Enfoques. Revista de Investigación en Ciencias de la Administración
http://doi.org/10.33996/revistaenfoques.v6i22.136
No. 22 | Volumen 6 | abril-junio 2022
http://revistaenfoques.org
ISSN: 2616 – 8219
ISSN-L: 2616 – 8219
pp. 197 – 216
Big Data en la Gestión Académica
Administrativa de los Procesos de Formación Continua Virtual
Big Data in the Administrative Academic
Management of the Virtual Continuing Training Processes
Big
Data na Gestão Acadêmica Administrativa de Processos Virtuais de Formação
Contínua
Carlos
Fernando Meléndez Tamayo
cmelendez77@uta.edu.ec
Orcid: 0000-0002-7990-4859
Universidad Técnica de Ambato,
Ambato-Ecuador
Luis Danilo Flores Rivera
ldaniflores77@gmail.com
Orcid: 0000-0003-1301-6880
Universidad Técnica de Ambato, Ambato-Ecuador
Artículo
recibido el 9 de febrero 2022 | Aceptado el 17 de marzo 2022 | Publicado el 13 de abril 2022
Resumen
El
artículo presenta al big data como una
herramienta que apoya el proceso de gestión y desarrollo de las actividades
académico-administrativas en la formación continua. Es decir, facilita la toma
de decisiones y ejecución de procedimientos en tiempo real, optimizándose
actividades y servicios de educación continua. El estudio como objetivo realizó
una revisión teórica de conceptos aplicados al proceso de formación continua
virtual. La metodología describió procedimientos académicos, administrativos,
programáticos y de control que se relacionaron de forma directa con el big data de la plataforma educativa,
permitiendo tomar decisiones en tiempo real. Cabe indicar que el big data aplicado a los participantes mejoró
en un 85 % los procesos de formación, con “agilidad y oportunismo”. Los
resultados obtenidos a través de encuestas se contrastaron con los resultados
del big data, verificándose la alta
confianza en la gestión académica administrativa virtual, comprometiendo mayor
esfuerzo de mejoramiento y servicio.
Palabras clave: Análisis
de datos; Gestión del conocimiento; Gestión educacional; Procesamiento de
datos; Procesamiento de la información; Tecnología de la información; TIC
Abstract
The article presents
big data as a tool that supports the process of management and development of
academic-administrative activities in continuing education. In other words, it
facilitates decision-making and the execution of procedures in real time,
optimizing continuing education activities and services. The objective of the
study was to carry out a theoretical review of concepts applied to the virtual
continuous training process. The methodology described academic,
administrative, programmatic and control procedures that were directly related
to the big data of the educational platform, allowing decisions to be made in
real time. It should be noted that the big data applied to the participants
improved the training processes by 85%, with "agility and
opportunism". The results obtained through surveys were contrasted with
the results of the big data, verifying the high confidence in the virtual
administrative academic management, committing a greater effort of improvement
and service.
Key words: Data analysis; Knowledge management; Academic management; Data
processing; Information management; Information technology; ICT
Resumo
artigo apresenta o
big data como ferramenta de apoio ao processo de gestão e desenvolvimento das
atividades acadêmico-administrativas na formação continuada. Ou seja, facilita
a tomada de decisões e a execução de procedimentos em tempo real, otimizando as atividades e serviços de educação permanente.
O objetivo do estudo foi realizar uma revisão teórica de conceitos aplicados ao
processo de formação continuada virtual. A metodologia descreveu procedimentos
acadêmicos, administrativos, programáticos e de controle que estavam
diretamente relacionados à big data da plataforma educacional, permitindo que
decisões fossem tomadas em tempo real. Cabe destacar que a big data aplicada
aos participantes melhorou os processos de treinamento em 85%, com “agilidade e
oportunismo”. Os resultados obtidos por meio de pesquisas foram contrastados
com os resultados da big data, verificando a alta confiança na gestão acadêmica
administrativa virtual, comprometendo um maior esforço de melhoria e
atendimento.
Palavras-chave: Análise de dados; Gestão do conhecimento; Gestão educacional,
Processamento de dados; Processamento da informação; Tecnologia da informação; TIC
INTRODUCCIÓN
La
gestión académica en los procesos educativos es fundamental para su ejecución,
seguimiento y perfeccionamiento. Ahora bien, el desarrollo tecnológico ha
posibilitado un mejor manejo y control de actividades; así como ampliar el
conocimiento del proceso formativo. En concordancia los procedimientos
administrativos han generado normativas y lineamientos que se ajustan al
cambio, permitiendo una mejor toma de decisiones en beneficio de la formación
continua virtual.
La investigación
contribuye con la experiencia desarrollada en la Dirección de Educación
Continua, a Distancia y Virtual (DEaDV) de la
Universidad Técnica de Ambato (UTA). El primer objetivo se orientó a una
revisión teórica fundamental de conceptos aplicados a la gestión
académico-administrativa del proceso de formación continua virtual. El segundo
objetivo describe la metodología y acciones realizadas en las labores
académicas y administrativas en base a la toma de decisiones adoptadas por la
información big data obtenida de la plataforma
educativa. Se representa información y resultados del big
data del proceso educativo. Se discute la viabilizan de la información obtenida
de los partícipes en los procesos formativos, así como la ejecución inmediata
de acciones en cursos consecutivos. Finalmente se exaltan características
beneficiosas y no beneficiosas de la gestión académica administrativa en los
procesos de formación continua virtual.
BIG DATA
La tecnología de
almacenamiento, análisis y tratamiento de grandes volúmenes de datos “big data” en el contexto educativo es una
herramienta que apoya principalmente la gestión académica y administrativa, que
combinada a las acciones analíticas de aprendizaje permiten: medir, recopilar,
ordenar, clasificar, analizar e informar. En tal sentido el procesamiento de la
información facilita la toma de decisiones a autoridades y directivos de las
instituciones educativas, que permanentemente buscan optimizar y mejorar la
calidad de los procesos formativos, así como la innovación e inclusión
educativa (Leiva-Olivencia y Matas-Terrón, 2020).
