Novasinergia 2024, 7(2), 87-114. https://doi.org/10.37135/ns.01.14.06 http://novasinergia.unach.edu.ec
Artículo de Investigación
Factores de la modalidad en línea-emergente que inciden en el sistema de
educación superior del Ecuador
Factors of the emerging online learning modality affecting Ecuador
'
s higher education
system.
María Isabel Uvidia-Fassler
1
, Andrés Cisneros-Barahona
1
, Pablo Méndez-Naranjo
1
, Henry
Villa-Yánez
1
1
Universidad Nacional de Chimborazo, Riobamba, Ecuador, 060108;
ascisneros@unach.edu.ec; pmendez@unach.edu.ec; hvilla@unach.edu.ec
*Correspondencia: muvidia@unach.edu.ec
Citación: Uvidia-Fassler, M.,
Cisneros-Barahona, A.,
Méndez-Naranjo, P. & Villa-
Yánez, H., (2024). Factores de
la modalidad en línea-
emergente que inciden en el
sistema de educación superior
del Ecuador. Novasinergia. 7(2).
87-114.
https://doi.org/10.37135/ns.01.
14.06
Recibido: 11 abril 2024
Aceptado: 3 junio 2024
Publicado: 03 julio 2024
Novasinergia
ISSN: 2631-2654
Resumen: La pandemia por COVID-19 influyó en el proceso
de educación superior generando una transición entre la
modalidad presencial a la modalidad en línea-emergente en
la que se identificaron varias dificultades para el acceso
debido a la inequidad, problemas tecnológicos, crisis de salud
y económica a nivel mundial, y en Ecuador a nivel de docentes
y estudiantes. El descubrimiento de conocimiento en bases de
datos de KDD – Educacional, el análisis de técnicas de minería
de datos de clasificación y agrupación, y el complemento de
análisis de datos con la inteligencia de negocios determinaron
los factores desde la perspectiva de la institución, del docente
y de los estudiantes que inciden en el proceso de educación en
línea, donde se demuestra además, la importancia del modelo
de educación, la metodología del proceso de enseñanza
aprendizaje, el entorno de aprendizaje y el bienestar de los
docentes y estudiantes que garantizan una educación
superior en línea de calidad con igualdad de oportunidades
en el acceso.
Palabras clave:
COVID
-
19,
D
escubrimiento de conocimiento
en bases de datos, Educación superior, Factores en educación
en línea, Minería de datos educacional.
Copyright: 2024 derechos
otorgados por los autores a
Novasinergia.
Este es un artículo de acceso abierto
distribuido bajo los términos y
condiciones de una licencia de
Creative Commons Attribution
(CC BY NC).
(http://creativecommons.org/licens
es/by/4.0/).
Abstract: The COVID-19 pandemic significantly impacted higher
education, forcing a rapid transition from face-to-face modality to
the emerging online learning modality. This transition exposed
several challenges, including, inequitable access to technology,
global health and economic crisis, and specific difficulties faced by
both teachers and students in Ecuador. Knowledge discovery in
KDD – Educational databases, the analysis of classification and
clustering data mining techniques and the complement of data
analysis with business intelligence determined the factors from the
perspective of the institution, teachers and students that influence
the online education process. In addition, the importance of the
education model, the teaching-learning process methodology, the
learning environment, and the well-being of teachers and students
that guarantee quality online higher education with equal access
opportunities is demonstrated.
Keywords
:
COVID
-
19,
K
nowledge discovery in databases,
H
igher
education, Educational factors, Educational data mining.
Novasinergia 2024, 7(2), 87-114 88
1. Introducción
La base de la sociedad es la educación y, además, es el arma más poderosa que puedes
usar para cambiar el mundo (Mandela, 2014). Casi la mitad de los estudiantes del mundo
han sido afectados por el cierre parcial o total de las escuelas, y más de 100 millones de niños
no podrán alcanzar el nivel mínimo en lectura por la crisis sanitaria (UNESCO, 2021).
La aparición de la expansión de la enfermedad de coronavirus (COVID-19) apareció por
primera vez en Wuhan (China) el 31 de diciembre de 2019 y fue notificado por la
Organización Mundial de la Salud (OMS) en marzo de 2020. La OMS rápidamente comunicó
la información científica sobre el nuevo virus solicitando al mundo tomar las medidas de
protección y prevención para evitar la propagación del brote y precautelar la salud
(Organización Mundial de la Salud, 2020). Hasta el 20 de abril la UNESCO determinó el
cierre del 91.3% de escuelas afectando a la población estudiantil mundial, es decir,
1,575,270,054 millones de estudiantes (UNESCO y IESALC, 2020a).
Las universidades como cualquier otra institución social han tenido que enfrentarse a
diferentes epidemias que han interrumpido su funcionamiento cotidiano. La Universidad
de Cambridge en 1665 cerró sus puertas por la peste negra que golpeó a Inglaterra, por tal
motivo Isaac Newton tuvo que volver a su hogar en Woolsthorpe Manor, y sentado desde
su jardín, vio caer la manzana que le permitió generar la teoría de la gravitación universal,
o por lo menos, eso es lo que narra William Stukeley. De esta manera, se demuestra que las
instituciones de educación superior pueden dejar de funcionar presencialmente, pero las
actividades continúan con la gente comprometida con la ciencia y la formación, siendo así
que Cambridge cierra por segunda vez sus puertas en el año 2020 (UNESCO y IESALC,
2020b).
La educación tiene varios retos como el crecimiento sin calidad, inequidades en el acceso y
los logros y la pérdida progresiva del financiamiento público, que sumado a la pandemia
por COVID-19 ha generado mayores problemas a la educación superior de América Latina
y el Caribe (UNESCO y IESALC, 2020c). Pero esta crisis también ha generado
oportunidades para la educación virtual, creando un incremento inesperado, permitiendo
un avance importante para el XXI, en la era de la universalización de los conocimientos de
educación superior en el mundo (UNESCO y IESALC, 2020d).
En Ecuador, debido al estado de excepción por la pandemia por COVID-19, el Consejo de
Educación Superior determinó la Normativa transitoria para el desarrollo de actividades
académicas en las Instituciones de Educación Superior, mencionando que “las disposiciones
que tienen por objeto garantizar el derecho a la educación de los estudiantes y la
consecuente ejecución de la oferta académica vigente de todas las instituciones de educación
superior (IES), debido al estado de excepción decretado por la emergencia sanitaria que rige
en el territorio nacional” (CES, 2020).
La Universidad Nacional de Chimborazo (UNACH), universidad pública ubicada en la
provincia de Chimborazo, con 12.000 estudiantes distribuidos en 31 carreras presenciales de
pregrado, mediante el Consejo Universitario en marzo de 2020 aprueba las “Directrices para
la aplicación en la Universidad Nacional de Chimborazo de la normativa transitoria emitida
por el CES, para el desarrollo de actividades académicas en las instituciones de educación
Novasinergia 2024, 7(2), 87-114 89
superior, debido al estado de excepción decretado por la emergencia sanitaria ocasionada
por la pandemia de COVID-19” (UNACH, 2020), permitiendo que docentes y estudiantes
puedan continuar con las actividades académicas para garantizar una educación superior
de calidad.
La crisis económica y sanitaria por COVID-19 hizo que obligatoriamente se cree una
modalidad en línea en muchas universidades que contaban con carreras únicamente en
modalidad presencial, por tal motivo el autor Roberto Bustamante plantea que la estrategia
temporal se convierte en permanente, generándose una Educación Remota de Emergencia
(Bustamante, 2020).
