Mostrar el registro sencillo del objeto digital
| dc.contributor.author | Brunett Zarza, Kárilyn
|
|
| dc.contributor.author | Montaño Reyes Patricia Del Carmen, /
|
|
| dc.contributor.author | Valdovinos Rosas, Rosa Maria
|
|
| dc.contributor.author | Gómez Quiróz, José Jacobo
|
|
| dc.date.accessioned | 2026-10-28T04:01:59Z | |
| dc.date.available | 2026-10-28T04:01:59Z | |
| dc.date.issued | 2026-02-11 | |
| dc.identifier.issn | 1850-9959 | |
| dc.identifier.uri | http://hdl.handle.net/20.500.11799/144620 | |
| dc.description | Artículo de investigación en el campo de la minería de datos educativos (Educational Data Mining, EDM), en el que se aplicaron técnicas de aprendizaje automático (Machine Learning) para identificar patrones de interacción y caracterizar perfiles de desempeño docente a partir de los registros digitales generados en la plataforma educativa SEDUCA de la Universidad Autónoma del Estado de México (UAEMéx). El estudio integra técnicas de agrupamiento y clasificación para analizar el comportamiento docente en entornos virtuales de aprendizaje. | es |
| dc.description.abstract | El crecimiento acelerado de la Educación a Distancia ha impulsado la adopción de plataformas que generan grandes volúmenes de datos, pero estos no se analizan suficientemente y la información podría perderse. Este estudio perfila al docente virtual de la plataforma SEDUCA de la UAEMéx empleando aprendizaje automático y el ciclo CRISP-DM. Se realizó un análisis cuantitativo con 1 041 registros y 24 variables obtenidas del reporte de desempeño docente de la plataforma. En el preprocesamiento se realizó limpieza, imputación con KNN y detección de outliers. Para el análisis descriptivo se aplicó K-means y Agrupamiento Jerárquico; se validó con coeficiente de silueta; la fase predictiva utilizó Random Forest optimizado con GridSearch y validado mediante matriz de confusión y validación cruzada. Se identificaron tres perfiles: docentes de interacción mínima (15 %), moderada (66 %) y alta (19 %). Las variables más influyentes fueron total de actividades calificadas y porcentaje de evidencias entregadas a tiempo; otras, como correos y número de alumnos, mostraron menor relevancia. El modelo alcanzó una exactitud del 95,2 % tras optimización. Este enfoque ofrece un marco para que las universidades aprovechen datos de sus plataformas en la planificación de la formación y selección de docentes virtuales. | es |
| dc.description.sponsorship | Universidad Nacional Rosario Castellanos | es |
| dc.language.iso | spa | es |
| dc.publisher | Revista Iberoamericana de Tecnología en Educación y Educación en Tecnología | es |
| dc.rights | openAccess | es |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0 | es |
| dc.subject | Educación a distancia | es |
| dc.subject | Minería de datos educativos | es |
| dc.subject | Desempeño docente | es |
| dc.subject | Aprendizaje automático | es |
| dc.subject | Sistema de gestión de aprendizaje | es |
| dc.subject.classification | INGENIERÍA Y TECNOLOGÍA | es |
| dc.title | Patrones de desempeño docente en Educación a Distancia utilizando aprendizaje automático | es |
| dc.type | Artículo | es |
| dc.provenance | Científica | es |
| dc.road | Dorada | es |
| dc.organismo | Ciencias de la Conducta | es |
| dc.ambito | Internacional | es |
| dc.cve.CenCos | 21501 | es |
| dc.cve.progEstudios | 25 | es |
| dc.relation.vol | 1 | |
| dc.validacion.itt | Si | es |