La inteligencia de datos
dinamiza la gestión del proceso académico de forma eficiente y con feedback en tiempo real. De este modo los
contenidos programáticos se van personalizando y reprogramando en función del
educando y la meta educativa. Por lo consiguiente este giro de la
transformación del aprendizaje beneficia a la sociedad y el colectivo académico
(Meléndez- Tamayo y Flores-Rivera, 2018).
Dentro de este orden de ideas el big
data se caracteriza por cuatro dimensiones o uves conocidas como volumen
que beneficia y opera masivas cantidades de datos que son gestionas y
procesadas con el objetivo de comprender su entorno, sus partícipes y sus
necesidades; velocidad que se relaciona con los altos flujos de
información limitan a los sistemas tradicionales a su almacenamiento,
tratamiento y análisis. Hoy en día es una constante el aumento de la velocidad y el flujo de datos, lo que
obliga al big data a ser más eficiente
en su recopilación, procesamiento y exactitud de su información.
Cabe indicar que existen
operaciones en donde sus procesos tienen que tomar decisiones en tiempo real
ejemplo de ello es el potencial fraude, comportamiento de clientes, marketing
instantáneo entre otras acciones sensibles contra el tiempo; variedad compromete
manejar datos de diferentes tipos de fuentes, que pueden ser estructurados, semiestructurados y no estructurados; veracidad minimiza
la imprevisibilidad y la incertidumbre de algunos tipos de datos, que
desfavorecen la confiabilidad y la calidad de la información cuando es generada
(Joyanes-Aguilar, 2013; Sevillano- Pérez, 2015;
Fundación Telefónica, 2018). La Figura 1, ilustra las cuatro V de big data y sus dimensiones operativas
Figura 1.
Las cuatro V de big data
Adaptada de Díaz, (2020) e IBM, (2014).
MINERÍA
DE DATOS
La Minería de Datos (MD) es una
herramienta de las ciencias computacionales que permiten el análisis de grandes
volúmenes de datos combinando metodologías, métodos, medios y técnicas en
relación directa con la estadística y procesos automatizados de aprendizaje; su
objetivo es generar conocimiento relevante de las bases de datos; a raíz de
patrones estimados y válidos (Menacho-Chiok, 2020;
Antonio-Aquino, et al., 2015). En la Tabla 1, se presenta una síntesis
de las principales características de los procesos de minería de datos.
Tabla 1. Principales
características de los procesos de minería de datos.
|
KDD (Knowledge Discovery in Databases) |
CRISP-DM (Cross Industry Standard Process for Data Mining) |
SEMMA (Sample, Explore,
Modify, Model, Assess) |
Catalyst o P3TQ (Product, Place, Price, Time, Quantity) |
Six
Sigma |
Fases |
- Integración y recopilación -
Selección, limpieza y transformación - Minería de datos -
Evaluación e interpretación - Difusión y uso |
-
Entendimiento del negocio -
Entendimiento de los datos -
Preparación de los
datos - Modelado - Evaluación - Despliegue |
- Muestreo - Exploración - Modificación - Modelado - Evaluación |
- Preparación de los datos - Modelado - Refinar el modelo - Implementar el modelo - Comunicación de resultados |
- Definición - Medición - Análisis - Mejora - Control |
Etapas iterativas |
Si |
Si |
No |
Si |
No |
Elección de herramientas |
Libres y comerciales |
Libres y comerciales |
Comerciales |
Libres y comerciales |
Libres y comerciales |
Evaluación del resultado |
Basado en los objetivos del proyecto |
Basado en el modelo y los objetivos del proyecto |
Basado en el modelo |
Basado en los objetivos del proyecto |
Basado en el modelo |
Orientada a MD |
Si |
Si |
Si |
Si |
No |
Año |
1996 |
1999 |
1998 |
2003 |
1986 |
Adaptada de Antonio-Aquino et al.,
(2016).
La MD requiere del big data para
agilizar su procesamiento y gestión de los datos, así como el big data requiere de la MD para un análisis predictivo de
patrones y tendencias estructurando la información. La integración de estas
herramientas big data como el “activo” y MD como la
“técnica” es un recurso efectivo para la gestión y toma de decisiones (Balagueró, 2017; Big Data International Campus, 2017).
La MD
aplicada a entornos de aprendizaje educativos ha dado paso a la minería de
datos educativos (MDE) siendo una disciplina emergente, que desarrolla métodos
y/o procedimientos que explora datos únicos y que cada vez crecen en número. La
MDE permite comprender mejor a los estudiantes y a sus entornos virtuales de
aprendizaje (Sociedad Internacional de Minería de Datos Educativos, 2011).
La MDE es una práctica
investigativa computacional que sistematiza la búsqueda de patrones utilizando
algoritmos, modelos, métodos, procedimientos y técnicas pedagógicas para
analizar e interpretar datos de entornos educativos. La finalidad es fomentar y
mejorar las estrategias, técnicas y prácticas educativas; así como optimizar e
incrementar el nivel participativo de estudiantes y docentes en los procesos
enseñanza-aprendizaje (Romero y Ventura, 2010; Ballesteros-Román, et al., 2013;
Mosquera-Gende, 2018), además se aporta con
innovación y mejoramiento de programas curriculares y syllabus que benefician a
la comunidad educativa (Flores-Rivera, et al., 2021). A continuación, la Figura
2, describe el proceso de minería de datos educativos.
Figura 2.
Proceso de minería de datos educativos.
Adaptada de Romero, Ventura, y De Bra, (2004).
De acuerdo con la Figura 2, el proceso de minería de datos tiene
etapas de preprocesamiento y post - procesamiento que
permiten depurar la información, para que el conocimiento generado se gestione
eficientemente en beneficio del ambiente educativo; los resultados “datos”
actuales del proceso serán nuevamente analizados en procura de un mejoramiento
continuo del ambiente educativo.