En cada país se vivieron realidades diferentes, por ejemplo en Ecuador, 700 mil estudiantes
universitarios pasaron de tener clases presenciales, a recibirlas a través del internet
(Calvopiña, 2020), el 53,2% de los hogares ecuatorianos si tiene acceso a internet, el 70,7%
de las personas utilizan internet y el 81,8% utiliza un teléfono celular inteligente, según la
encuesta TIC-2020 INEC (Instituto Nacional de Estadística y Censos, 2021), siendo datos
importantes para la realidad de la educación en todos los niveles.
“El Descubrimiento de Conocimiento en Bases de Datos (KDD), es el proceso no trivial de
identificar patrones en los datos que sean válidos, novedosos, potencialmente útiles y, por
último, comprensibles” (Fayyad et al., 1996), además es un análisis automático, exploratorio
y de modelado de los repositorios de datos de gran tamaño, que los autores Maimon y
Rokach (2015) definen a KDD como un proceso organizado de identificación válida,
novedosa y útil que genera patrones comprensibles de los conjuntos de datos grandes y
complejos, es iterativo e interactivo y se define en nueve pasos.
Los sistemas de minería de datos (DM) como redes neuronales, sistemas expertos,
programación genética y árboles de decisión se desarrollan bajo lenguajes de última
generación basados en Inteligencia Artificial y utilizan métodos matemáticos (Bernabeu,
2010), adicionalmente, es vital considerar que las herramientas OLAP (Online Analytical
Processing: procesamiento analítico en línea) y en los reportes y consultas, el análisis parte
de una pregunta o hipótesis generada por los usuarios, mientras que DM genera estas
hipótesis.
Las herramientas de DM generalmente se integran a bases ya existentes como Data
Warehouse (DW), permitiendo incrementar el valor de las fuentes de datos para que incluso
puedan integrarse a otros productos como OLAP, siendo la limpieza de datos y la
integración partes importantes de esta construcción (Bernabeu, 2010).
Los métodos de clasificación como rough sets, árboles de decisión, redes neuronales, redes
bayesianas, algoritmos genéticos entre otros encuentran propiedades comunes entre los
objetos de una base de datos. El modelo de árboles de decisión es de los más utilizados,
popular por su simplicidad y facilidad para entender, además, la agrupación de objetos
físicos o abstractos se llama segmentación, clustering o clasificación no supervisada y
comparten un número de propiedades por lo que son considerados homogéneos (Jiménez
y Timarán, 2015).
Un complemento importante es la Inteligencia de Negocios (BI, Business Intelligence) que
permite almacenar y procesar gran cantidad de datos, con el objetivo de transformarlos en
Novasinergia 2024, 7(2), 87-114 90
conocimiento y en decisiones en tiempo real, a través de un sencillo análisis y exploración
(Bernabeu, 2010).
A partir de los datos generados desde la modalidad presencial y su transición por la
pandemia por COVID-19, durante este estudio se determinan los factores que influyen en
el modelo de educación superior en línea.
2. Metodología
El alcance de la investigación abarca la educación superior durante el periodo de
emergencia sanitaria causada por la pandemia de COVID-19, con un enfoque específico en
Ecuador. Examina las desigualdades en el acceso a la educación en línea, problemas
tecnológicos, y crisis de salud y económica. Se incluye el análisis de datos educativos
utilizando técnicas de minería de datos y la inteligencia de negocios para determinar los
factores clave que afectan la educación en línea.
La investigación se enfoca en el impacto de la pandemia de COVID-19 en la educación
superior, específicamente en la transición de la modalidad presencial a la modalidad en
línea. Se centra en identificar y analizar las dificultades y factores que influyen en el acceso
y la calidad de la educación en línea desde múltiples perspectivas: institucional, docente y
estudiantil.
El diseño de la investigación es de tipo descriptivo y analítico, utilizando un enfoque
cuantitativo para el descubrimiento de conocimiento en bases de datos (KDD) en el contexto
educativo. Se emplean técnicas de minería de datos, como la clasificación y la agrupación,
para analizar los datos. Además, se complementa con análisis de inteligencia de negocios
para identificar los factores determinantes que inciden en el proceso de educación en línea.
El estudio considera diversas variables relacionadas con el modelo educativo, la
metodología del proceso de enseñanza-aprendizaje, el entorno de aprendizaje y el bienestar
de los docentes y estudiantes.
La investigación se desarrolló mediante una metodología mixta: exploración cuantitativa,
además del análisis cualitativo de las experiencias y percepciones de los actores del proceso
de educación reflejada en los patrones obtenidos de los datos. La metodología aplicada para
KDD en este trabajo es el resultado de investigaciones previas como de los autores Moine et
al. (2011), que proponen metodologías de KDD con una secuencia de pasos como: CRISP-
DM, SEMMA y Catalyst.
La metodología CRISP-DM es la más usada y de fácil implementación, mientras que
SEMMA tiene enfoques técnicos que no incluye al análisis del negocio, siendo una parte
muy importante para definir la muestra de datos con lo que se va a trabajar, y Catalyst
(P3TQ) no explica en alto nivel de detalle las tareas a realizarse.
Por tal motivo, con el análisis de las metodologías y con la base de las fases genéricas del
proceso de KDD, la metodología “Descubrimiento de Conocimiento en Base de Datos
Educacionales – KDD – Educacional” (Figura 1) es la metodología producto de
investigaciones de los autores Uvidia et al. (2018) y Cisneros et al. (2021).
Novasinergia 2024, 7(2), 87-114 91
Figura 1: Metodología KDD – Educacional
La Figura 1 muestra la metodología de Descubrimiento de Conocimiento en Base de Datos
Educacionales - KDD – Educacional con 9 pasos que identifican el objetivo del problema,
define las fuentes de datos a utilizar, selecciona las técnicas de minería de datos de
predicción y clasificación, genera patrones y principalmente conocimiento para la aplicación
de acciones y estrategias.
“Aprender el dominio de la aplicación” es el primer paso en el que se definen todos los
requerimientos de información, identificando el área de aplicación o escenario en el que se
Novasinergia 2024, 7(2), 87-114 92
tomarán decisiones, además, se define el objetivo, las características de los datos, fuentes y
atributos. La siguiente matriz recopila los datos como se muestra en la Tabla 1. Esta tabla
contiene la información de los archivos OLTP (OnLine Transaction Processing: procesamiento
de transacciones en línea).
Tabla 1: Matriz Aprender el dominio de la aplicación
PROCESO:
Nº Requerimiento Descripción Características Fuente
Según Uvidia et al. (2018) y Cisneros et al. (2021), es vital el primer paso ya que determina
los datos que van a generar conocimiento.
“Selección y creación de un conjunto de datos para el descubrimiento” es la segunda fase
que permite completar la información adicional para crear el Data Warehouse, Data Mart o
dataset de datos. En este paso se define el Modelo Lógico de DW, tipo de esquema,
dimensiones, tablas de hechos (Fact) y las relaciones entre estas. La matriz de la tabla 2,
permite determinar todas las características de los datos fuente: atributos, tipos de datos,
columnas, claves principales de las tablas y continuar con el diseño y su modelo conceptual
si es un DW o Data Mart.
Tabla 2: Matriz Selección y Creación DW
PROCESO:
Nº Requerimiento Descripción Características Dataset Tipo de Dato Fuente
“Pre procesamiento y limpieza” es la tercera fase que permite asegurar la consistencia y
confiabilidad de la información que se almacena en el DW, siendo el principal objetivo
recabar, validar y analizar datos que pueden ser atípicos y faltantes, ya que los datos deben
ser correctos y confiables para reflejar la realidad de la empresa y se determine una línea
base de información consistente y adecuada para la toma de decisiones.
