Número completo
Full number
Minería de datos educacional en la UNCAus
David L. La Red Martínez. Universidad Nacional del Chaco Austral - UNCAus, Sáenz Peña - Chaco, Argentina.
Stella M. Gerzel. Universidad Nacional del Chaco Austral - UNCAus, Sáenz Peña - Chaco, Argentina.
Resumen / Abstract
En este artículo se comentan los principales aspectos de un proyecto de investigación que utilizará minería de datos educacional aplicada al rendimiento académico. El proyecto es continuación de varios proyectos realizados en la Universidad Nacional del Nordeste (Argentina), en la Universidad Tecnológica Nacional Regional Resistencia (Argentina) y en la Universidad Nacional del Este (Paraguay); en todos ellos se utilizó minería de datos educacional para generar modelos descriptivos y predictivos de rendimiento académico en función del perfil de los alumnos de distintas asignaturas. Se trabajará en encontrar las variables que inciden en el rendimiento académico de los alumnos de las asignaturas “Algoritmos y Estructuras de Datos” y “Sistemas y Organizaciones”, para orientar las acciones que permitan intentar evitar la deserción, considerando las situaciones que se detecte que la generan. El tema es de plena vigencia, actualidad y aplicación en la UNCAus. El proyecto permitirá extraer conclusiones y experiencias concretas, de todos y cada uno de los aspectos que deben considerarse en la detección de las variables que inciden en el rendimiento académico de los alumnos.
Palabras Clave / Keywords
Rendimiento Académico, Minería de Datos Educacional, Prevención de la Deserción.
Referencias / References
1. Grimaldo, M., Manzanares-Medina, E.: Variables intervinientes en el rendimiento académico en ingresantes de una universidad privada de Lima. Revista Electrónica Educare (Educare Electronic Journal) 27(1), 1-14 (2023).
2. Houston, D. M., Henig, J. R.: The “Good” Schools: Academic Performance Data, School Choice, and Segregation. AERA Open 9(1), 1-18 (2023).
3. Matheny, K. T., Thompson, M. E., Townley-Flores, C.: Uneven Progress: Recent Trends in Academic Performance Among U.S. School Districts. American Educational Research Journal 60(3), 447-485 (2023).
4. Acosta, J. C., La Red Martínez, D. L.: Análisis de algunas variables para determinar perfiles de desempeño académico en la UNNE. In: Antonella Carvalho de Oliveira (ed.) International Journal of Human Sciences Research. Atena Editora, Ponta Grossa, PR, Brasil (2022).
5. La Red Martínez, D. L., Karanik, M., Giovannini, M., Pinto, N.: Academic Performance Profiles: A Descriptive Model Based on Data Mining. European Scientific Journal (ESJ) 11(9), 17‐38 (2015).
6. La Red Martínez, D. L., Karanik, M., Giovannini, M., Pinto, N.: Perfiles de Rendimiento Académico: Un Modelo Basado en Minería de Datos. Revista Científica Iberoamericana de Tecnología Educativa - Scientific Journal of Educational Technology 4(1), 12‐30 (2015).
7. La Red Martínez, D. L., Karanik, M., Giovannini, M. E.: Academic achievement profiles: An intelligent predictive model based on data mining. Academia Journal of Educational Research 6(12), 279-289 (2018).
8. La Red Martínez, D. L., Bobadilla, G. M., Delgado, L., Ayala, K.: Detección de Perfiles de Rendimiento Académico en la Universidad Nacional del Este de Paraguay. European Scientific Journal (ESJ) 16(36), 138-157 (2020).
9. Mengash, H. A.: Using Data Mining Techniques to Predict Student Performance to Support Decision Making in University Admission Systems. IEEE Access 8, 55462-55470 (2020).
10. Xiao, W., Ji, P., Hu, J.: A survey on educational data mining methods used for predicting students’ performance. Engineering Reports 4(5), e12482 (2022).
11. Shafiq, D. A., Marjani, M., Habeeb, R. A. A., Asirvatham, D.: Student Retention Using Educational Data Mining and Predictive Analytics: A Systematic Literature Review. IEEE Access 10, 72480-72503 (2022).