GESTIÓN
EDUCATIVA EN PROCESOS DE FORMACIÓN CONTINUA
Las instituciones de educación
superior (IES), en los últimos años han ido incrementado la sistematización en
la gestión de sus modalidades educativas (presencial, semipresencial,
a distancia y/o virtual), en base a aprendizajes propios y externos. Además de
considerar el aporte de experiencias de empresas e industrias que convergen con
los ambientes educativos (Briceño- Toledo et al., 2020). La modalidad a
distancia es donde se genera una mayor evolución de procedimientos relacionados
al modelo de gestión educativa. La Tabla 2, sintetiza los siguientes criterios:
Tabla 2. Criterios
para la gestión educativa a distancia.
Autor o autores |
Criterio: |
Gil-Rivera (2009),
como se citó
en García-Martínez et al., (2009) |
Tipo de gestión: |
|
- Gestión de proyecto |
|
- Gestión de aprendizaje |
|
- Gestión administrativa |
Antúnez-Carmona (2012) |
Dimensiones: |
|
- Académica |
|
- Tecnología e
infraestructura |
|
- Administrativa |
|
Componente interno: |
|
- Gestión organizacional |
|
- Gestión académica |
|
- Gestión de calidad |
Morantes-Higuera y Acuña-Corredor
(2013) |
Componente externo: |
|
- Orientación al mercado |
|
- Responsabilidad social |
|
- Evaluación |
Adaptada de Briceño-Toledo et al.,
(2020).
Los criterios abordados cumplen con el propósito de gestión de
los contenidos programados, pero es preciso considerar tendencias educativas
universitarias, tal como, la renovación de la demanda de enseñanzas,
cualificaciones y modelos educativos; el aumento de la oferta educativa y de la
educación transnacional y la internacionalización; la consolidación de nuevos
esquemas de competencia y cooperación universitaria; la irrupción del
componente educativo digital; y la transformación de los esquemas de
financiación y organización y la necesidad de una gestión eficiente
(Vázquez-García, 2015).
Estándares
e indicadores de calidad para la formación continua virtual
Importante lo que mencionan
Rubio-Gómez, (2015) y Pontoriero, (2021) sobre uno de
los actores referentes en estándares e indicadores de calidad para la formación
virtual es el Instituto Latinoamericano y del Caribe de Calidad en Educación
Superior a Distancia (CALED) organismo que en el año 2009 propone estándares de
cursos cortos en formación continua, tomado como base el proyecto “Centro
Virtual para el Desarrollo de Estándares de Calidad para la Educación Superior
a Distancia en América Latina y el Caribe”, … siendo su plan promover la
mejora, lanzamiento y administración de programas de educación a distancia y
contribuir a la capacidad de los gobiernos para regular, evaluar y acreditar sus
programas de educación a distancia, dimensionando en el tiempo y el espacio el
objetivo primordial. En consecuencia, el modelo se ajusta a la realidad de los
países de la región y despliega áreas, sub-áreas, estándares e indicadores,
como se indica en la Figura 3.
Figura 3.
Despliegue del modelo de Cursos Virtuales de Formación Continua.
Adaptada de Rubio-Gómez, (2015).
Adicionalmente, se constituyó
otro modelo para programas largos de formación continua como un instrumento
completo para la autoevaluación de educación a distancia (elaborado por el
CALED). Su despliegue fue: criterios, subcriterios,
objetivos o metas, estándares e indicadores (Rubio-Gómez, 2015), como se indica
en la Figura 4.
Figura 4.
Despliegue del modelo de Autoevaluación de los Programas de Educación a
Distancia.
Adaptada de Rubio-Gómez, (2015).
Posteriormente, el modelo fue mejorado obteniendo la siguiente
estructura (Figura 5).
Figura 5.
Estructura del modelo de los Programas de Educación a Distancia.
Adaptada de Rubio-Gómez, (2015).
En el año 2013 varios
representantes de IES y organismos de educación a Distancia que ofrecen
programas en línea concretaron modelos de tarjetas de puntuación con categorías
e indicadores para la evaluación de cursos educativos en línea y la evaluación
de programas en línea con el propósito de mejorar la calidad y garantizar
procesos continuos de educación en línea y a distancia de América Latina y el
Caribe (Rubio-Gómez, 2015). Ver la Tabla 3.
Tabla 3. Estructuras
de tarjetas de puntuación para la calidad evaluativa.
|
Cursos educativos en línea |
|
|
Programas en línea |
|
N ° |
Categorías |
Indicadores |
N ° |
Categorías |
Indicadores |
1 |
Apoyo Institucional |
6 |
1 |
Apoyo Institucional |
8 |
2 |
Apoyo Tecnológico |
7 |
2 |
Apoyo Tecnológico |
8 |
3 |
Desarrollo y Diseño Instruccional |
11 |
3 |
Desarrollo y Diseño Instruccional |
20 |
4 |
Estructura de los Cursos
en Línea |
6 |
4 |
Estructura de los Programas |
9 |
5 |
Enseñanza y Aprendizaje |
4 |
5 |
Enseñanza y Aprendizaje |
6 |
6 |
Apoyo a los Docentes |
2 |
6 |
Participación Social
y Estudiantil |
1 |
7 |
Apoyo a los Alumnos |
11 |
7 |
Apoyo a los Docentes |
6 |
8 |
Evaluación y Valoración |
12 |
8 |
Apoyo a los Alumnos |
20 |
|
|
|
9 |
Evaluación y Valoración |
13 |
|
Total |
59 |
|
91 |
Adaptada de Rubio-Gómez, (2015).
En consecuencia, los modelos indicados han contribuido con
indicadores, estándares y/o parámetros para cursos y programas de formación
continua que gestionan la evaluación y acreditación de la calidad en educación
a distancia y virtual (Rubio-Gómez, 2015).