“Transformación de datos” es la cuarta fase de la metodología y genera el primer producto
que es el DW. Se aplica la técnica de Integración de Información: ETL (Extracción,
Transformación y Carga), mediante la cual se realiza la carga la información desde las
fuentes al DW, con datos correctos y tipos de datos adecuados (transformación).
Al iniciar el subproceso DM, en la quinta fase “Elección de la tarea de DM apropiada”, se
selecciona el tipo de algoritmo DM a aplicar, ya sea clasificación, regresión, agrupación o
predicción. La selección del algoritmo depende de los objetivos KDD, y sus dos objetivos
principales son: la predicción y la descripción. La predicción son técnicas supervisadas,
mientras que la descripción son técnicas no supervisadas (Maimon y Rokach, 2015).
En la sexta fase “Elección del algoritmo de DM”, se escoge el algoritmo de acuerdo con la
precisión o porcentaje de confiabilidad del algoritmo frente a la comprensión de los
resultados. Es importante incluir desde los algoritmos más simples hasta los más complejos
como: árboles de decisión, redes bayesianas, regresiones lineales, optimización de secuencia
mínima, u otros, para interpretar patrones y generar conocimiento.
Novasinergia 2024, 7(2), 87-114 93
“Empleando el algoritmo de DM” es la séptima fase en la que se emplea la herramienta de
DM, como R, WEKA, RapidMiner, Knime, entre otras. Este es un proceso iterativo ya que se
repite hasta encontrar resultados satisfactorios que cumpla con los objetivos planteados en
la primera fase. Además, se obtiene el segundo producto que son los patrones para evaluar.
“Evaluación” es la octava fase en la que se valoran e interpretan los patrones obtenidos
(reglas, fiabilidad), se revisan los resultados de DM, su comprensión y la utilidad del
modelo frente al conocimiento descubierto. Los patrones obtenidos se almacenan para
posteriores análisis.
En la última fase “Usando el conocimiento descubierto”, se incorpora el conocimiento para
acciones futuras, permita tener un sentido activo para medir efectos y aplicar soluciones,
determinando el éxito del proceso KDD. El conocimiento es el tercer producto generado,
que constituye la base para que se implementen planes de mejora, guías o proyectos, y
asegure la oportuna toma de decisiones.
2.1. Escenario del estudio
La Universidad Nacional de Chimborazo con 12.000 estudiantes aproximadamente,
tiene varias herramientas tecnológicas que permiten desarrollar las actividades académicas
que constituyen el escenario que se muestra en la Figura 2.
Figura 2: Sistema Académico SICOA y las aulas virtuales Moodle
En la Figura 2 se muestran las principales herramientas de la UNACH en las cuales se
desarrollan la modalidad presencial y en línea.
Sistema Académico SICOA: Es el sistema informático de control académico que contiene y
registra la información de los estudiantes como: calificaciones y matrículas, además,
información de docentes como: sílabos, evaluación integral, distributivos, capacitación,
avances académicos, horarios de clases y diferentes encuestas dirigidas a la comunidad
universitaria. SICOA es un sistema robusto con datos académicos de la UNACH.
Aulas virtuales Moodle: Es una plataforma de aprendizaje con ambientes personalizados
diseñada para docentes y estudiantes (administrado por la UNACH).
2.2. Periodos académicos de análisis
Novasinergia 2024, 7(2), 87-114 94
En la UNACH, cada año se desarrollan dos periodos académicos semestrales. Esta
investigación realiza el análisis desde el año 2018 hasta el 2019 con actividades en modalidad
presencial, y los periodos académicos a partir del año 2020 hasta el 2021 con modalidad en
línea, en la Tabla 3 se muestran los periodos académicos considerados.
Tabla 3: Descripción de los periodos académicos de análisis
AÑO
PERIODO
ACADÉMICO
DESCRIPCIÓN
2018 2018-1S Período académico comprendido entre marzo – agosto 2018
2018 2018-2S Período académico comprendido entre septiembre 2018 – febrero 2019
2019 2019-1S Período académico comprendido entre marzo – agosto 2019
2019 2019-2S Período académico comprendido entre septiembre 2019 – febrero 2020
2020 2020-1S Período académico comprendido entre marzo – agosto 2020
2020 2020-2S Período académico comprendido entre septiembre 2020 – febrero 2021
2021 2021-1S Período académico comprendido entre marzo – agosto 2021
Durante la investigación se encontraba en curso el periodo académico 2021-1S, por lo tanto,
algunos de los resultados de este año no se muestran ya que varios procesos alcanzan sus
resultados al cierre del periodo académico.
Las herramientas utilizadas para esta investigación son:
Weka: es un software de código abierto emitido bajo la Licencia Pública General GNU, es
una colección de algoritmos de aprendizaje automático para tareas de minería de datos
que contiene herramientas para la preparación de datos, clasificación, regresión,
agrupamiento, minería de reglas de asociación y visualización (University of Waikato,
2021).
RapidMiner: es un software que tiene capacidades de mejora de la productividad para la
preparación automatizada de datos y el desarrollo de modelos en el mercado, así como
herramientas visuales integrales para generar datos y canalizaciones de aprendizaje
automático. RapidMiner es fácil de usar y tiene el rigor de la ciencia de datos y ha sido
líder en The Forrester Wave (Rapidminer, 2021).
Microsoft Power BI: es la plataforma enfocada en la Inteligencia de Negocios (BI) que es
fácil de usar y permite obtener conocimientos sobre los datos mediante informes de
análisis para la empresa (Microsoft, 2021).
3. Resultados
Posterior a la aplicación de la metodología en la UNACH, se muestran los resultados
obtenidos en cada fase.
3.1. Fase 1. Aprender el dominio de la aplicación
La Tabla 4 muestra los resultados obtenidos.
Tabla 4: Matriz Aprender el dominio de la aplicación – resultados
Novasinergia 2024, 7(2), 87-114 95
PROCESO: Desarrollo académico de la UNACH
Nº Requerimiento Descripción Características Fuente
1 Notas de los estudiantes por
componente de evaluación
Los datos analizados por periodo académico
pertenecen a los períodos de las modalidades
presencial y en línea debido a la
pandemia
Datos desde el año
2018 al 2020 SICOA
2 Resultados de la evaluación
integral docente
Los datos analizados por periodo académico
pertenecen a los períodos de las modalidades
presencial y en línea debido a la pandemia
Datos desde el año
2018 al 2020 SICOA
3 Desarrollo de las actividades
académicas en las aulas virtuales
Los datos analizados de las conexiones a las aulas
virtuales por periodo académico pertenecen a los
períodos de la modalidad en línea debido a la
pandemia
Datos desde el año
2020 al 2021 MOODLE
4
Resultados de la Encuesta para
estudiantes sobre la situación
actual durante la emergencia
sanitaria
Los datos analizados por periodo académico
pertenecen a los períodos de la modalidad en
línea debido a la pandemia
Datos desde el año
2020 al 2021 SICOA
Según Uvidia et al. (2018) y Cisneros et al. (2021), el aprender el dominio de la aplicación
identifica los requerimientos de la información y las fuentes de donde se obtienen datos
para la UNACH.
3.2. Fase 2. Selección y creación de un conjunto de datos para el descubrimiento
La Tabla 5 muestra el resultado de la segunda fase con los tipos de datos a manejar.
