Evolución de las técnicas de minería de datos para extraer datos provenientes de twitter aplicadas a la educación superior: una revisión sistemática

Authors

  • Ana-Lucía Pérez-Suasnavas
  • Bayardo Fabián Salgado-Proaño
  • Waldo Hasperué
  • Karina L. Cela. R.
  • Jorge L. Santamaría C.

DOI:

https://doi.org/10.46932/sfjdv4n1-002

Keywords:

minería de datos, twitter, práctica pedagógica, educación superior, revisión de literatura

Abstract

La Minería de Datos puede ser aplicada en datos provenientes de dos tipos de entornos educativos: el aula tradicional y la educación a distancia; por lo que, es necesario realizar un análisis independiente de las técnicas de Minería de Datos en cada entorno, debido a las diferentes fuentes de datos y propósitos. El objetivo del presente estudio fue identificar la evolución de las técnicas de Minería de Datos con la integración de la red social Twitter, y su aplicación en la educación superior; principalmente a causa del problema de salud mundial derivado del COVID-19, mediante una revisión sistemática de la literatura. La búsqueda de artículos fue realizada entre abril/2019 a noviembre/2022, en bases de datos como ACM, IEEE, ScienceDirect, Google Scholar, entre otras. De los 55 artículos obtenidos, fueron seleccionados 31 que cumplieron con los criterios de inclusión. Los principales resultados indican que: 1) las técnicas de Minería de Datos más utilizadas son predictivas, con tareas y algoritmos de clasificación como «Naïve Bayes»; 2) Twitter es usado principalmente para: análisis de sentimientos y problemas estudiantiles, en su mayoría asociados al COVID-19; además es empleado para evaluar las preferencias de estudio; y 3) el 87% de artículos no especifica la aplicación de una práctica pedagógica. Con estos resultados, es posible determinar que, no existe un consenso sobre una metodología que integre los tres campos descritos, esto es: Minería de Datos, Twitter y educación superior; que brinden oportunidades a los actores de la educación, y permitan mejorar los procesos de enseñanza y aprendizaje.

References

Altrabsheh, N., Cocea, M., y Fallahkhair, S. (2015). Predicting learning-related emotions from students’ textual classroom feedback via Twitter. Proceedings of the 8th International Conference on Educational Data Mining, 446-440. https://bit.ly/3OF4rOu

Bhatia, P. (2019). Data mining and data warehousing: Principles and practical techniques (Primera). Cambridge University Press.

Bilici, Z., y Özdemir, D. (2022). Data Mining Studies in Education: Literature Review For The Years 2014-2020. Bayburt Eğitim Fakültesi Dergisi, 17(33), 342-376. https://doi.org/10.35675/befdergi.849973

Chawinga, W. D. (2017). Taking social media to a university classroom: Teaching and learning using Twitter and blogs. International Journal of Educational Technology in Higher Education, 14(1), 3. https://doi.org/10.1186/s41239-017-0041-6

Chen, X., Vorvoreanu, M., y Madhavan, K. (2014). Mining Social Media Data for Understanding Students’ Learning Experiences. IEEE Transactions on Learning Technologies, 7(3), 246-259. https://doi.org/10.1109/TLT.2013.2296520

Condori Melendez, H., Borja Villanueva, C. A., Saravia Alviar, R. A., Barzola Loayza, M. G., y Rodríguez Ruiz, J. R. (2021). Efectos de la pandemia por coronavirus en la educación superior universitaria. Revista Conrado, 17(82), 286-292.