Estándares
del aprendizaje virtual
Las IES y entidades de formación continua dedicados a la
enseñanza virtual adoptan estándares e-learning “conjunto
de reglas” que especifican como deben ser diseñados los cursos en línea que se
integran a las plataformas de sistemas de gestión del aprendizaje (SGA) (Hazim-Torres, et al., 2019; Hilera-González y
Hoya-Marín, 2010). Dentro de los estándares estimados para e-learning y SGA está la accesibilidad que
proporciona acceso al usuario del contenido apropiado desde cualquier lugar a
través de un navegador de internet sin importar la plataforma o el contenido en
sí mismo; adaptabilidad que facilita la personalización del SGA; durabilidad
donde el contenido puede utilizarse sin importar los cambios tecnológicos
de la base en el cual se elaboró (evitándose la obsolescencia). Esto sin
necesidad de tener que recodificar o recompilar programas de software; interoperabilidad
el contenido debería ser independiente de herramienta o plataforma, de tal
manera de poder utilizar diferentes SGA para acceder un mismo contenido.
También se refiere a la posibilidad de usar un contenido en un SGA diferente; productividad
si los proveedores de tecnología y procesos e-learning
desarrollan sus productos siguiendo estándares comúnmente aceptados, la
efectividad de un curso e-learning se
incrementa significativamente con lo que tiempo y costos disminuyen; reusabilidad
facilita el diseño de contenidos para ser reutilizados en diferentes
asignaturas, cursos o programas educativos (Hodgins,
2001; Aguirre, et al., 2004).
Además, se considera el estándar SCORM (Sharable Content Object
Reference Model - Modelo de Referencia para
Objetos de Contenido Compartible) conjunto de parámetros que proporcionan un
nivel de calidad al SGA y sus cursos. En este sentido, destacan características
de accesibilidad y/o disponibilidad de los usuarios para que puedan
ingresar a contenidos educativos desde cualquier lugar remoto teniendo a su
alcance internet y dispositivos electrónicos; adaptabilidad cumplen con
necesidades de los diferentes usuarios, grupos y organizaciones; durabilidad
de los contenidos educativos que no deberían tener necesidad de rediseñar,
reprogramar o reconfigurar un código para actualizarse con la evolución de la
tecnología; económico disminución del tiempo y costos de entrega del
contenido educativo; interoperabilidad muestra el contenido educativo de
múltiples fuentes. Además, los cursos funcionan igual independientemente del
SGA en el que opere; reutilización donde los cursos pueden ser mejorados
y modificados en cualquier instante. Se pueden retomar una parte/s o sección/es
del contenido de un curso y la programación no quede condicionada al
funcionamiento del curso original (Shariat, et al.,
2014; Centro de Recursos Estratégicos en Capacitación [CREC] iSpring, 2016).
GESTIÓN
EDUCATIVA VIRTUAL
Los procesos de formación continua se benefician de la gestión
educativa virtual; siendo esencial la plataforma tecnológica que es el
escenario donde se facilita y garantiza la ejecución de planes y contenidos
programáticos; que se acondicionan a todos los niveles y ámbitos; especialmente
los de modalidad virtual sin descartar las otras modalidades de estudio
(Castillo-Maza, 2007; Rodriguez-Andino et al.,
2005).
Las entidades educativas han puesto en marcha dinámicas que
benefician la descentralización de los procesos formativos. La tecnología es
parte esencial del cambio y la gestión vincula a directivos, administrativos y
docentes a participar de manera autónoma o consensuada en la toma de decisiones
y posibilitar un fácil acceso a la educación global y la sociedad en general
(Rico-Molano, 2016). Este escenario necesita de la gestión del conocimiento que
comprende un proceso de creación, validación, presentación, distribución y
aplicación del conocimiento. También, el proceso precisa de que la institución
educativa: aprenda, reflexione, desaprenda y vuelva a aprender, siendo oportuna
la construcción, permanencia y renovación de competencias fundamentales
educativas (Bhatt, 2001).
La gestión educativa virtual en
los procesos organizativos en línea que maneja la institución investigada está
integrada por las siguientes áreas de trabajo: dirección, administración,
pedagogía, sistemas y contenidos (Figura 6). Las características de cada
área es contar con personas especializadas en su trabajo y sinergia para
conformar un equipo multidisciplinario que dé solución a las necesidades
manifestadas por la colectividad universitaria.
Figura 6.
Gestión educativa en línea y virtual.
Adaptada de la información de la DEADV,
(2021).
Los procedimientos ejecutados
por cada área de trabajo están sujetos a una
retroalimentación continua que permite detectar anomalías o en su defecto
complementar requerimientos o sugerencias expuestas por la dirección.
Adicionalmente se coordinan reuniones (presenciales y/o telepresenciales)
en donde se socializan las labores ejecutadas que fortalecen la gestión
organizativa virtual. En concordancia con estas labores, la ejecución de un
curso virtual en la DEADV-UTA se caracteriza por procesos de cooperación y
comunicación activa (acuerdos y reuniones), que están supeditados a una
supervisión permanente que garantiza un óptimo funcionamiento de las
actividades automatizadas, así como un desempeño pertinente de las funciones
docentes que benefician a los partícipes de los programas formativos. La Figura
7, ilustra el proceso de gestión de un curso virtual en la IES.
Figura 7.
Proceso de gestión de un curso virtual.
Adaptada de la información de la DEaDV, (2021).
MÉTODO
Actualmente la DEaDV-UTA, cuenta con un sistema de seguimiento de procesos
en tiempo real. Es decir, el sistema mide, controla y evalúa el avance de las
actividades necesarias de un curso de educación continua. De igual forma, el
sistema asiste para la toma de decisiones o correcciones de fechas y tiempos
que pueden afectar el desarrollo y cumplimiento de cursos en ejecución. La
Tabla 4, registra datos totales de cursos y participantes, así como las aulas
virtuales utilizadas para la formación continua hasta el año 2021.
Tabla 4. Registro
de datos totales de cursos, participantes y aulas virtuales.
Registro de procesos
y participantes |
Total |
Cursos ejecutados |
190 |
Participantes capacitados |
8901 |
Aulas virtuales |
9276 |
Adaptada de la información de la DEaDV, (2021).
La Figura 8, ilustra una captura de la interfaz “Dashboard” que refleja el seguimiento de procesos en un
curso de formación continua ejecutado en la DEaDV.
Figura 8. Dashboard del seguimiento de procesos.