Tabla 5: Matriz Selección y Creación DW – resultados
PROCESO: Desarrollo académico de la UNACH
Requerimiento
Descripción
Características
Dataset
Tipo de Dato
Fuente
1
Notas de los estudiantes
por
componente de
evaluación
Los datos analizados por
periodo académico
pertenecen a los periodos de
las modalidades presencial y
en línea
debido a la pandemia
Datos desde el año
2018 al 2020 NOTAS Numéricas SICOA
2
Resultados de la
evaluación integral
docente
Los datos analizados por
periodo académico
pertenecen a los periodos de
las modalidades presencial y
en línea debido a la
pandemia
Datos desde el año
2018 al 2020
RESULTADOS
DE LA
EVALUACIÓ
N
Numéricas SICOA
3
Desarrollo de las
actividades académicas
en las aulas virtuales
Los datos analizados de las
conexiones a las aulas
virtuales por periodo
académico pertenecen a los
periodos de modalidad en
línea debido a la pandemia
Datos desde el año
2020 al 2021
RESULTADOS
DEL USO DE
AULAS
VIRTUALES
Numéricas,
categóricas MOODLE
4
Resultados de la Encuesta
para estudiantes sobre la
situación actual durante la
emergencia sanitaria
Los datos analizados por
periodo académico
pertenecen a los periodos de
modalidad en línea debido a la
pandemia
Datos desde el año
2020 al 2021
RESULTADOS
DE LA
ENCUESTA
Numéricas,
categóricas SICOA
Según Uvidia et al. (2018) y Cisneros et al. (2021), la selección y creación de un conjunto de
datos para el descubrimiento identifica de manera puntual los elementos del repositorio
para el análisis de la UNACH.
3.3. Fase 3. Pre procesamiento y limpieza
Novasinergia 2024, 7(2), 87-114 96
La tercera fase, asegura la extracción de datos de sistemas confiables con integridad
de la información, y se convierte en una especie de auditoría ya que se analizan los datos
que están siendo generados, y para la UNACH no existieron datos atípicos, erróneos o
incompletos, es decir, la UNACH maneja datos consistentes. Finalmente, no fue necesario
realizar limpieza de datos en las fuentes seleccionadas.
3.4. Fase 4. Transformación de datos
Como resultado de esta fase se obtuvieron para el análisis los siguientes conjuntos de
datos que se muestran en la Tabla 6.
Tabla 6: Datasets obtenidos – productos
No. DATASET DESCRIPCIÓN PROTECCIÓN DE DATOS
CANTIDAD DE
REGISTROS
1 Notas
Dataset resultante que contiene las notas
de los estudiantes desde el año 2018 hasta
el año 2020
No existen datos personales, sino
únicamente información de las
asignaturas, asistencias y notas. No se
utilizaron técnicas de anonimización.
13871
2
Evaluación
integral
docente
Dataset resultante que contiene los
resultados de la evaluación integral
docente desde el año 2018 hasta el año
2020
No existen datos personales de los
docentes, sino únicamente información
consolidada por unidades académicas
(facultades y nivelación). No se
utilizaron técnicas de anonimización.
100
3 Resultados de
encuesta
Dataset resultante que contiene los
resultados de la encuesta aplicada por
emergencia sanitaria desde el año 2020
hasta el año 2021
No existen datos personales de los
estudiantes encuestados, sino
únicamente información consolidada
por pregunta. No se utilizaron técnicas
de anonimización.
562.708
Los datasets resultantes tienen datos de acuerdo con objetivo definido en la primera fase para
el caso de la UNACH.
3.5. Fase 5. Elección de la tarea de DM apropiada
Con los datasets de análisis definidos se determinaron las técnicas de minería de datos
adecuadas para obtener los patrones que serán analizados mediante Weka y RapidMiner, las
técnicas seleccionadas son:
Algoritmos de Clasificación: J48, Redes Bayesianas, Random Tree, Random Forest y
Hoeffding Tree.
Algoritmos de Agrupación: kMeans, FarthestFirst.
El análisis de los datos para este estudio se centra en el dataset Notas por ser la parte esencial
de la universidad en el área académica y por estar completa desde el año 2018 al 2020.
En la Tabla 7 se muestran los datos para los algoritmos de minería de datos seleccionados.
Tabla 7: Dataset Notas y sus campos
COLUMNA
TIPO DE DATO
VALORES
Novasinergia 2024, 7(2), 87-114 97
Año Cuantitativa - Discreta 2018
2019
2020
Facultad Cualitativa – Nominal
EDUCACIÓN
INGENIERÍA
NIVELACIÓN
POLIÍTICAS Y ADMINISTRATIVAS
SALUD
Promedio Asignatura
Cuantitativa
-
Continua
0,1,2,3,4,5,6,7,8,9,10
El dataset de análisis contiene los campos para clasificar el rendimiento académico de los
estudiantes de la UNACH.
3.6. Fase 6. Elección del algoritmo de DM
En la sexta fase, se desarrolla cada algoritmo escogido:
3.6.1. Algoritmos de Clasificación
Para determinar el rendimiento académico de los estudiantes durante los periodos
de las modalidades presencial y en línea se realizaron los algoritmos de clasificación
mediante árboles. Se analizaron varios algoritmos de clasificación, para identificar los
mejores resultados.
En la Figura 3 se muestra la ejecución de todos los algoritmos de clasificación.
Figura 3: Algoritmos de clasificación ejecutados
Mediante la ejecución de varios algoritmos de clasificación se determina el mejor.
3.6.2. Algoritmos de Agrupación
Mediante los algoritmos de agrupación los grupos de notas de los estudiantes para
conocer el rendimiento académico durante los periodos de las modalidades presencial y en
línea. Se analizaron dos algoritmos de clasificación, con el objetivo de escoger el mejor
resultado.
En la Figura 4 se puede observar la ejecución de los dos algoritmos de agrupación.
Figura 4: Algoritmos de agrupación ejecutados
Mediante la ejecución de los dos algoritmos de agrupación se determina el mejor.
Novasinergia 2024, 7(2), 87-114 98
3.7. Fase 7. Empleando el algoritmo de DM
La ejecución de los algoritmos de clasificación y agrupación en el dataset de notas con
Weka permitió obtener el segundo producto que son los patrones para evaluar en la
siguiente fase para alcanzar el conocimiento.
3.7.1. Algoritmos de Clasificación
En la Figura 5 se observa la ejecución del algoritmo de árbol de decisión J48.
Figura 5: Algoritmo de clasificación J48 ejecutado
El algoritmo J48 al ser ejecutado tiene el 40,34% de instancias correctamente clasificadas.
En la Figura 6 se muestra la ejecución del algoritmo de redes Bayesianas.
Figura 6: Algoritmo de clasificación Redes Bayesianas ejecutado
Novasinergia 2024, 7(2), 87-114 99
El algoritmo de redes Bayesianas al ser ejecutado tiene el 40,58% de instancias correctamente
clasificadas.
En la Figura 7 se muestra la ejecución del algoritmo de Random Tree.
Figura 7: Algoritmo de clasificación Random Tree ejecutado
El algoritmo de Random Tree al ser ejecutado tiene un coeficiente de correlación de 0.361 que
determina una correlación positiva ya que se encuentre entre 0 y 1.
En la Figura 8 se muestra la ejecución del algoritmo de Hoeffding Tree.
Figura 8: Algoritmo de clasificación Hoeffding Tree ejecutado
El algoritmo de Hoeffding Tree al ser ejecutado tiene el 40,60% de instancias correctamente
clasificadas.
En la Figura 9 se muestra la ejecución del algoritmo de Random Forest.
Novasinergia 2024, 7(2), 87-114 100
Figura 9: Algoritmo de clasificación Random Forest ejecutado
El algoritmo de Random Forest al ser ejecutado tiene el 40,42% de instancias correctamente
clasificadas.
La ejecución de los algoritmos de clasificación permite tener toda la información necesaria
para tomar la mejor opción en la siguiente fase.
3.7.2. Algoritmos de Agrupación
En la Figura 10 se muestra la ejecución del algoritmo simple kMeans en Weka.