Delgado-García, M., García-Prieto, F. J., y Gómez-Hurtado, I. (2018). Moodle y Facebook como herramientas virtuales didácticas de mediación de aprendizajes: Opinión de profesores y alumnos universitarios. Revista complutense de educación. https://doi.org/10.5209/RCED.53968

Desai, M., y Mehta, M. A. (2018). Descriptive, Dynamic and Hybrid Classification Algorithm to Classify Engineering Students’ Sentiments. En P. Bhattacharyya, H. G. Sastry, V. Marriboyina, y R. Sharma (Eds.), Smart and Innovative Trends in Next Generation Computing Technologies (pp. 122-138). Springer Singapore. https://doi.org/10.1007/978-981-10-8657-1_10

Esteban García, M., Bernardo Gutiérrez, A. B., y Rodríguez-Muñiz, L. J. (2016). Permanencia en la universidad: La importancia de un buen comienzo. Aula Abierta, 44(1), 1-6. https://doi.org/10.1016/j.aula.2015.04.001

García-Merino, J. D., Urionabarrenetxea, S., y Bañales-Mallo, A. (2016). Cambios en metodologías docentes y de evaluación: ¿Mejoran el rendimiento del alumnado universitario? Revista electrónica de investigación educativa, 18(3), 1-18.

Gil-Ramírez, H., y Guilleumas-García, R. M. (2021). Methodology for sentiment analysis in twitter posts about mobile learning. South Florida Journal of Development, 2(2), 2718-2728. https://doi.org/10.46932/sfjdv2n2-125

Hernández Herrera, C. A. (2016). Diagnóstico del rendimiento académico de estudiantes de una escuela de educación superior en México. https://doi.org/10.5209/rev_RCED.2016.v27.n3.48551

Hernández Orallo, J., Ferri Ramirez, C., y Ramirez Quintana, M. J. (2004). Introducción a la Minería de Datos (Primera). Pearson Educación. http://bit.ly/2FGtqP1

IISUE. (2020). Educación y pandemia. Una visión académica (Primera). IISUE, UNAM. https://bit.ly/34Gbt31

Jenaro-Río, C., Castaño-Calle, R., Martín-Pastor, M. E., y Flores-Robaina, N. (2018). Rendimiento académico en educación superior y su asociación con la participación activa en la plataforma Moodle. Estudios sobre Educación, 34, 177-198. https://doi.org/10.15581/004.34.177-198

Kitchenham, B. (2007). Guidelines for performing systematic literature reviews in software engineering. Technical report, Ver. 2.3 EBSE Technical Report. EBSE. https://www.academia.edu

Lemay, D. J., Basnet, R. B., Doleck, T., y Bazelais, P. (2019). Social network analysis of twitter use during the AERA 2017 annual conference. Education and Information Technologies, 24(1), 459-470. https://doi.org/10.1007/s10639-018-9787-2

Mangaroska, K., y Giannakos, M. (2018). Learning analytics for learning design: A systematic literature review of analytics-driven design to enhance learning. IEEE Transactions on Learning Technologies, 12(4), 516-534. https://doi.org/10.1109/TLT.2018.2868673

Maor, D., y Currie, J. K. (2017). The use of technology in postgraduate supervision pedagogy in two Australian universities. International Journal of Educational Technology in Higher Education, 14(1), 1. https://doi.org/10.1186/s41239-017-0046-1

Menacho Chiok, C. H. (2017). Predicción del rendimiento académico aplicando técnicas de minería de datos. Anales Científicos, 78(1), 26-33. http://dx.doi.org/10.21704/ac.v78i1.811

Morales Carrillo, J. J., Trujillo Utreras, V. K., Cevallos Molina, S. K., y Hiraida Monserrate, S. C. (2019). Minería de datos en educación: Una revisión literaria. Revista ESPAMCIENCIA, 10(E), 14-20.

Ordorika, I. (2020). Pandemia y educación superior. Revista de la educación superior, 49(194), 1-8.

Patil, S., y Kulkarni, S. (2018). Mining Social Media Data for Understanding Students’ Learning Experiences using Memetic algorithm. International Conference on Processing of Materials, Minerals and Energy (July 29th – 30th) 2016, Ongole, Andhra Pradesh, India, 5(1, Part 1), 693-699. https://doi.org/10.1016/j.matpr.2017.11.135

Pérez-Suasnavas, A.-L., Cela, K., y Hasperué, W. (2020). Beneficios del uso de técnicas de minería de datos para extraer y analizar datos de twitter aplicados en la educación superior: Una revisión sistemática de la literatura. Universidad de Salamanca, 32(2), 1-38. http://dx.doi.org/10.14201/teri.22171

