Selección de tutores académicos en la educación superior usando árboles de decisión

Argelia B. Urbina Nájera, Jorge de la Calleja

Resumen


RESUMEN  

En este documento se presenta un método para mejorar el proceso de tutoría académica en la educación superior. El método incluye a identificación de las habilidades principales de los tutores de forma automática utilizando el algoritmo árboles de decisión, uno de los algoritmos más utilizados en la comunidad de aprendizaje automático para resolver problemas del mundo real con gran precisión. En el estudio, el algoritmo arboles de decisión fue capaz de identificar las habilidades y afinidades entre estudiantes y tutores. Los experimentos se llevaron a cabo utilizando un conjunto de datos de 277 estudiantes y 19 tutores, mismos que fueron seleccionados por muestreo aleatorio simple y participación voluntaria en el caso de los tutores. Los resultados preliminares muestran que los atributos más importantes para los tutores son la comunicación, la autodirección y las habilidades digitales. Al mismo tiempo, se presenta un proceso de tutoría en el que la asignación del tutor se basa en estos atributos, asumiendo que puede ayudar a fortalecer las habilidades de los estudiantes que demanda la sociedad actual. De la misma forma, el árbol de decisión obtenido se puede utilizar para agrupar a tutores y estudiantes basados en sus habilidades y afinidades personales utilizando otros algoritmos de aprendizaje automático. La aplicación del proceso de tutoría sugerido podría dar la pauta para ver el proceso de tutoría de manera individual sin vincularla a procesos de desempeño académico o deserción escolar.

ABSTRACT

In this paper, we present a method for the tutoring process in order to improve academic tutoring in higher education. The method includes identifying the main skills of tutors in an automated manner using decision trees, one of the most used algorithms in the machine learning community for solving several real-world problems with high accuracy. In our study, the decision tree algorithm was able to identify those skills and personal affinities between students and tutors. Experiments were carried out using a data set of 277 students and 19 tutors, which were selected by random sampling and voluntary participation, respectively. Preliminary results show that the most important attributes for tutors are communication, self-direction and digital skills. At the same time, we introduce a tutoring process where the tutor assignment is based on these attributes, assuming that it can help to strengthen the student's skills demanded by today's society. In the same way, the decision tree obtained can be used to create cluster of tutors and clusters of students based on their personal abilities and affinities using other machine learning algorithms. The application of the suggested tutoring process could set the tone to see the tutoring process individually without linking it to processes of academic performance or school dropout.


Palabras clave


Tutoría académica; minería de datos educativa; árboles de decisión; aprendizaje automático; tutores; Academic Tutoring; Educational Data Mining; Decision trees; machine learning; tutors

Texto completo:

PDF (English)


DOI: https://doi.org/10.5944/reop.vol.29.num.1.2018.23297

Enlaces refback

  • No hay ningún enlace refback.


--------------------------------------------------------------------------------------------------------------

Revista Española de Orientación y Psicopedagogía
Calle Juan del Rosal, 14, 2º planta, despacho 257
28040 - MADRID
email: feop.reop@edu.uned.es

© AEOP - 1990 a 2005
© FEOP - 2006 a 2012
© AEOP - desde 2012
ISSN: 1989-7448 (versión electrónica)
ISSN: 1139-7853 (versión impresa) (hasta 2010)
COD. UNESCO: 580