Adaptada del sistema de procesos DEaDV, (2021).
Los insumos o datos de gran escala “big
data”, de la plataforma educativa institucional, incorporaron como recurso
de evaluación el “cuestionario” (Ver Tabla 5); esta práctica es permanentemente
e indaga aspectos académicos y administrativos de los procesos de educación
continua. El cuestionario está estructurado con una información que se almacena
en la base de datos, mide la percepción de los participantes; recopila la
información por áreas o tópicos. Es decir, la plataforma sistematiza los
resultados en la ejecución del curso; realizando un análisis estadística
descriptivo e inferencial de los datos de los diferentes cursos en un período
de tiempos establecido.
Es preciso indicar que el
cuestionario se validó mediante el método del alfa de Cronbach
que de acuerdo con Oviedo-Acevedo y Campo- Arias, (2005), es un índice utilizado
para medir la confiabilidad y la consistencia interna de los ítems de un
instrumento que se encuentran en la escala de Likert midiendo el grado de
correlación entre los mismos. La teoría del coeficiente de alfa de Cronbach toma valores entre [0 y 1] para comprobar si el
instrumento evaluado es válido. Mientras se aproxima a 0, se dice que tiene
información incorrecta que puede llevar a conclusiones equivocadas; por el
contrario, si el resultado está próximo a 1 el instrumento de recolección
resulta viable y útil para medir lo que se necesita. En la investigación la
prueba de confiabilidad se realizó a un cuestionario de 26 ítems y 9 preguntas
(Ver Tabla 5) encuestando a 36 participantes de los cuales 21 respondieron a la
encuesta. Se aplicó el software estadístico SPSS determinándose un alfa de Cronbach de 0,801; el cual está próximo a 1, por lo que el
resultado obtenido de la encuesta es confiable. De esta forma y con el
propósito de mejorar el servicio en cada uno de los componentes ya sea de
satisfacción se invita a contestar la encuesta que aborda las siguientes
dimensiones (Figura 9).
Figura 9.
Ámbitos encuesta curso de educación continua
Adaptada de la plataforma educativa
institucional DEaDV, (2021).
La aplicación de la encuesta y los datos recolectados del
rendimiento académico de los participantes generan un big
data con información y conocimiento de valor que permite tomar acciones y
decisiones oportunas en la gestión operativa que realiza la DEaDV.
RESULTADOS
La presente investigación permitió obtener resultados de la
utilización del sistema en el seguimiento de procesos y consideró una gestión
en tiempo real, conjuntamente identificó el avance de las tareas o actividades
necesarias para su cumplimiento en el desarrollo de un curso de educación continua. Tales acciones mejoraron la gestión de los
procesos de una forma significativa, con un incremento del 85 % (Dirección de
Educación Continua a Distancia y Virtual [DEaDV],
2021), logrando efectuar un seguimiento de manera ágil y oportuna.
La aplicación de la MDE con la implementación de un cuestionario
permitió almacenar la información en una base de datos. Es decir, se midió la
percepción de los participantes “analítica de datos” de los cursos de educación
continua de la DEaDV. En este sentido la aplicación
del cuestionario recopiló información destina al área académica y
administrativa. La Figura 10, ilustra las dimensiones del cuestionario.
Figura 10.
Dimensiones del cuestionario.
Adaptada de la información de la DEaDV, (2021).
Los datos académicos permiten
obtener una información importante de los tutores como la capacidad de
motivación, dominio de los contenidos, fomento del trabajo en equipo, evaluados
en una escala de Likert desde muy bajo hasta muy alto, dichos resultados constituyen
herramientas muy útiles para la toma de decisiones, reajuste de contenidos
programáticos y análisis en período de tiempos y/o áreas de la dirección
(docencia, investigación, TIC, especificas). La Tabla 5, muestra las preguntas
del cuestionario y el registro de respuestas que utilizó la escala de Likert.
Tabla 5. Cuestionario
y registro de respuestas utilizando la escala de Likert.
PREGUNTA No 1 |
Muy Alta |
Alta |
Media |
Baja |
Muy Baja |
Total General |
||||||
Evalúe según su opinión los objetivos de este
curso en función de: |
||||||||||||
1. Relevancia para mi trabajo actual
y futuro |
15 |
5 |
0 |
1 |
0 |
21 |
||||||
2. Realismo y practicidad |
11 |
9 |
0 |
1 |
0 |
21 |
||||||
3. Claridad, estructuración de los objetivos |
12 |
6 |
2 |
1 |
0 |
21 |
||||||
PREGUNTA No 2 |
Refrescar o mejorar mis
conocimientos |
Adquirir nuevas habilidades |
Interés personal |
Obtener el certificado |
Total General |
|||||||
Señala cuales han sido los motivos que te
han llevado a participar en esta actividad de formación: |
||||||||||||
4. Seleccione el
motivo: |
5 |
20 |
5 |
|
2 |
21 |
||||||
PREGUNTA No 3 |
Abundante |
Suficiente |
Insuficiente |
|
Nula |
Total General |
||||||
Señale qué tipo de información has recibido
en relación con el curso: |
||||||||||||
5. Acerca del calendario |
9 |
12 |
2 |
|
0 |
21 |
||||||
6. Acerca de los objetivos del curso |
12 |
9 |
3 |
|
0 |
21 |
||||||
7. Acerca de los contenidos del
curso |
11 |
9 |
1 |
|
0 |
21 |
||||||
8. Acerca de los métodos de trabajo en el
curso |
11 |
9 |
1 |
|
0 |
21 |
||||||
9. Acerca de las formas de evaluación |
11 |
9 |
1 |
|
0 |
21 |
||||||
PREGUNTA No 4 |
Muy Alta |
Alta |
Media |
Baja |
Muy Baja |
Total General |
||||||
Señale su opinión respecto a las características de los tutores que han participado en el
curso: |
||||||||||||
10. Claridad en instrucciones para realizar las tareas |
11 |
7 |
2 |
1 |
0 |
21 |
||||||
11. Capacidad de motivación |