Figura 10: Algoritmo de agrupación simple kMeans ejecutado - Weka
El algoritmo simple kMeans al ser ejecutado muestra la agrupación de dos clústers o grupos,
en un 65% y 35% respectivamente.
En la Figura 11 se muestra la ejecución del algoritmo simple kMeans en RapidMiner.
Novasinergia 2024, 7(2), 87-114 101
Figura 11: Algoritmo de agrupación simple kMeans ejecutado - RapidMiner
El algoritmo presenta dos grupos, el primer grupo, cluster_0, tiene calificaciones superiores
a 6,5 puntos y tiene el 86,26% de la concentración de los datos, es decir, 11965 registros,
mientras que, en el segundo grupo, cluster_1, existe el 13,74%, es decir, 1906 registros. Se
evidencia que la mayor cantidad de estudiantes universitarios aprueban sus materias con
notas superiores a los 6,5 puntos.
En la Figura 12 se muestra la ejecución del algoritmo de FarthestFirst.
Figura 12: Algoritmo de agrupación FarthestFirst ejecutado
El algoritmo de FarthestFirst al ser ejecutado muestra la agrupación de dos clústers o grupos,
en un 66% y 34% respectivamente.
La ejecución de los algoritmos de agrupación permite tener toda la información necesaria,
para tomar la mejor opción en la siguiente fase.
3.8. Fase 8. Evaluación
Con la generación de los patrones en fases previas, se interpretan los resultados de
cada uno de los algoritmos de clasificación y agrupación, que se muestran a continuación:
Novasinergia 2024, 7(2), 87-114 102
3.8.1. Algoritmos de Clasificación
El árbol de decisión Random Tree generado evidencia de mejor manera la clasificación
de los datos del rendimiento académico de los estudiantes durante las modalidades
presencial y en línea desde el año 2018 hasta el año 2020, como se muestra en la figura 13.
Figura 13: Algoritmo de Clasificación – Random Tree
Mediante el algoritmo de clasificación Random Tree se muestra claramente el conjunto de
árboles que hacen referencia a la evolución del rendimiento académico por facultades en los
tres años de análisis. Las hojas muestran que la mayoría de los datos están correctamente
clasificados, y que la nota promedio de las asignaturas es más alta en el último año y en la
modalidad en línea.
3.8.2. Algoritmos de Agrupación
El algoritmo simple kMeans evidencia de mejor manera la gráfica con los datos del
rendimiento académico de los estudiantes durante las modalidades presencial y en línea
desde el año 2018 al año 2020 y los agrupa en dos grupos como se muestra en la figura 14.
Novasinergia 2024, 7(2), 87-114 103
Figura 14: Algoritmo de Agrupación – Simple kMeans
El algoritmo de agrupación Simple kMeans muestra los dos grupos de datos homogéneos,
el grupo 0 tiene la mayor concentración de datos con un 65% y son valores superiores a 5
puntos.
3.9. Fase 9. Usando el conocimiento descubierto
En esta última fase se obtiene el conocimiento sobre los factores que inciden en la
educación superior en línea, en la Figura 15 y Figura 16 mediante Weka y RapidMiner se
obtuvo información complementaria para la generación de conocimiento.
Figura 15: Distribución de los datos por años – Weka
Novasinergia 2024, 7(2), 87-114 104
La distribución de los registros por año es mayor en el año 2018 y el año 2020 es el que tiene
menor cantidad de datos.
Figura16: Gráfica de caja y bigotes – RapidMiner
Mediante la gráfica de caja y bigotes se muestra que la Facultad de Educación es la que tiene
las notas más altas y que dentro de la concentración de las notas, 7 puntos es la nota mínima.
Lista de conocimientos
Se generan los siguientes conocimientos:
El 86,26% de los estudiantes tienen notas superiores a 6,5 puntos durante los periodos
académicos desde el año 2018 hasta el 2021, es decir no existe cambio en el rendimiento
académico de los estudiantes en las modalidades presencial y en línea.
Durante la modalidad en línea, el porcentaje de asistencia a los encuentros síncronos es
superior al 70%, por lo que los estudiantes aprueban en todas las asignaturas.
El año 2020, que es el año de pandemia, concentra las mejores calificaciones en todas las
facultades. El puntaje más alto lo tiene la Facultad de Educación con 8.02 puntos; el
puntaje más bajo lo tiene la Facultad de Ingeniería con 7.32 puntos; y el año con mayor
cantidad de estudiantes es el año 2019, a excepción de la Facultad de Educación que el
año con mayor cantidad de estudiantes es el año 2020, el año de pandemia por COVID-
19.
Novasinergia 2024, 7(2), 87-114 105
10 puntos es la nota máxima para las cuatro Facultades, mientras que para Nivelación es
de 9 puntos. 8 puntos es la mediana de nota para la Facultad de Educación y la Facultad
de Ciencias Políticas y Administrativas, y de 7 puntos para la Facultad de Salud,
Facultad de Ingeniería y Nivelación.
3.9.1. Reportes de Inteligencia de Negocios
Se identificaron aspectos importantes de análisis mediante reportes de Inteligencia
de Negocios con Power BI, como complemento al análisis que lo menciona la Metodología
KDD – Educacional.
Análisis de las notas de los estudiantes por componente de evaluación
En la Tabla 8 se puede observar la evolución de los resultados de las calificaciones de los
estudiantes.
Tabla 8: Tabla de la evolución de las notas – resultados del año 2018 al 2020
Durante los periodos académicos de la pandemia por COVID-19 que se desarrolla en
modalidad en línea, no existe cambio en los componentes de la evaluación de los
estudiantes.
El mayor análisis dentro del área académica es la evolución de las notas de los estudiantes,
en la Figura 17 se evidencia que durante la pandemia por COVID-19 las notas mejoraron.
Novasinergia 2024, 7(2), 87-114 106
Figura 17: Resultado de la evolución de las notas en los años 2018, 2019 y 2020 de la UNACH
La mejora de las notas en el año 2020 en modalidad en línea, se observan con las líneas de
evolución ascendente, sin embargo, esto no significa que el proceso de enseñanza
aprendizaje sea mejor o superior, sino más bien muestra la importancia del uso de
instrumentos de evaluación adecuadas y acordes a la nueva modalidad, con el respaldo de
normativa y guías pertinentes.
Análisis de los resultados de evaluación docente
Mediante la evaluación integral docente, los estudiantes califican el trabajo de los docentes
en la heteroevaluación, siendo importante que el docente realice su autoevaluación y que
los directivos evalúen el trabajo de los docentes también, los tres componentes forman parte
de la evaluación integral docente. Durante los últimos 3 años, este resultado ha sido
excelente como se muestra en la Figura 18, sin embargo, en el año 2020 de pandemia por
COVID-19, este puntaje obtuvo los valores históricos más altos, es decir, en la modalidad en
línea.
Figura 18: Evolución de la evaluación integral docente
En la figura 18 se demuestra que las habilidades y competencias de los docentes son
adecuados, que las capacitaciones recibidas han sido de gran apoyo y evolución, pero
también al ser superior el puntaje, se puede analizar que el instrumento de evaluación
99,355
98,23 98,735 98,98
97,825
92
93
94
95
96
97
98
99
100
2018
2019
2020
Novasinergia 2024, 7(2), 87-114 107
integral docente requiere de una revisión de sus componentes cuando existe una modalidad
en línea.
Análisis de los resultados de las conexiones a las aulas virtuales durante la modalidad en línea
Moodle ha sido la plataforma primordial para la modalidad en línea, ya que las aulas
virtuales han permitido almacenar los contenidos y las actividades académicas para generar
conocimiento, desde mayo del año 2020 hasta el año 2021 han mantenido una tendencia
promedio de 3000 conexiones como se muestra en la Figura 19.
