Federico Henao Villa[1]
Julio Cesar Martínez Zárate2
Cesar Felipe Henao Villa3
David Alberto García Arango4
Deyser Gutiérrez A.5
Facultad de Ingeniería y Ciencias Agropecuarias, Institución Universitaria Digital de Antioquia1
Facultad de Ingeniería y Ciencias Agropecuarias, Institución Universitaria Digital de Antioquia2
Facultad de Ingeniería, Corporación Universitaria Americana3
Facultad de Ingeniería, Corporación Universitaria Americana4
Escuela de Ciencias de la Educación, Universidad Nacional Abierta y a Distancia5
INTRODUCCIÓN
La demanda de big data está aumentando significativamente en diferentes campos de actividad, como la construcción y las finanzas (Watson, 2019), la atención médica (Moreno-Carriles,2018), las telecomunicaciones (Gonzales Paico,2020) y el comercio electrónico. (Yagual & Ponce, 2020)). Según (da Silva, Magalhães, Brilhante, de Macêdo, Araújo, Rego & Neto 2018). la tecnología (14%), los servicios financieros (10%), la consultoría (9%), la salud (9%), la educación (8%) y las telecomunicaciones (7%) son los sectores más activos en la producción de una gran cantidad de datos.
Sin embargo, el sector educativo no es la excepción en esta situación. En el ámbito educativo, se produce un gran volumen de datos a través de cursos en línea, actividades de enseñanza y aprendizaje (Araka, Maina, Gitonga & Oboko, 2020). Con la llegada del big data, ahora los profesores pueden acceder al rendimiento académico de los estudiantes, a los patrones de aprendizaje y proporcionar retroalimentación instantánea (Capel, Cliffe, & Lawrence, 2020).
Las calificaciones de los exámenes y los certificados seguirán formando parte de la vida escolar diaria en el futuro. Pero además de estas formas establecidas de evaluación del desempeño, existen nuevas percepciones informales, que se deben aprovechar en la era de la digitalización.
En las plataformas de e-learning, los profesores no solo pueden ver la frecuencia con la que se descargaron las diapositivas del último evento, sino que también reciben estadísticas detalladas sobre cuánto tiempo han iniciado sesión los estudiantes y qué han estado haciendo durante ese tiempo.
Cuando las tablets y los libros electrónicos están reemplazando a los libros escolares clásicos, es fácil ver qué tan rápido leen los estudiantes, qué pasajes repiten en preparación para los exámenes o quién no ha leído la lectura requerida en absoluto.
En los cursos en línea, los llamados MOOC (Massive Open Online Courses), se puede seguir el flujo de clics de todos los participantes y se pueden sacar conclusiones precisamente sobre el comportamiento de aprendizaje de los individuos.
Solo mediante el uso de ayudas digitales para el aprendizaje es posible recopilar una gran cantidad de datos. Los desafíos reales y las promesas de la digitalización se encuentran en la vinculación y el análisis de estos datos en gran parte no estructurados utilizando Big Data, donde no solo se tiene la oportunidad de mapear el comportamiento de aprendizaje previo, sino también de pronosticar el aprendizaje futuro y la evolución del rendimiento.
Con datos históricos sobre situaciones de deserción o permanencia estudiantil en la Institución, se puede establecer aproximaciones sobre predicciones que describan este fenómeno ( Martínez & Mateus & Mateus 2020).
Estos pronósticos basados en la correlación (los llamados análisis predictivos) también desempeñan un papel en otras áreas, por ejemplo, en la aplicación de modelos predictivos cada vez más importante. Por ejemplo, permiten abordar las dificultades de aprendizaje de los alumnos en una etapa temprana. Al mismo tiempo, los algoritmos que se basan únicamente en datos basados en el pasado también conllevan un riesgo considerable de discriminación.
MÉTODO
Para lograr el objetivo antes mencionado, este estudio emplea un método de revisión sistemática de la literatura. Una revisión eficaz se basa en el análisis de la literatura, encontrar las limitaciones y la brecha de investigación en un área en particular. Una revisión sistemática se puede definir como un proceso de análisis, acceso y comprensión del método. Explica las preguntas de investigación relevantes y el área de investigación. El propósito esencial de realizar la revisión sistemática es explorar y conceptualizar los estudios existentes, la identificación de los temas, relaciones y brechas, y la descripción de las direcciones futuras en consecuencia, orientadas al aporte que el Big Data como herramienta le ha brindado a la educación.
RESULTADOS
Este estudio proporciona una guía para estudios futuros y destaca nuevos conocimientos y direcciones para la utilización exitosa de Big data en la educación. e integración de Big data en el plan de estudios. La mayoría de las investigaciones educativas de big data se han centrado en el comportamiento y el rendimiento del alumno. Además, este estudio destaca las limitaciones de la investigación y describe las direcciones futuras. Este estudio proporciona una guía para estudios futuros y destaca nuevos conocimientos y direcciones para la utilización exitosa de big data en la educación.
CONCLUSIÓN
Gracias a las posibilidades del big data (almacenamiento, procesamiento y análisis de inmensas cantidades de datos) y al uso cada vez mayor de los medios digitales en los procesos de aprendizaje, ahora tenemos más datos disponibles en educación que nunca. Cada video visto en los cursos en línea nos brinda información sobre si los participantes lo han visto todo el tiempo o posiblemente lo hayan rebobinado varias veces. Cada pregunta de opción múltiple brinda retroalimentación inmediata sobre cuántas personas pudieron resolverla correctamente y cuántos intentos.
Podemos ver si las personas pasan más tiempo con textos o videos, se involucran en comunidades de aprendizaje o prefieren trabajar solas, aprendiendo rápido o lentamente.
Los macrodatos se han convertido en una parte esencial del ámbito educativo. Este estudio pretende da a conocer una revisión sistemática de la literatura sobre Big data en el sector educativo. Sin embargo, se formularon tres preguntas de investigación para presentar las tendencias, los temas y la identificación de las limitaciones y direcciones de los estudios educativos de Big data, así como las direcciones para futuras investigaciones.
REFERENCIAS
Research trends in measurement and intervention tools for self-regulated learning for e-learning environments—systematic review (2008–2018). Research and Practice in Technology Enhanced Learning, 15(1), 1-21.
Learning to Teach Physical Education in the Secondary School: A companion to school experience. Routledge.
Big Data Analytics Technologies and Platforms: A Brief Review. In LADaS@ VLDB (pp. 25-32).
Food web structure in exotic and native mangroves: A Hawaii–Puerto Rico comparison. Oecologia, 153(3), 675-686. doi: 10.1007/s00442-007-0751-x
Aplicación de Machine Learning en las empresas del sector telecomunicaciones del Perú.
Propuesta de un Modelo Predictivo utilizando Aprendizaje Profundo para el análisis de deserción estudiantil en Universidades Colombianas Virtuales. Revista Innovación Digital Y Desarrollo Sostenible - IDS, 1(1), 51 - 57.
Big data,¿ pero qué es?. Angiología, 70(5), 191-194.
Historia de las Antillas . Buenos Aires , Argentina : Kapelusz
Update tutorial: Big Data analytics: Concepts, technology, and applications. Communications of the Association for Information Systems, 44(1), 21.
Análisis de las ventajas y desventajas del Big data y el Cloud Computing en el proceso de la toma de decisiones de las empresas que practican comercio electrónico. Revista Científica Ciencia y tecnología, 20(25).