9 |
9 |
2 |
1 |
0 |
21 |
||||||
12. Dominio y claridad expositiva del contenido |
10 |
8 |
3 |
0 |
0 |
21 |
||||||
13. Capacidad para propiciar la reflexión (foros,
discusión) |
10 |
8 |
2 |
1 |
0 |
21 |
||||||
14. Capacidad para fomentar el trabajo en equipo |
10 |
8 |
0 |
3 |
0 |
21 |
||||||
15. Capacidad para mediar
y resolver situaciones de conflicto |
11 |
7 |
1 |
2 |
0 |
21 |
||||||
PREGUNTA No 5 |
Muy Alta |
Alta |
Media |
Baja |
Muy Baja |
Total General |
||||||
Valore a continuación la calidad de los contenidos que se han abordado en el
curso en función de: |
||||||||||||
16. La estructuración |
12 |
7 |
2 |
0 |
0 |
21 |
||||||
17. La posibilidad de aplicación práctica |
12 |
8 |
1 |
0 |
0 |
21 |
||||||
PREGUNTA No 6 |
Muy Alta |
Alta |
Media |
Baja |
Muy Baja |
Total General |
||||||
A continuación, le presentamos una relación de posibles componentes de un curso
de formación. Le pedimos que valore la importancia que
han tenido en este curso: |
||||||||||||
18. Se presentan Teorías u Conceptos con autores actualizados |
10 |
8 |
2 |
0 |
1 |
21 |
||||||
PREGUNTA No 7 |
Abundante |
Suficiente |
Insuficiente |
Nula |
Total General |
|||||||
Ahora quisiéramos conocer tu opinión
acerca del ambiente que se ha vivido a lo largo
del curso. Para ello te pedimos que contestes en qué medida
estás de acuerdo o no con cada una de las siguientes
afirmaciones: |
||||||||||||
19. Durante el transcurso del curso ha sentido que aumento su interés |
9 |
11 |
0 |
1 |
0 |
21 |
||||||
20. El curso se ha desarrollado en un ambiente de cooperación en las actividades en grupo |
11 |
9 |
1 |
0 |
0 |
21 |
||||||
21. Ha percibido que las actividades del curso fueron
productivas |
10 |
9 |
2 |
0 |
0 |
21 |
||||||
22. Las tensiones y conflictos en las sesiones fueron resueltas favorablemente por el instructor |
10 |
8 |
3 |
0 |
0 |
21 |
||||||
23. En este curso
se han llevado
a cabo tareas
nuevas e innovadoras |
10 |
9 |
2 |
0 |
0 |
21 |
||||||
PREGUNTA No 8 |
Muy Fácil |
Fácil |
Normal |
Difícil |
Muy Difícil |
Total General |
||||||
Es posible que a lo largo
del curso haya
elaborado algún material (video, diseño, plan
de formación, etc.)
Quisiéramos así mismo
que los evalué |
||||||||||||
24. Nivel de dificultad para
su elaboración |
1 |
2 |
13 |
4 |
1 |
21 |
||||||
PREGUNTA No 9 |
Muy Fácil |
Fácil |
Normal |
Difícil |
Muy Difícil |
Total General |
||||||
Es posible que a lo largo
del curso hayas
elaborado algún material (video, diseño, plan de formación, etc.)
Quisiéramos asimismo que evalué |
||||||||||||
25. Grado de aplicabilidad práctica |
10 |
5 |
6 |
0 |
0 |
21 |
||||||
26. Calidad de presentación del material |
9 |
6 |
6 |
0 |
0 |
21 |
||||||
Adaptada de la plataforma educativa
institucional DEaDV, (2021).
DISCUSIÓN
Las actividades académicas y administrativas se vieron
fortalecidas por el uso del big data,
constituyéndose en una herramienta esencial que combina competencias digitales
TIC para la toma de decisiones. En este sentido, la gestión optimizó la
organización y la planificación académica con acciones acertadas e inteligentes
por parte del instructor y supervisor de los cursos de formación continua; la
clave es el seguimiento ágil y oportuno “en tiempo real” que fue correspondido
con la confianza de los participantes que buscan la excelencia académica
(Flores y Meléndez, 2021).
El sistema de seguimiento de procesos formativos cuenta con un
componente gráfico de semaforización (indicador de gestión inteligente) que
ayudó a identificar rápidamente dificultades que se presentan en el proceso
académico-administrativo; es decir, permite actuar rápida y convenientemente en
la toma de decisiones, con correctivos oportunos para el cumplimiento de fechas
y tiempos establecidos para el alcance de resultados exitosos.
La implementación de la MDE y big
data permitió obtener términos de cumplimiento por áreas, tiempos y fechas,
que combinados a los registros históricos establecieron una mejor proyección y
planificación de los procesos formativos. Asimismo, el sistema posibilita un
análisis de períodos de tiempos útiles para el diseño de estrategias que
contemplan la promoción y publicidad de los procesos formativos continuos. Tal
como señala Bonami, et al, (2020) la plataforma
educativa procesa constantemente información que comprende el estado del
participante, lo cual proporciona indicadores que ayudan en el control y acción
del proceso educativo
.
El big data como
herramienta de la plataforma educativa permanentemente se ve abastecida con
datos generados por los cursos de formación continua; así como, del
cuestionario digital que posibilitó percibir reacciones de los partícipes en
los cursos. En este sentido, el análisis es más exhaustivo para la gestión
académico-administrativa, lo que permite una toma de decisiones eficientes que
se ajustan en tiempo y medida. De tal forma se beneficia al modelo educativo y
sus modalidades de aprendizaje con características que fomentan flexibilidad,
interactividad, proactividad, responsabilidad y
calidad de los contenidos formativos (Flores y Meléndez, 2021).
La gestión académica administrativa en los procesos de formación
continua virtual irá creciendo y variando con el tiempo, lo que posibilita
estudios de nuevas herramientas digitales que se ajusten y den solución
inmediata a futuros escenarios. Es decir, la transformación digital es una
constante en la que educación y otros sectores. Por tanto, los involucrados en
el entorno académico-administrativo deben de estar comprometidos y preparados
para dar soluciones inteligentes con toma de decisiones acertadas
(Mota-Fonseca, 2020).