12. Cardona, T., Cudney, E. A., Hoerl, R., Snyder, J.: Data Mining and Machine Learning Retention Models in Higher Education. Journal of College Student Retention: Research, Theory & Practice 25(1), 51-75 (2023).
13. Quy, T. L., Friege, G., Ntoutsi, E.: A review of clustering models in educational data science towards fairness-aware learning. In: Peña-Ayala, A. (ed.) Educational Data Science: Essentials, Approaches, and Tendencies, Springer (2023).
14. La Red Martínez, D. L., Bobadilla Almada, G.: Estudio del rendimiento académico y detección temprana de perfiles de alumnos en la Facultad Politécnica de la Universidad Nacional del Este de Paraguay. In: Iriondo Otero, W. R., Bras Ruiz, I. I., Mussi Escobar, P. (eds.) Utilizando tecnologías en la educación para fortalecer la práctica docente en América Latina. Revisiones teóricas - Experiencias prácticas, Colombia (2016).
15. La Red Martínez, D. L., Acosta, J. C., Agostini, F., Uribe, V. E., Rambo, A. R.: La Importancia Otorgada al Estudio y su Relación con el Rendimiento Académico. Revista Documentación 4(24), 54-62 (2011).
16. La Red Martínez, D. L., Acosta, J. C., Uribe, V. E., Rambo, A. R.: Academic Performance: An Approach From Data Mining. Journal of Systemics, Cybernetics and Informatics 10(1), 66-72 (2012).
17. La Red Martínez, D. L., Karanik, M., Giovannini, M., Scappini, R.: Towards to a Predictive Model of Academic Performance Using Data Mining in the UTN-FRRe. Journal of Systemics, Cybernetics and Informatics 14(2), 36-41 (2016).
18. La Red Martínez, D. L., Giovannini, M. E., Báez Molinas, M. E., Torre, J. I., Yaccuzzi, N.: Educational Data Mining - An Experience in UTN FRRe. The 9th International Multi-Conference on Complexity, Informatics and Cybernetics (IMCIC) 1, 86-90 (2018).
19. La Red Martínez, D. L., Gerzel, S. M., Aguirre, C. E., Cáceres, R. A., Berecoechea Galarza, J. A.: Uso de Minería de Datos Para la Determinación de Perfiles Socioeconómicos y Sanitarios en la UNCAus. European Scientific Journal (ESJ) 16(33), 88-104 (2020).
20. La Red Martínez, D. L., Gerzel, S. M., Aguirre, E., Cáceres, R. A., Berecoechea Galarza, J. A., Vallejo, S.: Determinación de perfiles socioeconómicos y sanitarios de las personas atendidas en las campañas efectuadas como actividades curriculares de la carrera de Medicina de la UNCAus en su área de influencia. In: XXIV Workshop de Investigadores en Ciencias de la Computación - WICC - 2022, 133-137, Argentina (2022).
Cómo citar / How to cite
La Red Martínez, D. L., y Gerzel, S. M. (2024). Minería de datos educacional en la UNCAus. En C. Rusu et al., (1ª ed.), Transformación digital en la educación: innovaciones y desafíos (pp. 17-21). Huelva (España): United Academic Journals (UA Journals). https://doi.org/10.54988/uaj.000029.002
Número completo
Full number
Percepción del uso de la IA en estudiantes universitarios de ciencias empresariales de Lambayeque, 2024
Jose Carlos Montes Ninaquispe. Programa de Administración y Administración de Negocios Internacionales Filial Norte, Universidad de San Martín de Porres, Chiclayo, Perú.
Fernando Antonio Arriola Jiménez. Programa de Administración y Administración de Negocios Internacionales Filial Norte, Universidad de San Martín de Porres, Chiclayo, Perú.
Heidi Halina Rázuri-Rubio. Programa de Administración y Administración de Negocios Internacionales Filial Norte, Universidad de San Martín de Porres, Chiclayo, Perú.