Rambay Tobar, M. G., y De la Cruz Lozado, J. (2020). Desarrollo de las competencias digitales en los docentes universitarios en tiempo pandemia: Una revisión sistemática. In Crescendo, 11(4), 511-527. https://doi.org/10.21895/incres.2020.v11n4.06

Romero, C., y Ventura, S. (2013). Data mining in education. WIREs Data Mining and Knowledge Discovery, 3(1), 12-27. https://doi.org/10.1002/widm.1075

Rondón Morales, R. (2020). Educación universitaria en tiempos de pandemia. Administración Educacional Anuario del Sistema de Educación de Venezuela, Especial(8), 139-147.

Slater, S., Joksimović, S., Kovanovic, V., Baker, R. S., y Gasevic, D. (2017). Tools for educational data mining: A review. Journal of Educational and Behavioral Statistics, 42(1), 85-106. https://doi.org/10.3102/1076998616666808

SOLAR. (2022). Society for Learning Analytics Research. What is Learning Analytics? https://www.solaresearch.org/about/what-is-learning-analytics/

Su, Y.-S., y Lai, C.-F. (2021). Applying educational data mining to explore viewing behaviors and performance with flipped classrooms on the social media platform Facebook. Frontiers in Psychology, 12, 653018. https://doi.org/10.3389/fpsyg.2021.653018

Uddin, M. F. (2016). A framework to identify educational relevance in social networking posts. 2016 IEEE 7th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), 1-8. https://doi.org/10.1109/UEMCON.2016.7777873

Uddin, M. F., y Lee, J. (2016). Utilizing Relevant Academic and Personality Features from Big Unstructured Data to Identify Good and Bad Fit Students. Complex Adaptive Systems Los Angeles, CA November 2-4, 2016, 95, 383-391. https://doi.org/10.1016/j.procs.2016.09.349

Urbina Nájera, A. B. (2019). Estrategia tecnológica para mejorar el rendimiento académico universitario. Pixel-Bit: Revista de Medios y Educación, 56, 71-93. https://doi.org/10.12795/pixelbit.2019.i56.04

Veletsianos, G. (2011). Higher education scholars’ participation and practices on Twitter. Journal of Computer Assisted Learning, 28(4), 336-349. https://doi.org/10.1111/j.1365-2729.2011.00449.x

Veletsianos, G. (2017). Toward a generalizable understanding of Twitter and social media use across MOOCs: Who participates on MOOC hashtags and in what ways? Journal of computing in higher education, 29(1), 65-80. https://doi.org/10.1007/s12528-017-9131-7

Veletsianos, G., Kimmons, R., Shaw, A., Pasquini, L., y Woodward, S. (2017). Selective openness, branding, broadcasting, and promotion: Twitter use in Canada’s public universities. Educational Media International, 54(1), 1-19. https://doi.org/10.1080/09523987.2017.1324363

Wu, X., Zhu, X., Wu, G.-Q., y Ding, W. (2014). Data mining with big data. IEEE transactions on knowledge and data engineering, 26(1), 97-107. https://doi.org/10.1109/TKDE.2013.109

Xing, W., y Gao, F. (2018). Exploring the relationship between online discourse and commitment in Twitter professional learning communities. Computers & Education, 126, 388-398. https://doi.org/10.1016/j.compedu.2018.08.010

Yu, X., y Wu, S. (2015). Typical Applications of Big Data in Education. 2015 International Conference of Educational Innovation through Technology (EITT), 103-106. https://doi.org/10.1109/EITT.2015.29

Downloads

Published

2023-01-11

How to Cite

Pérez-Suasnavas, A.-L., Salgado-Proaño, B. F., Hasperué, W., R., K. L. C., & C., J. L. S. (2023). Evolución de las técnicas de minería de datos para extraer datos provenientes de twitter aplicadas a la educación superior: una revisión sistemática. South Florida Journal of Development, 4(1), 33–55. https://doi.org/10.46932/sfjdv4n1-002

Most read articles by the same author(s)