CONCLUSIONES
La utilización del big data en
los procesos formativos, promueve un constante reajuste de los contenidos
programáticos con el objetivo de beneficiar las metodologías, métodos,
estrategias entre otras actividades vinculadas a la educación. De este modo se
fortalecen aprendizajes, competencias y habilidades del educando en favor de la
sociedad.
El big
data apoya eficiente e inteligentemente la toma de decisiones en tiempo
real, lo que permite una gestión asertiva y objetiva en la formación virtual y
modalidades de estudio. Es este sentido, que la gestión educativa virtual a
nivel superior debe impulsar estrategias que se basen en la información y conocimiento
digital; esto permitirá fortalecer la investigación, innovación y desarrollo
del proceso enseñanza y aprendizaje. Es decir, estudiantes, profesores,
administrativos y directivos deben comprometer esfuerzos para actualizar,
optimizar y mejorar procedimientos estratégicos educativos virtuales.
El cuestionario es un insumo importante para el big data, ya que es recurso que se
complementa con los otros datos obtenidos de la plataforma educativa. De tal
forma, que una vez aplicado genera una retroalimentación importante para la
toma de decisiones, lo cual permite la mejora continua en los cursos de
formación como procesos metodológicos, tiempos, contenidos programáticos entre
otros aspectos cruciales.
REFERENCIAS
Aguirre,
S., Quemada, J., y Salvachua, J. (20 de octubre de
2004). Portal Educativo de las Américas OEA. https://recursos.
educoas.org/publicaciones/mediadores-e-interoperabilidad-en-elearning
Antonio-Aquino,
A., Molero-Castillo, G., y Rojano, R. (2015). Hacia un nuevo proceso de minería
de datos centrado en el usuario. Pistas Educativas, 36(114), 272-291.
http://www.itc. mx/ojs/index.php/pistas/article/view/303
Antonio-Aquino,
A., Molero-Castillo, G., Rojano- Cáceres, R., y Velázquez-Mena, A. (2016).
Minería de datos centrada en el usuario para el análisis de la supervivencia y
mortalidad de casos de cáncer de mama en mujeres de origen mexicano. Research in Computing Science, 124,
165–177.
https://n9.cl/7bcxc3
Antúnez-Carmona, E. d. (2012). Modelo de Gestión para los Centros de
Educación a Distancia Universitarios (CEDU). XIII Encuentro Internacional
Virtual Educa Panamá 2012 (págs. 1-17). Panamá: Portal Educativo de las
Américas OEA. https://recursos.educoas.org/
publicaciones/modelo-de-gesti-n-para-los-centros-de-educaci-n-distancia-universitarios
Balagueró, T. (1 de noviembre de 2017). Deusto
Formación. https://www.deustoformacion. com/blog/gestion-empresas/que-es-mineria-datos-big-data
Ballesteros-Román,
A., Sánchez-Guzmán, D., y García-Salcedo, R. (2013). Minería de datos
educativa: Una herramienta para la investigación de patrones de aprendizaje
sobre un contexto educativo. LATIN
AMERICAN JOURNAL OF PHYSICS EDUCATION, 7(4), 662-668.
http://www.lajpe.org/dec13/22- LAJPE_814_bis_Alejandro_Ballesteros.pdf
Bhatt, G. D. (2001). Knowledge management in
organizations: examining the interaction between technologies, techniques, and
people. Journal of Knowledge Management, 5(1), 68- 75.
doi:10.1108/13673270110384419
Big Data International Campus. (10 de febrero
de 2017). Big Data International Campus.
https:// www.campusbigdata.com/: https://www.
campusbigdata.com/big-data-blog/item/82- data-mining-vs-big-data
Bonami, B., Piazentini,
L., y Dala-Possa, A. (2020). Educación, Big Data e
Inteligencia Artificial: Metodologías mixtas en plataformas digitales.
Comunicar, 28(65), 43-52. doi:https://doi. org/10.3916/C65-2020-04
Briceño-Toledo,
M., Correa-Castillo, S., Valdés- Montecinos, M., y Hadweh-Briceño, M. (2020). Modelo de gestión educativa para
programas en modalidad virtual de aprendizaje. Ciencias Sociales, 26(2),
286-298. doi:10.31876/rcs.
v26i2.32442
Castillo-Maza,
J. (2007). Gestión de educación virtual. Gestión en el Tercer Milenio, 10(19),
85-92. https://sisbib.unmsm.edu.pe/ bibvirtualdata/publicaciones/administracion/ n19_2007/a11.pdf
Centro de Recursos Estratégicos en Capacitación [CREC] iSpring. (30 de mayo de 2016). Centro de Recursos
Estratégicos en Capacitación iSpring.
http://www.crec.mx/ispring/2016/05/30/ estandares-scorm/
Díaz,
A. (16 de junio de 2020). Open sistemas. https://opensistemas.com/conoces-las-4-vs-del-big-data/
Dirección
de Educación Continua a Distancia y Virtual [DEaDV]
(2021). DEaDV. https://deadv. uta.edu.ec/
Flores,
L., y Meléndez, C. (2021). Análisis comparativo del b-learning
y e-learning en competencias TIC para la docencia en
educación superior. Innova Educación, 3(4), 173-190.
doi:10.35622/j.rie.2021.04.013
Flores-Rivera,
L. D., Meléndez-Tamayo, C. F., y Morocho-Amaguaya, M.
(2021). Análisis documental relacionado con la educación continua
como eje integrador de las competencias del currículo universitario. Educatio Siglo XXI, 39(2), 443–468. doi:10.6018/
educatio.414901
Fundación
Telefónica. (2018). Profesiones digitales big data.