Figura 19: Resultado de las conexiones a las aulas virtuales Moodle
Los resultados de registros constan desde agosto de 2020 hasta julio de 2021, manteniendo
el promedio de conexiones de usuarios recurrentes.
Las conexiones en Moodle alcanzan un valor máximo de 6.900 conexiones, demostrando la
importancia del entorno de aprendizaje para la modalidad en línea, además identifica el
aumento de las conexiones concurrentes de usuarios y el uso de recursos tecnológicos.
Finalmente, en diciembre de cada año existe el receso académico, por tal motivo existe una
reducción de conexiones.
Análisis de la Encuesta para estudiantes sobre la situación actual durante la emergencia sanitaria
La UNACH adicionalmente, realizó encuestas a los estudiantes durante los años 2020 y
2021, en las cuales se obtuvieron los siguientes resultados más importantes:
El 23.30% de estudiantes durante el año 2020 de pandemia por COVID-19 pensó en
suspender sus actividades académicas como muestra la Figura 20.
Figura 20: Resultado de suspensión de clases 2020 UNACH
0,00%
100,00%
NO SI
76,70% 23,30%
Si su hogar no dispone de acceso a equipos
tecnológicos o acceso a internet. Usted ha
considerado: Suspender sus estudios hasta que
se establezcan nuevamente las clases
presenciales - año 2020
Novasinergia 2024, 7(2), 87-114 108
El 54,95% de la población estudiantil, en el año 2020 ha identificado la necesidad de una
ayuda económica para continuar con las actividades académicas en la modalidad en línea
como muestra la Figura 21.
Figura 21: Resultado de solicitud de becas o ayudas económicas 2020 UNACH
Las condiciones de acceso a dispositivos con internet mejoraron en el año 2021, es así como
más del 25% tiene la opción de más de 8 horas para desarrollar sus actividades académicas,
como indica la Figura 22.
Figura 22: Resultado de horas de acceso a dispositivo con internet 2020 y 2021 UNACH
La dinámica de los años de pandemia por COVID-19 permitieron frente a la necesidad de
la comunidad universitaria que busquen las formas de mejorar sus condiciones y continuar
sus estudios.
3.9.2. Factores que inciden en la educación superior en línea
En este importante análisis de datos mediante el desarrollo de la Metodología KDD–
Educacional, mediante la investigación cualitativa, se analizó el contenido y se interpretó los
resultados de la investigación cuantitativa, que identificó patrones y significados que fueron
clasificados por perspectivas de los diferentes actores del proceso de enseñanza-
aprendizaje, a continuación, se muestran los factores que inciden en la educación superior
en línea desde la modalidad en línea-emergente, donde la enseñanza tradicional pasó al
0,00%
100,00%
NO SI
45,05% 54,95%
Si su hogar no dispone de acceso a equipos
tecnológicos o acceso a internet. Usted ha
considerado: Solicitar una beca o ayuda
económica para adquirir las herramientas
tecnológicas necesarias para realizar sus …
0,00% 5,00% 10,00% 15,00% 20,00% 25,00% 30,00%
De 1 hora a 2 horas
De 4 horas a 6 horas
Más de 8 horas
¿Cuántas horas al día podría usted tener
acceso a un dispositivo electrónico de su
hogar conectado a internet? (computadora,
laptop, tablet, celular)
Año 2021 Año 2020
Novasinergia 2024, 7(2), 87-114 109
aprendizaje en línea durante las crisis. Las perspectivas son: institución, docentes y
estudiantes. La Tabla 9 muestra los factores desde la institución.
Tabla 9: Factores que inciden en la modalidad en línea desde la perspectiva de la institución
FACTOR
DESCRIPCIÓN
Económico Las instituciones de educación superior requieren estabilidad económica para garantizar la calidad de
la educación superior. La crisis económica mundial afecta completamente su desarrollo.
Igualdad de
oportunidades en el
acceso
La universidad debe implementar medidas de acción afirmativa que garanticen el acceso a la educación
superior, teniendo en cuenta que la situación de los estudiantes de las instituciones públicas es compleja.
Política de la modalidad
de estudio
Las regulaciones para la educación en línea deben ser claras, precisas y garantizar su desarrollo y
crecimiento.
Recursos pedagógicos El liderazgo pedagógico en la educación superior en línea debe garantizar el proceso de enseñanza-
aprendizaje, es necesario fortalecerlo.
Oferta Académica Los estudios de pertinencia y demanda respaldan la presentación de una oferta académica adecuada que
garantice la igualdad de oportunidades en el acceso.
Infraestructura
tecnológica
La tecnología es el pilar de la educación en línea, por lo tanto, debe haber planes de ejecución y
mantenimiento.
Sistemas y plataformas
informáticas
Es importante automatizar por completo los procesos académicos y administrativos en la modalidad en
línea.
Modelo de educación en
línea
El modelo de educación en línea debe ser el pilar del desarrollo académico de la institución, con
instrumentos claros que reflejen la realidad de esta nueva modalidad.
Los factores que determinan la educación superior en línea desde la perspectiva de la
institución garantizan su adecuado desarrollo permiten su fortalecimiento.
En la Tabla 10 se muestran los factores desde la perspectiva del docente.
Tabla 10: Factores que inciden en la modalidad en línea desde la perspectiva del docente
FACTOR
DESCRIPCIÓN
Capacitación
Los
docentes requieren recibir el conocimiento técnico y pedagógico que se desarrolla en la
modalidad en línea, generando competencias administrativas y técnicas enfocadas en los contenidos
de la tecnología educativa.
Metodología de enseñanza
-
aprendizaje
La metodología empleada en la modalidad en línea es uno de los factores más importantes que inciden
en su desarrollo, siendo imprescindible que los docentes la dominen.
Actitud La actitud del docente frente a una modalidad diferente debe inspirar la evolución, crecimiento y
adaptación de las nuevas generaciones, siendo la creatividad una de las más importantes.
Sensibilidad a las
diferencias de los
estudiantes
El docente debe tener la sensibilidad para entender las diferencias de los estudiantes, especialmente
en este proceso de pandemia por COVID-19
Tutorías El docente debe dedicar un tiempo importante al seguimiento académico y a las tutorías con el
objetivo de acompañar a los estudiantes en el proceso
Los factores que determinan la educación superior en línea desde la perspectiva del docente
fortalecen el desarrollo de la educación en línea por la evolución de las competencias y
habilidades de los docentes.
En la Tabla 11 se muestran los factores desde la perspectiva del estudiante.
Tabla 11: Factores que inciden en la modalidad en línea desde la perspectiva del estudiante
FACTOR
DESCRIPCIÓN
Organización de tiempos y
tareas
Los estudiantes deben estar conscientes de la importancia del manejo del tiempo durante una
modalidad en línea, que no exige horarios, pero sí cumplimiento de actividades.
Actitud
El estudiante debe tener una actitud positiva y de crecimiento frente a la necesidad académica.
Dominio del uso de
herramientas tecnológicas
Los
estudiantes deben dominar el uso de las herramientas en las cuales desarrollarán los procesos
de enseñanza aprendizaje. Es importante que existan capacitaciones e inducciones
Los factores que determinan la educación superior en línea desde la perspectiva del
estudiante determinarán su éxito y el cumplimiento del objetivo de formación profesional.
Novasinergia 2024, 7(2), 87-114 110
4. Discusión
En la presente investigación existen varios aportes significativos, entre estos, la
metodología de “Descubrimiento de Conocimiento en Base de Datos Educacionales - KDD
– Educacional” que acopla los pasos a la UNACH como institución de educación superior,
como un aporte vital que marca el inicio de los análisis respectivos de los datos en el área
de educación, frente a autores como Moine et al. (2011), que proponen modelos o
metodologías de KDD como: CRISP-DM, SEMMA y Catalyst, respectivamente de manera
general.
