3
views
0
recommends
+1 Recommend
1 collections
    0
    shares
      • Record: found
      • Abstract: found
      • Article: found
      Is Open Access

      La preferencia de un docente por parte de los estudiantes: análisis de su elección desde la minería de datos Translated title: Professor preference of students: a data mining analysis of their choice

      research-article

      Read this article at

      Bookmark
          There is no author summary for this article yet. Authors can add summaries to their articles on ScienceOpen to make them more accessible to a non-specialist audience.

          Abstract

          Resumen: El principal objetivo de esta investigación es evaluar los factores que influyen en los estudiantes para preferir un docente. Preferir varias veces un mismo docente está asociado con factores como el tiempo dedicado a la asignatura impartida por el profesor en cuestión, el motivo de la inscripción y la preparación de clases. Por medio del algoritmo J48 del programa Weka, se predicen las principales variables que priorizan los estudiantes al preferir un mismo docente varias veces. Entrenando con el 50% de los datos y validando con el 50% restante, se logra realizar esta predicción con una efectividad superior al 83%. Los resultados muestran que las variables más influyentes son: 1) hizo lo posible porque aprendiera, 2) aprender con profundidad, 3) trabajar agradablemente, 4) preparación de clases, 5) motivar temas tratados y 6) preocuparse porque aprendan. Se concluye que la identificación de estas variables facilita el diseño de políticas educativas enfocadas en los estudiantes y los docentes.

          Translated abstract

          Abstract: The primary objective of this research study is to assess the factors that influence student’s preference of professors. Preferring the same professor multiple times is associated with factors such as time dedicated to the subject taught by the professor in question, reason for enrollment, and preparation of classes. Through the J48 algorithm of the Weka program, the primary variables students prioritize when repeatedly selecting the same professor are predicted. Training with 50% of the data and validating with the remaining 50% achieve this prediction with effectiveness greater than 83%. The results show that the most influential variables are: 1) the professor did everything possible for students to learn, 2) depth of learning, 3) pleasant work style, 4) preparation of classes, 5) encouragement on the topics covered, and 6) endeavors to help students learn. It is concluded that identifying these variables facilitates the design of educational policies focused on students and professors.

          Related collections

          Most cited references31

          • Record: found
          • Abstract: found
          • Article: not found

          Active learning increases student performance in science, engineering, and mathematics.

          To test the hypothesis that lecturing maximizes learning and course performance, we metaanalyzed 225 studies that reported data on examination scores or failure rates when comparing student performance in undergraduate science, technology, engineering, and mathematics (STEM) courses under traditional lecturing versus active learning. The effect sizes indicate that on average, student performance on examinations and concept inventories increased by 0.47 SDs under active learning (n = 158 studies), and that the odds ratio for failing was 1.95 under traditional lecturing (n = 67 studies). These results indicate that average examination scores improved by about 6% in active learning sections, and that students in classes with traditional lecturing were 1.5 times more likely to fail than were students in classes with active learning. Heterogeneity analyses indicated that both results hold across the STEM disciplines, that active learning increases scores on concept inventories more than on course examinations, and that active learning appears effective across all class sizes--although the greatest effects are in small (n ≤ 50) classes. Trim and fill analyses and fail-safe n calculations suggest that the results are not due to publication bias. The results also appear robust to variation in the methodological rigor of the included studies, based on the quality of controls over student quality and instructor identity. This is the largest and most comprehensive metaanalysis of undergraduate STEM education published to date. The results raise questions about the continued use of traditional lecturing as a control in research studies, and support active learning as the preferred, empirically validated teaching practice in regular classrooms.
            Bookmark
            • Record: found
            • Abstract: found
            • Article: not found

            El desempeño docente y la calidad educativa

            El presente reporte de investigación surge de un estudio que se desarrolló durante los ciclos escolares 2013 - 2014, 2014 - 2015, 2015 - 206 en la región centro sur del estado de Chihuahua, en el Sector educativo 25, integrado por cinco zonas escolares que proporcionan sus servicios a los municipios de Meoqui, Julimes y Delicias. El estudio realizado es de corte mixto, de procedimiento secuencial comprensivo - correlacional. Algunos de los resultados es que los profesores consideran que la calidad educativa no solo depende de su desempeño docente, sino que existen cuatro factores (escuela, contexto, docente, gobierno) que necesitan trabajar de forma colaborativa. Además que existe una correlación .578 entre los años de servicio del docente y el puntaje de sus alumnos en pruebas estandarizadas que repercuten en el maestro, pero no existe relación entre el desempeño docente y la calidad educativa desde el enfoque de imputs.
              Bookmark
              • Record: found
              • Abstract: found
              • Article: found
              Is Open Access

              Predicción del rendimiento académico por medio de técnicas de inteligencia artificial

              Resumen: El objetivo de este artículo es predecir el rendimiento académico de estudiantes de educación superior, a partir de diversos factores influyentes usando técnicas de inteligencia artificial (clasificadores). El estudio de tales factores, aunque ha sido ampliamente analizado desde enfoques cuantitativos y cualitativos, aun presenta oportunidades de investigación usando herramientas que provee la inteligencia artificial, particularmente en la predicción del rendimiento académico. Con los factores definidos (educacionales, familiares, socioeconómicos, de hábitos y costumbres, entre otros), se diseñó una metodología que permite entrenar un sistema capaz de clasificar a priori a un nuevo estudiante, en una de las cinco categorías predeterminadas de rendimiento académico. Esta clasificación permite a una institución educativa identificar con anticipación estudiantes con problemas potenciales de rendimiento académico. A partir de ello, se pueden desplegar acciones de acompañamiento y mitigación inmediatas. La metodología fue aplicada a una muestra de estudiantes de una universidad pública en Colombia, obteniendo un nivel de aciertos del 91.7%.
                Bookmark

                Author and article information

                Journal
                formuniv
                Formación universitaria
                Form. Univ.
                Centro de Información Tecnológica (La Serena, , Chile )
                0718-5006
                October 2024
                : 17
                : 5
                : 161-170
                Affiliations
                [1] Manizales orgnameUniversidad Nacional de Colombia orgdiv1Facultad de Ingeniería y Arquitectura orgdiv2Departamento de Ingeniería Industrial Colombia odcastrillong@ 123456unal.edu.co
                Author information
                https://orcid.org/0000-0003-3713-0696
                Article
                S0718-50062024000500161 S0718-5006(24)01700500161
                10.4067/s0718-50062024000400161
                aa5ec7ff-cb5b-44e4-9108-d9afd046e350

                This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

                History
                : 13 February 2024
                : 19 April 2024
                Page count
                Figures: 0, Tables: 0, Equations: 0, References: 32, Pages: 10
                Product

                SciELO Chile

                Categories
                ARTÍCULOS

                student preference of professors,professor teaching style,políticas educativas,Weka,algoritmo J48,minería de datos,estilo de enseñanza del profesor,preferencia de estudiantes por un docente,education policy,J48 algorithm,data mining analysis

                Comments

                Comment on this article