Madrid: Fundación Telefónica. https:// www.fundaciontelefonica.com/wp-content/ uploads/2019/12/PROFESIONES_DIGITALES_1. pdf
García-Martínez,
V., Hernández-Chirino, M., Santos- Fajardo, C. M., y Fabila-Echauri,
A. M. (2009). La gestión en modalidades de programas a distancia. Estudio de
caso. Apertura, 1(1), 1-22. http://www.udgvirtual.udg.mx/apertura/ index.php/apertura/article/view/14/17
Gil-Rivera,
M. d. (2009). La gestión educativa en la educación a distancia. Boletín SUAyED (3).
Hazim-Torres, J. A., Febles-Rodríguez, J. P., y
Febles- Estrada, A. (2019). Estándares para evaluar la calidad de cursos
virtuales en la Educación Superior. UCE Ciencia, 7(1), 1-8. http://
uceciencia.edu.do/index.php/OJS/article/
view/154/147
Hilera-González,
J. R., y Hoya-Marín, R. (2010). Estándares de e-learning:
Guía de consulta. Madrid: Universidad de Alcalá. http://www.
cc.uah.es/hilera/GuiaEstandares.pdf
Hodgins, W. (2001). IEEE LTSC Learning Technology
Standards Committee P1484. 1-12.
IBM. (2014). ibmbigdatahub.
http://www. ibmbigdatahub.com/infographic/four-vs-big-data
Joyanes-Aguilar, L. (2013). Big Data Análisis de
grandes volúmenes de datos en organizaciones (Primera ed.). México: Alfaomega Grupo Editor. https://n9.cl/4hx02
Leiva-Olivencia,
J. J., y Matas-Terrón, A. (2020). Innovación e inclusión educativa en la era
del big data. Barcelona: Ediciones OCTAEDRO, S. L.
https://www.researchgate. net/publication/352461881_Innovacion_e_
inclusion_educativa_en_la_era_del_big_data
Meléndez-Tamayo,
C. F., y Flores-Rivera, L. D. (2018). Educación Continua, Gestor del
Aprendizaje y Conocimiento en la Educación Superior. 3C TIC. Cuadernos de
desarrollo aplicados a las TIC, 7(4), 76-97. doi:10.17993/3ctic.2018.62.76-97
Menacho-Chiok, C. H. (2020). Técnicas de
minería de datos aplicadas a la plataforma educativa Moodle.
Tierra Nuestra, 14(1), 137-146. doi:10.21704/rtn.v14i1.1509
Morantes-Higuera, A. E., y Acuña-Corredor, G. A.
(2013). Propuesta de modelo de gestión para educación superior a distancia: una
aproximación. zona próxima (18), 72-92. http://
www.scielo.org.co/pdf/zop/n18/n18a07.pdf
Mosquera-Gende, I. (4 de julio de 2018). Big Data en Educación:
Analítica de Aprendizaje y Aprendizaje Adaptativo. https://n9.cl/sxaec
Mota-Fonseca,
J. R. (2020). Toma de Decisiones Efectivas desde el Contexto de las
Organizaciones Inteligentes en las Escuelas Primarias. Scientific,
5(15), 320-335. https://www.redalyc.org/ journal/5636/563662155017/html/
Oviedo-Acevedo,
H. C., y Campo-Arias, A. (2005). Aproximación al uso del coeficiente alfa de Cronbach. Colombiana
de Psiquiatría, 34(4), 572-580. http://www.scielo.org.co/pdf/rcp/
v34n4/v34n4a09.pdf
Pontoriero, F. A. (2021). E-learning en la educación superior argentina - Modelo de
evaluación de calidad a partir del aporte de referentes clave. Virtualidad,
Educación y Ciencia, 12(22), 22-45. https://revistas.unc.edu.ar/index.php/vesc/
article/view/32116
Rico-Molano,
A. D. (2016). La gestión educativa: Hacia la optimización de la formación
docente en la educación superior en Colombia. Sophia,
12(1), 55-70. https://www.redalyc.org/ jatsRepo/4137/413744648005/html/index. html
Rodriguez-Andino, M., Estrada-Sentí, V., Febles- Rodriguez, J., García-Colina, F., y Castillo-Maza, J.
(2005). Gestión de la educación virtual para la formación continua
de profesionales de perfil empresarial. Gestión en el tercer milenio, 8(16),
93-103. http://www.acuedi.org/ddata/416.pdf
Romero,
C., y Ventura, S. (2010). Educational
Data Mining: A Review of the State of the Art. IEEE
Transactions on Systems, Man, and Cybernetics, Part C (Applications and
Reviews), 40(6), 601- 618. doi:10.1109/TSMCC.2010.2053532
Romero,
C., Ventura, S., y De Bra, P. (2004). Knowledge Discovery with Genetic
Programming for Providing Feedback to Courseware Authors. Kluwer Academic Publishers, 1-48. http://
wwwis.win.tue.nl/~debra/umuai/Main.pdf
Rubio-Gómez,
M. J. (2015). Indicadores, experiencias y problemas en la evaluación de la
educación a distancia. En
J. Roesler, D. Falcão de Bittencourt, J. da Silva Dias, M. J. Rubio, C. A.
Santana-Estrada, E. Arias-Monge, . . . C.
Valdivieso, Los problemas de la evaluación de la educación a distancia en
América Latina y el Caribe (Primera ed., págs. 86-101). Loja: Universidad
Técnica Particular de Loja. https:// n9.cl/chune
Sevillano-Pérez,
F. (2015). Big Data. Economía industrial (395), 71-86. https://n9.cl/po2v0
Shariat, Z., Seyyed-Mohsen,
H., y Mohammadi, A. (2014). Research and Compare Standards of E-Learning
Management System: A Survey. International Journal of Information Technology
and Computer Science (IJITCS), 6(2), 52-57. doi:10.5815/ijitcs.2014.02.07
Sociedad
Internacional de Minería de Datos Educativos. (Julio de 2011).
educationaldatamining.org. https:// educationaldatamining.org/
Vázquez-García,
J. A. (2015). Nuevos escenarios y tendencias universitarias. Investigación
Educativa, 33(1), 13–26. doi:10.6018/ rie.33.1.211501
Conflicto de Intereses. Los autores declaran que no
existe conflicto de intereses para la publicación del presente artículo
científico.