Julio Cesar Martínez Zárate

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 pandemia COVID-19 trajo consigo nuevas dinámicas en el corto plazo, la interrupción de actividades de los docentes a nivel presencial genero un nuevo entorno de trabajo tanto para docentes como estudiantes. Los métodos de enseñanza debieron en medidas significativas ser cambiados como es el caso de la evaluación de cursos prácticos orientados a la programación de software que anteriormente se realizaban a través herramientas o métodos de evaluación utilizados en el aprendizaje presencial, ellos fueron necesario ser adaptados a entornos totalmente virtuales.

Respecto al docente el conocimiento profesional además de influir más que la actitud en la implementación de nuevas metodologías, se puede potenciar mediante una formación por parte de las instituciones y las redes profesionales (Arango, Fernández, Rojas, Gutiérrez, Villa  & Grisales, 2020).

Este artículo presenta un estudio de caso que describe la transformación del método de evaluación de un curso de programación en educación superior en un formato completamente en línea durante la pandemia COVID-19, mediante un sistema automatizado centrado en el estudiante. Para evaluar el nuevo método de evaluación, estudiamos las interacciones de los estudiantes con herramientas virtuales, así como las percepciones de los estudiantes, que se midieron con dos encuestas diferentes: una para tareas de programación y otra para el examen final. Los resultados muestran que las percepciones de los estudiantes de la herramienta de evaluación fueron altamente positivas: si el uso de la herramienta hubiera sido opcional, la mayoría de ellos hubieran optado por usarlo sin lugar a dudas, y les gustaría que otros cursos involucraran una herramienta como el presentado en este artículo. Una discusión sobre el uso de esta herramienta en años posteriores en el mismo y cursos relacionados, también se analiza para la sostenibilidad de este nuevo método de evaluación.

MÉTODO

El estudio de caso presentado en este artículo sigue el diseño de investigación descrito por Chaves (2012) define un estudio de caso como “una indagación empírica que investiga un fenómeno contemporáneo (el 'caso') en profundidad y dentro de su contexto del mundo real”. El marco teórico de este estudio fue introducido al comienzo del artículo. Se basa en la evaluación educativa, específicamente orientada al aprendizaje. Evaluación (sumativa o formativa) y las herramientas de evaluación automatizadas. También se indicó cómo abordar con éxito la adaptación de cursos prácticos específicos con altas proporciones alumno-maestro ante los nuevos requisitos que impone la pandemia COVID-19.El contexto del mundo real en este estudio de caso es un curso de programación en una institución de educación superior en Colombia a que tuvo que adaptarse urgentemente a un formato totalmente online debido a la pandemia. La contribución de este estudio de caso es doble: primero, ilustra cómo la evaluación de un curso de programación en una institución de educación superior puede transformarse con éxito a los nuevos requisitos por medio de una herramienta de evaluación automatizada centrada en el estudiante y, en segundo lugar, analiza las percepciones de los estudiantes sobre el uso de dicha herramienta en la evaluación del curso y sus interacciones con él. El resto de la investigación describe el contexto del curso como era antes de la pandemia, cómo se fue transformado debido a los nuevos requisitos, y la herramienta de evaluación automatizada centrada en el estudiante que se utilizó para esta transformación. Por último, los instrumentos utilizados para recopilar las interacciones de los estudiantes con la herramienta de evaluación automatizada y las opiniones de los estudiantes sobre su uso.

RESULTADOS

Este estudio proporciona una guía para estudios futuros y destaca nuevos conocimientos y direcciones mediante la utilización de los resultados de la encuesta a los estudiantes realizada después de utilizar la herramienta de evaluación en el examen final del curso. Según los estudiantes, la herramienta fue fácil de usar en el examen, de hecho, una de las principales razones que animó al personal docente a utilizarla   en el examen fue precisamente que los alumnos ya estaban acostumbrados a esta herramienta, y así incorporándola al examen no supondría ninguna dificultad adicional. Es importante adoptar este tipo de herramientas en el momento de querer realizar nuevos proyectos de desarrollo de software o incluso se pueden hacer migraciones  de  proyectos  existentes  que facilitarían  la  mantenibilidad  y  garantizarían  un sinnúmero de atributos de calidad en el software y beneficios (Martínez, Henao, Henao, 2021). La gran variedad de opciones de preguntas en el examen proporcionó un enunciado de problema diferente para cada estudiante entre varias opciones, lo que dificulta que se copien entre sí, de esta manera cabe resaltar que la importancia de la identificación de una zona de desarrollo próximo que permita configurar el establecimiento de políticas de gestión curricular que impacten en los procesos de formación en competencia digital del docente de la Institución de Educación Superior en estudio y por consiguiente en la calidad de los programas formativos (García Arango, Luján Rodríguez, Zemel, & Gallego-Quiceno, 2018)

CONCLUSIÓN

Este artículo presenta un estudio de caso que describe la transformación del método de evaluación de un curso de programación en educación superior en un formato completamente en línea durante la pandemia COVID-19, mediante una herramienta de evaluación automatizada centrada en el alumno. El uso de un enfoque centrado en el estudiante permite que una herramienta de evaluación automatizada, no solo sirva para las tareas sino también para el examen final, constituye una novedad a la contribución de este artículo, y podría ayudar a los profesores de cursos relacionados a adoptar el mismo enfoque en circunstancias iguales o similares. Para evaluar el nuevo método de evaluación, estudiamos las interacciones con la herramienta, así como las percepciones de los estudiantes, medidas con dos diferentes encuestas: la primera para las tareas de programación y la segunda para el examen final. Los resultados muestran las percepciones de los estudiantes de la herramienta de evaluación fueron positivas

REFERENCIAS

Competencia digital en docentes universitarios: evaluación de relación entre actitud, formación y alfabetización en el uso de TIC en entornos educativos. Revista Ibérica de Sistemas e Tecnologias de Informação, (E29), 538-552.

El estudio de caso y su implementación en la investigación. Revista Internacional de Investigación en Ciencias Sociales, 8(1), 141-150.

Calidad en instituciones de educación superior: análisis comparativo entre modelos. Revista Venezolana de Gerencia, 23(1)

Utilización de Arquitecturas Limpias para Trabajo con Buenas Prácticas en la Construcción de Aplicaciones Java. Revista Innovación Digital Y Desarrollo Sostenible - IDS, 1(2), 133 - 140.

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).