Alberto Luis Pantaleón Santa María. Programa de Administración y Administración de Negocios Internacionales Filial Norte, Universidad de San Martín de Porres, Chiclayo, Perú.
Kelly Cristina Vásquez Huatay. Programa de Administración y Administración de Negocios Internacionales Filial Norte, Universidad de San Martín de Porres, Chiclayo, Perú.
Luis Guillermo Arbulú Rivera. Programa de Administración y Administración de Negocios Internacionales Filial Norte, Universidad de San Martín de Porres, Chiclayo, Perú.
Resumen / Abstract
El objetivo de este estudio fue describir la percepción del uso de la inteligencia artificial en estudiantes universitarios de ciencias empresariales de la región Lambayeque, Perú. La metodología empleada fue un enfoque cuantitativo con un alcance descriptivo, utilizando encuestas validadas y distribuidas a una muestra de 420 estudiantes de diversas universidades privadas. Los resultados indicaron una percepción media predominante de la IA en todos los grupos de edad, con variaciones según el nivel de estudios y género. Los estudiantes menores de 20 años mostraron una percepción alta significativa, mientras que los mayores de 23 años presentaron una evaluación más crítica. Tanto hombres como mujeres tuvieron una percepción mayoritariamente media, aunque los hombres mostraron una mayor proporción de percepción alta. Se concluye que la aceptación de la IA es cautelosa pero positiva, y se recomiendan programas de capacitación, mejoras en la infraestructura tecnológica y políticas educativas que promuevan el uso ético de la IA.
Palabras Clave / Keywords
Inteligencia artificial, Chat GPT, Percepción estudiantil, Educación superior, Tecnología educativa, Brecha digital, Capacitación tecnológica.
Referencias / References
1. Alarcon-Llontop, L.-R., Pasapera-Ramírez, S., Torres-Mirez, K.: The ChatGPT Application: Initial Perceptions of University Teachers | La Aplicación ChatGPT: Iniciales Percepciones de Docentes Universitarios. In: Proceedings of the LACCEI international Multi-conference for Engineering, Education and Technology. (2023).
2. Ríos Hernández, I. N., Mateus, J.-C., Rivera-Rogel, D., Ávila Meléndez, L. R.: Perceptions of Latin American Students on the Use of Artificial Intelligence in Higher Education | Percepções de estudantes latinoamericanos sobre o uso de inteligência artificial no ensino superior. Austral Comunicacion 13, (2024). https://doi.org/10.26422/aucom.2024.1301.rio
3. Hammoudi Halat, D., Shami, R., Daud, A., et al.: Artificial Intelligence Readiness, Perceptions, and Educational Needs Among Dental Students: A Cross-Sectional Study. Clin Exp Dent Res 10, (2024). https://doi.org/10.1002/cre2.925
4. Arruzza, E.: Radiography students’ perceptions of artificial intelligence in medical imaging. J Med Imaging Radiat Sci 55, 258-263 (2024). https://doi.org/10.1016/j.jmir.2024.02.014
5. Cowit, N. Q., Fiesler, C.: Student Preconceptions of Artificial Intelligence: Results from Single Institution Survey. In: SIGCSE 2024 - Proceedings of the 55th ACM Technical Symposium on Computer Science Education, pp. 1610-1611. (2024).
6. Alarcón-Llontop, L.-R., Lomas Chacón, P. E., Cruz Páez, P., et al.: Perceptions of Ecuadorian and Peruvian University Teachers on ChatGPT. (2024).
7. Ruiz-Talavera, D., De la Cruz-Aguero, J. E., García-Palomino, N., et al.: Artificial intelligence and its impact on job opportunities among university students in North Lima, 2023. EAI Endorsed Transactions on Scalable Information Systems 10, 1-8 (2023). https://doi.org/10.4108/eetsis.3841
8. Agrawal, P., Tan, C., Heena, R.: Advancing Perception in Artificial Intelligence through Principles of Cognitive Science. In: Cornell University. (2023). https://arxiv.org/pdf/2310.08803
9. Chu, Y., Li, J., Xu, J.: How is the AI Perceived When It Behaves (Un)Fairly?. (2023).
10. Pňaček, M.: Affective Change Through Affective Artificial Intelligence. In: AI and Society. Chapman and Hall/CRC, Boca Raton, pp. 71-90. (2022).