La metodología KDD-Educacional dentro de los productos más importantes tiene el
conocimiento que se generó y que en comparación con los estudios de la UNESCO e
IESALC, en este estudio se definen los factores de la modalidad en línea-emergente que
inciden en el Modelo Educativo en Línea del Sistema de Educación Superior en Ecuador,
desde la perspectiva de la institución, del docente y de los estudiantes. Esto permite, a partir
de su identificación, encontrar las mejores estrategias para mejorar el proceso de enseñanza-
aprendizaje en nuevas modalidades como una oportunidad que se generó post pandemia,
y que asegurará su desarrollo ya que también se incluye el análisis comparativo entre dos
modalidades, tanto la presencial como la modalidad en línea-emergente.
Además, según Rochina-Chisag y Tabuena (2022) los métodos de enseñanza tradicionales
siguen prevaleciendo en las instituciones de educación superior y la pandemia por COVID-
19 ha generado la transición al aprendizaje en línea en todo el mundo, además, según
Henríquez et al. (2022) la transición de clases presenciales a clases virtuales se generó a
partir del COVID-19, en donde existieron desafíos, que requirieron estrategias, existiendo
oportunidades que experimentaron los profesores y los estudiantes. El presente estudio
permitió además de analizar datos, determinar mediante la interpretación de los patrones,
los factores que inciden en la educación en modalidad en línea, realizados a partir de los
datos de la educación presencial y en línea-emergente.
Según Giler-Valverde et al. (2023), el modelo de educación en línea es influenciado por las
innovaciones tecnológicas en Ecuador y las universidades ofrecen mejores servicios que se
adaptan a los cambios tecnológicos. El presente estudio demuestra con la base de los datos
que los factores más importantes desde la perspectiva de la institución son la infraestructura
tecnológica, sistemas y plataformas informáticas que son el pilar para el desarrollo de la
educación en línea, además, desde la perspectiva del estudiante el dominio del uso de
herramientas tecnológicas se convierte en un requisito, ya que, desde la modalidad en línea-
emergente la tecnología se fortaleció y consta como aporte al modelo educativo del sistema
de educación superior en Ecuador.
Otro aporte significativo dentro del análisis de los datos, es que las calificaciones de los
estudiantes en la modalidad en línea-emergente sobre todo en el año 2020 fueron mejores
en todas las facultades de la UNACH, lo que refleja la importancia de la herramienta de
evaluación para garantizar el proceso de enseñanza-aprendizaje, es por esto que los factores
de política de la modalidad de estudio, recursos pedagógicos y el modelo de educación en
línea desde la perspectiva de la institución, y la metodología de enseñanza aprendizaje
Novasinergia 2024, 7(2), 87-114 111
desde la perspectiva del docente, se determinan para garantizar educación de calidad que
forme profesionales competentes y con conocimientos.
Los factores económico, igualdad de oportunidades en el acceso, y la oferta académica desde
la perspectiva de la institución, son factores que fueron determinados de acuerdo a la
situación establecida por los estudiantes en las encuestas desde la recolección de los datos,
ratificando el sentido de la universidad pública en el sistema de educación superior del país
y de lo importante que es conocer la realidad y situación de los estudiantes que escogen
carreras con pertinencia requiriendo la igualdad de oportunidades en el acceso para su
proceso de formación como base en una modalidad en línea.
Los factores de organización de tiempo y actitud desde la perspectiva del estudiante, y,
actitud y sensibilidad a las diferencias de los estudiantes desde la perspectiva del docente,
son los factores que también se determinaron a partir de los datos analizados en las
encuestas, que, desde la interpretación de los resultados como parte de la investigación
cualitativa, se consideraron puntos importantes.
Desde la perspectiva del docente la capacitación constituye la base de evolución del
profesional para garantizar el proceso de enseñanza-aprendizaje con calidad, de acuerdo
con los datos analizados, los resultados de la evaluación docente tuvieron los puntajes más
altos durante pandemia, por tal motivo este factor es necesario, además porque el docente
en educación en línea debe destinar tiempo adecuado al factor tutoría que requiere
capacitación para mejorar las competencias del mismo.
Finalmente, desde la perspectiva de la institución el factor más importante es la política de
la modalidad de estudio que asegura las bases del proceso de enseñanza-aprendizaje. Desde
la perspectiva del docente, el factor más significativo son las tutorías que se convierten en
el espacio para dar seguimiento y acompañamiento al estudiante para fortalecer sus
competencias. Y desde la perspectiva del estudiante, los factores más relevantes son la
actitud con su necesidad académica y el dominio del uso de herramientas tecnológicas, que
le brinda los medios para alcanzar el objetivo de formación profesional.
5. Conclusiones
La generación de datos producidos durante la pandemia por COVID-19 en las
instituciones de educación superior, específicamente en la UNACH, fueron una
oportunidad para aplicar la investigación cuantitativa mediante el proceso de
descubrimiento de conocimiento en bases de datos KDD – Educacional, y seleccionar las
mejores técnicas de minería de datos de clasificación y agrupación siendo random tree y
simple kMeans las más precisas. Además, mediante la inteligencia de negocios se
complementó el conocimiento, y mediante la investigación cualitativa, desde la
interpretación de los datos, se generaron los factores que desde la modalidad presencial y
en línea-emergente inciden en el modelo de educación superior en línea.
El principal pilar identificado para la educación en línea son las plataformas informáticas e
infraestructura tecnológica, ya que permite el desarrollo de las actividades académicas,
genera gran cantidad de datos que pueden ser analizados para plantear acciones de mejora,
sobre todo frente a las conexiones concurrentes de los usuarios, el uso de las plataformas
Novasinergia 2024, 7(2), 87-114 112
adecuadas para el proceso de enseñanza-aprendizaje y además el conocimiento sobre el
rendimiento de los estudiantes, por tal motivo, es importante considerar la planificación de
presupuestos si se desea sostener una nueva modalidad en línea con educación de calidad
que garantice igualdad de oportunidades.
Mediante la identificación de los factores que inciden en la educación superior en línea
desde la perspectiva de la institución, los docentes y los estudiantes, se pueden detectar los
factores que se deben trabajar y fortalecer especialmente en los procesos de evaluación de
los estudiantes y docentes, ya que durante el año 2020 los estudiantes mejoraron su
rendimiento académico, manteniendo como promedio más alto a la Facultad de Educación
con 8.02 puntos, y el más bajo a la Facultad de Ingeniería con 7.32 puntos, y los docentes
mejoraron su evaluación integral docente con el promedio más alto a nivel histórico de la
UNACH, siendo el 98.825%; dejando a la interpretación si el puntaje refleja una mejora de
las habilidades y competencias de los dos actores del proceso de educación durante la
pandemia por COVID-19, pero además, se abre la opción de considerar más y nuevas
variables para el desarrollo académico de calidad.
Las encuestas de la UNACH durante los años 2020 y 2021 permitieron evidenciar el
escenario complejo que mantuvo la educación en línea-emergente, ya que los estudiantes
de las universidades públicas no están preparados para asumirla inmediatamente, sino más
bien que el éxito de una modalidad en línea en primera instancia está dado por la necesidad
del estudiante en el proceso de formación, lo que muestra el 55% de los estudiantes en las
encuestas al identificar que requieren ayudas económicas si la modalidad de estudios es en
línea. También se evidencia el trabajo de la UNACH al conseguir datos que puedan
evidenciar la realidad de los estudiantes para plantear estrategias y tomar decisiones,
cumpliendo el objetivo de un proceso KDD y la minería de datos educacional.
