37-54, 1996, doi:10.1609/aimag.v17i3.1230.

[14] C. Romero and S. Ventura, "Data Mining in Education," Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, vol. 3, no. 1, pp. 12-27, 2013, doi:10.1002/widm.1075.

[15] IBM, "Conceptos básicos de ayuda de CRISP-DM," Aug. 17, 2021. [Online]. Available: https://www.ibm.com/docs/es/spss-modeler/saas?topic=dm-crisp-help-overview

[16] J. J. Espinosa-Zúñiga, "Aplicación de metodología CRISP-DM para segmentación geográfica de una base de datos pública," Ingeniería, Investigación y Tecnología, vol. 21, no. 1, Art. no. e00008, 2020, doi:10.22201/fi.25940732e.2020.21n1.008.

[17] UAEMéx., "Licenciaturas en línea – Campus Virtual UAEMéx," 2024. [Online]. Available: https://campusvirtual.uaemex.mx/licenciaturasenlinea/

[18] N. D. N. Nuñez Sánchez, "Análisis de algoritmos para la imputación de datos y modelos de predicción," Bachelor's thesis, 2023. [Online]. Available: http://hdl.handle.net/11349/39424

[19] S. Naeem, A. Ali, S. Anam, and M. Ahmed, "An Unsupervised Machine Learning Algorithms: Comprehensive Review," International Journal of Computing and Digital Systems, 2023, doi:10.12785/IJCDS/130172.

[20] N. Donges, "Random Forest: A Complete Guide for Machine Learning," Built In, Nov. 26, 2024. [Online].

[21] F. Pedregosa et al., "Scikit-learn: Machine Learning in Python," Journal of Machine Learning Research, vol. 12, pp. 2825-2830, 2011.

[22] A. Géron, Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow, 3rd ed. Madrid, Spain: Anaya Multimedia, 2023.

[23] C. Pérez López, Técnicas de análisis multivariante de datos. México: Pearson Educación, 2008.

[24] I. Papadogiannis, M. Wallace, and G. Karountzou, "Educational Data Mining: A Foundational Overview," Encyclopedia, vol. 4, pp. 1644-1664, 2024, doi:10.3390/encyclopedia4040108.

[25] R. García Sánchez and J. E. Gil Mateos, "Minería de datos educacionales: descubrir tesoros ocultos durante el aprendizaje," Revista Científica Ecociencia, vol. 10, Special Issue, pp. 18-41, 2023, doi:10.21855/ecociencia.100.830.

[26] A. Rosado Gómez and A. Verjel Ibáñez, "Aplicación de la minería de datos en la educación en línea," Revista Colombiana de Tecnologías de Avanzada, vol. 1, no. 29, pp. 92-98, 2017, doi:10.24054/rcta.v1i29.194.

[27] R. Ordoñez-Ávila, N. Salgado Reyes, J. Meza, and S. Ventura, "Técnicas de minería de datos para predecir la evaluación docente en la educación superior: Una revisión sistemática de la literatura," Heliyon, vol. 9, no. 3, Art. no. e13939, 2023, doi:10.1016/j.heliyon.2023.e13939.

[28] C. Schröer, F. Kruse, and J. C. Marx Gómez, "A Systematic Literature Review on Applying the CRISP-DM Process Model," Procedia Computer Science, vol. 181, pp. 526-534, 2021, doi:10.1016/j.procs.2021.01.199.

[29] L. M. Regueras, M. J. Verdú, and J. P. de Castro, "A Rule-Based Expert System for Teachers' Certification in the Use of Learning Management Systems," International Journal of Interactive Multimedia and Artificial Intelligence, vol. 7, no. 7, pp. 75-81, 2022, doi:10.9781/ijimai.2022.11.004.

[30] F. Sciarrone and M. Temperini, "A Web-Based System to Support Teaching Analytics in a MOOC's Simulation Environment," in Proc. International Conference on Information Visualisation (IV), 2020, pp. 491-495, doi:10.1109/IV51561.2020.00085.

[31] S. Gao, Y. Bai, X. Sun, and F. Zhao, "Feedback System for Teaching Activities Based on Deep Learning," in Proc. 17th International Congress on Advanced Applied Informatics (IIAI-AAI-Winter), 2024, pp. 91-96, doi:10.1109/IIAI-AAI-Winter65925.2024.00026.

[32] K. Okoye, A. Arrona-Palacios, C. Camacho-Zuñiga, J. A. G. Achem, J. Escamilla, and S. Hosseini, "Towards Teaching Analytics: A Contextual Model for Analysis of Students' Evaluation of Teaching Through Text Mining and Machine Learning Classification," Education and Information Technologies, vol. 27, no. 3, pp. 3891-3933, 2022, doi:10.1007/s10639-021-10751-5.

Descargas

Publicado

2026-07-17

Número

Núm. 43 (2026)

Sección

Artículos originales

Licencia

Derechos de autor 2026 Kárilyn Brunett Zarza, Rosa María Valdovinos Rosas, Patricia del Carmen Montaño-Reyes, José Jacobo Gómez Quiróz

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Derechos de autor y licencias

Los artículos aceptados para publicación tendrán la licencia de Creative Commons BY-NC. Los autores deben firmar un acuerdo de distribución no exclusiva después de la aceptación del artículo.

Cómo citar

[1]
“Patrones de desempeño docente en Educación a Distancia utilizando aprendizaje automático”, TEyET, no. 43, p. e4, Jul. 2026, doi: 10.24215/18509959.43.e4.