Cómo citar / How to cite
Montes Ninaquispe, J. C., Arriola Jiménez, F. A., Rázuri-Rubio, H. H., Pantaleón Santa María, A. A., Vásquez Huatay, K. K., y Arbulú Rivera, L. G. (2024). Percepción del uso de la IA en estudiantes universitarios de ciencias empresariales de Lambayeque, 2024. En C. Rusu et al., (1ª ed.), Transformación digital en la educación: innovaciones y desafíos (pp. 59-63). Huelva (España): United Academic Journals (UA Journals). https://doi.org/10.54988/uaj.000029.009
Número completo
Full number
LMS y ciberseguridad: estudio bibliométrico
Alfonso Infante-Moro. Universidad de Huelva.
Juan Carlos Infante-Moro. Universidad de Huelva.
Julia Gallardo-Pérez. Universidad de Huelva.
Juan Carlos Castro-Ortiz. Universidad de Huelva.
Álvaro Martínez-García. Universidad de Huelva.
https://doi.org/10.54988/uaj.979-13-990252-7-9_06
Resumen / Abstract
La adopción de los Sistemas de Gestión del Aprendizaje (LMS, por sus siglas en inglés) plantea desafíos significativos en ciberseguridad que deben ser estudiados desde el ámbito científico-académico. Por ello, este artículo hace un estudio bibliométrico sobre esta área, que refleja la relevancia actual de la misma en el ámbito científico-académico, señalando el número de artículos publicados sobre esta temática, las fuentes de publicación de estos artículos, sus autores, la procedencia de estos autores, las tendencias investigativas y el impacto de estos artículos dentro del campo investigativo. De esta manera, este análisis permite evidenciar que se está ante un campo de investigación que está comenzando a emerger y que tiene un potencial significativo para futuras líneas de trabajo, profundizando en el desarrollo de marcos pedagógicos y de competencias en ciberseguridad aplicados a los LMS y fomentando la colaboración interdisciplinar entre el ámbito tecnológico y el educativo.
The adoption of Learning Management Systems (LMS) poses significant cybersecurity challenges that must be addressed from a scientific and academic perspective. Therefore, this article presents a bibliometric study of this area, reflecting its current relevance in the scientific and academic field. It highlights the number of articles published on this topic, the sources of these articles, their authors, their origins, research trends, and the impact of these articles within the research field. This analysis demonstrates that this is a field of research that is just beginning to emerge and that holds significant potential for future lines of work, delving into the development of pedagogical frameworks and cybersecurity competencies applied to LMSs and fostering interdisciplinary collaboration between the technological and educational fields.
Palabras Clave / Keywords
Sistema de gestión del aprendizaje, LMS, ciberseguridad, amenazas cibernéticas, formación online.
Learning management system, LMS, cybersecurity, cyber threats, e-learning.
Referencias / References
1. Akhmetov, B., Gnatyuk, S., Akhmetov, B., & Tynymbayev, B. (2024). Analysis of modern LMS platforms in Kazakhstan: Structure, functionality, cybersecurity. In Ceur Workshop Proceedings (pp. 106-113).
2. Beuran, R., Tang, D., Tan, Z., Hasegawa, S., Tan, Y., & Shinoda, Y. (2019). Supporting cybersecurity education and training via LMS integration: CyLMS. Education and Information Technologies, 24(6), 3619-3643. https://doi.org/10.1007/s10639-019-09942-y.
3. Blancaflor, E., Bilbao, T. D., Casas, V. I. P., & Mapue, I. P. (2024, July). A Cybersecurity Awareness/Training System Customized for an Organizational Needs: An E-learning portal. In Proceedings of the 2024 15th International Conference on E-business, Management and Economics (pp. 388-394). https://doi.org/10.1145/3691422.3691473.