Finalmente, las futuras investigaciones deben analizar el impacto de la pandemia de
COVID-19 en la educación superior y la transición a la modalidad en línea enfocadas en
varias áreas clave, siendo fundamental evaluar a largo plazo el efecto en el rendimiento
académico y el desarrollo profesional de los estudiantes, incluyendo su empleabilidad y
éxito post-graduación. Además, es importante investigar la adaptación y efectividad de
diversas metodologías pedagógicas y enfoques de enseñanza en entornos virtuales,
especialmente con el uso de tecnologías emergentes como la realidad aumentada y virtual,
que también estén acompañadas de las políticas y estrategias implementadas para reducir
la brecha digital y promover la equidad en el acceso a la educación en línea, evaluando su
efectividad en diferentes contextos socioeconómicos.
Contribuciones de los autores
En concordancia con la taxonomía establecida internacionalmente para la asignación
de créditos a autores de artículos científicos (https://casrai.org/credit/). Los autores declaran
sus contribuciones en la siguiente matriz:
Novasinergia 2024, 7(2), 87-114 113
Uvidia-Fassler, M.
Cisneros-Barahona, A.
Méndez-Naranjo, P.
Villa-Yánez, H.
Conceptualización
Análisis formal
Investigación
Metodología
Validación
Redacción – revisión y edición
Conflicto de Interés
Los autores declaran que no existen conflictos de interés de naturaleza alguna con la
presente investigación.
Referencias
Bernabeu, R. (19 de julio de 2010). Data Warehousing y metodología Hefesto. https://www.dataprix.com/es/data-
warehousing-y-metodologia-hefesto/data-warehousing-y-metodologia-hefesto
Bustamante, R. (2020). Educación en cuarentena: cuando la emergencia se vuelve permanente. Aportes para el
diálogo y las acción 1-12. https://www.grade.org.pe/creer/recurso/educacion-en-cuarentena-cuando-la-
emergencia-se-vuelve-permanente/
Calvopiña, V. ( 4 de Octubre de 2020). Estudiar : un privilegio en pandemia Jóvenes entre la crisis y la exclusión.
https://wambra.ec/estudiar-en-pandemia-un-privilegio-crisis-exclusion/
Cisneros, A.S., Uvidia, M.I., Samaniego, G.N., Dumancela, G.J., y Casignia, B.A. (2021). Complementary
Admission Processes Implemented by Ecuadorian Public Universities Promote Equal Opportunities
in Access: An Analysis Through Knowledge Discovery in Databases. In: Botto-Tobar, M., Zamora, W.,
Larrea Plúa, J., Bazurto Roldan, J., Santamaría Philco, A. (eds) Systems and Information Sciences.
ICCIS 2020. Advances in Intelligent Systems and Computing, vol 1273. Springer, Cham.
https://doi.org/10.1007/978-3-030-59194-6_18
Consejo de Educación Superior [CES]. RPC-SE-03-No.046-2020. https://www.ces.gob.ec/wp-
content/uploads/2020/05/CODIFICADO-RPC-SE-03-No.046-2020.pdf
Fayyad, U., Piatetsky-Shapiro, G., y Smyth, P. (1996). From data mining to knowledge discovery in databases.
AI Magazine, 17(3), 37. https://doi.org/10.1609/aimag.v17i3.1230
Giler-Valverde, G. P., Luy-Navarrete, W. A., y Merino-Velásquez, J. (2023). Efectividad del modelo online en
la graduación de estudiantes de la Universidad de Guayaquil, Ecuador. Conciencia Digital, 6(1), 42-57
https://doi.org/10.33262/concienciadigital.v6i1.2434
Henríquez, E. F., Salazar, Y., Santín-Picoita, F., Morales, J. C., y Torres, Y. (2022). The Impact of Covid19 on
Traditional Higher Education in Ecuador. Journal of Higher Education, Theory, and Practice, 22(4), 30-40
https://doi.org/10.33423/jhetp.v22i4.5126
Instituto Nacional de Estadística y Censos. (2021). Tecnologías de la Información y Comunicación-TIC.
https://www.ecuadorencifras.gob.ec/tecnologias-de-la-informacion-y-comunicacion-tic/.
Novasinergia 2024, 7(2), 87-114 114
Jiménez, J. A., y Timarán, S. (2015). Caracterización de la deserción estudiantil en educación superior con
minería de datos. Revista Tecnológica - ESPOL, 28(5) 447–463.
https://rte.espol.edu.ec/index.php/tecnologica/article/view/453
Maimon, O., y Rokach, L. (2006). Data Mining and Knowledge Discovery Handbook, Springer New York, NY.
https://doi.org/10.1007/b107408.
Mandela, N. (2014). Nelson Mandela por sí mismo. Plataforma Editorial.
https://www.plataformaeditorial.com/libro/3948-nelson-mandela-por-si-mismo
Microsoft. (2021). Microsoft. https://www.microsoft.com/es-es/power-platform/products/power-bi
Moine, M., Haedo, S., y Gordillo, D. (2011). Estudio comparativo de metodologías para minería de datos. CACIC
2011 - XVII Congreso Argentino De Ciencias De La Computación.
http://sedici.unlp.edu.ar/bitstream/handle/10915/20034/Documento_completo.pdf?sequence=1
Organización Mundial de la Salud. (2020). Coronavirus (COVID-19).
https://www.who.int/es/emergencies/diseases/novel-coronavirus-2019
Rapidminer. (2021). RapidMiner. 1–7. https://altair.com/altair-rapidminer
Rochina-Chisag, Á. G., y Tabuena, A. (2022). Online Learning as an Alternative Learning Modality in
Ecuador’s Education Institutions Amidst Crises and Outbreaks: A SWOT Analysis. Journal of Learning
for Development. https://doi.org/10.56059/jl4d.v9i3.665
UNACH. (2020). Directrices para la aplicación en la universidad nacional de chimborazo, de la normativa transitoria
emitida por el ces, para el desarrollo de actividades académicas en las instituciones de educación superior, debido
al estado de excepción decretado por la emergencia sanitaria ocasionada por la pandemia de covid19.
UNESCO. (2021). Education: From COVID-19 school closures to recovery.
https://es.unesco.org/covid19/educationresponse
UNESCO, & IESALC. (2020a). ¿Cómo las universidades garantizan la continuidad pedagógica y planifican el futuro?
Aportes emergentes del primer foro de rectores ante la pandemia del COVID-19. https://bit.ly/4cvNqB9
UNESCO, y IESALC. (2020b). COVID-19 y educación superior. De los efectos inmediatos al día después.
https://www.iesalc.unesco.org/wp-content/uploads/2020/04/COVID-19-070420-ES-2-1.pdf
UNESCO, y IESALC. (2020c). El Coronavirus COVID-19 y la educación superior: impacto y recomendaciones.
https://bit.ly/3KQMcF3
UNESCO, & IESALC. (2020d). Informe del IESALC analiza los impactos del #COVID19 y ofrece recomendaciones a
gobiernos e instituciones de educación superior. https://bit.ly/3ze1K2W
Uvidia Fassler, M.I., Cisneros Barahona, A.S., Ávila-Pesántez, D.F., Rodríguez Flores, I.E. (2018). Moving
Towards a Methodology Employing Knowledge Discovery in Databases to Assist in Decision Making
Regarding Academic Placement and Student Admissions for Universities. In: Botto-Tobar, M.,
Esparza-Cruz, N., León-Acurio, J., Crespo-Torres, N., Beltrán-Mora, M. (eds) Technology Trends.
CITT 2017. Communications in Computer and Information Science, vol 798. Springer, Cham.
https://doi.org/10.1007/978-3-319-72727-1_16
University of Waikato. (2021). The Weka Workbench. http://www.cms.waikato.ac.nz/ml/weka/
