Diseño y validación de una herramienta para el análisis y predicción de la innovación metodológica en centros de educación secundaria a través del aprendizaje automático Translated title: Design and validation of a tool for the analysis and prediction of methodological innovation in secondary education institutions through machine learning

Abstract

Resumen: Los principales objetivos de esta investigación son proporcionar una descripción detallada de la tecnología de aprendizaje automático (ML, por sus siglas en inglés) aplicada a la medición de la innovación y diseñar un modelo que permita predecir el grado de innovación en una determinada institución. La tecnología ML carece de suposiciones o preconcepciones y es capaz de procesar una gran cantidad de datos y variables. Tras procesar los datos, se construye el modelo ML empleando variables asociadas al contexto educativo, se realiza el entrenamiento y se construye una web para predecir el grado de innovación de una institución educativa. El modelo proporciona una precisión del 66% en la predicción de la innovación y permite discutir la influencia de las variables analizadas a la hora de predecir el uso de metodologías activas en una institución. En conclusión, este enfoque puede abrir nuevas técnicas de análisis de datos apoyadas en ML que complementen los enfoques tradicionales basados en la estadística.

Translated abstract

Abstract: The primary objectives of this research study are to provide a detailed description of machine learning (ML) technology when applied to assessing innovation and to design a model that allows predicting an institution’s degree of innovation. Machine learning technology lacks assumptions or preconceptions and is capable of processing a large amount of data and variables. After data processing, the ML model is built using variables associated with educational context, training is performed, and a web is built to predict the degree of innovation of an educational institution. This model provides an innovation accuracy prediction of 66% and allows assessing the influence of the variables analyzed when predicting the use of active methodologies at a given institution. In conclusion, this approach can open new data analysis techniques supported by ML that complement traditional statistically based approaches.