4. D. Guillén-Gámez, F., Martínez-García, I., Alastor, E., & Tomczyk, Ł. (2024). Digital competences in cybersecurity of teachers in training. Computers in the Schools, 41(3), 281-306. https://doi.org/10.1080/07380569.2024.2361614.
5. Djeki, E., Degila, J., Bondiombouy, C., & Alhassan, M. H. (2021, November). Security issues in digital learning spaces. In 2021 IEEE International Conference on Computing (ICOCO) (pp. 71-77). IEEE. https://doi.org/10.1109/ICOCO53166.2021.9673575.
6. Hnaif, A. A., Derbas, A. M., Almanasra, S., & Hnaif, A. (2024). Cybersecurity integration in distance learning: an analysis of student awareness and attitudes. Indonesian Journal of Electrical Engineering and Computer Science, 33(2), 1057-1066. https://doi.org/10.11591/ijeecs.v33.i2.pp1057-1066.
7. Jahoor, F., Joseph, M. K., & Madhav, N. (2024, March). Bibliometric analysis of Cybersecurity in e-learning systems and big data. In 2024 Conference on Information Communications Technology and Society (ICTAS) (pp. 57-62). IEEE. https://doi.org/10.1109/ICTAS59620.2024.10507133.
8. Krumova, M., & Kataria, A. (2023, September). Education cybersecurity: Learning management system, data and tools. In Proceedings of the 16th International Conference on Theory and Practice of Electronic Governance (pp. 318-323). https://doi.org/10.1145/3614321.3614364.
9. Lechachenko, T., Gancarczyk, T., Lobur, T., & Postoliuk, A. (2023). Cybersecurity Assessments Based on Combining TODIM Method and STRIDE Model for Learning Management Systems. In Ceur Workshop Proceedings (pp. 250-256).
10. Redecker, C., & Punie, Y. (2017). European framework for the digital competence of educators (DigCompEdu). Publications Office of the European Union. https://doi.org/10.2760/159770.
11. Rose, S, Borchert, O, Mitchell, S., & Connelly, S. (2020). Zero Trust Architecture (SP 800-207). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.SP.800-207.
Cómo citar / How to cite
Infante-Moro, A., Infante-Moro, J. C., Gallardo-Pérez, J., Castro-Ortiz, J. C., y Martínez-García, A. (2025). LMS y ciberseguridad: estudio bibliométrico. En Academia Iberoamericana de La Rábida, (1ª ed.), Formación en ciberseguridad y ética en trabajos académicos y científicos (pp. 135-142). Huelva: Academia Iberoamericana de La Rábida / United Academic Journals (UA Journals). https://doi.org/10.54988/uaj.979-13-990252-7-9_06
Número completo
Full number
2022 ---- Síndrome de desgaste profesional (burnout) y su relación con la inteligencia emocional en profesionales de la salud
Autoras: Emma Soliva Álvarez, María Isabel Cuenda Macías, Ana María Parada Rodríguez, María Luisa Valiente Millán
Premio Trabajo Fin de Máster - Edición 2021-2022
Máster en Inteligencia Emocional
Estudio científico desde la Psicología, la Neurociencia y la Salud
Máster impartido por el Instituto Psicobiológico y certificado por la Universidad Isabel I
Capítulos/Chapters
RESUMEN
ABREVIATURAS
Capítulo 1. INTRODUCCIÓN
1.1. Justificación.
1.2. Definición.
1.3. Estado actual.
Capítulo 2. OBJETIVOS E HIPÓTESIS
2.1. Objetivo general.
2.2. Objetivos específicos.
2.3. Hipótesis.
Capítulo 3. MATERIAL Y MÉTODOS
3.1. Diseño del estudio.
3.2. Cuestionarios y test aplicados.
3.3. Variables de estudio.
Capítulo 4. RESULTADOS
Capítulo 5. DISCUSIÓN
5.1. Discusión preliminar.
5.2. Discusión de hipótesis.
5.3. Limitaciones del estudio.
5.4. Nuevos aportes del estudio.
Capítulo 6. CONCLUSIONES
6.1. Planteamientos/propuestas a futuro.
Capítulo 7. BIBLIOGRAFÍA
ANEXOS
