CIENCIA DE DATOS UNA ALTERNATIVA DE ANÁLISIS AL CRECIMIENTO

PEDAGÓGICO DEL ESTUDIANTE EN EDUCACIÓN SUPERIOR

Helmer Fellman Mendoza Jurado

35
Educación Superior Vol. V (N° 2) Pag. 36 - 45 ISSN 2518-8283 / Septiembre 2018 .

CIENCIA DE DATOS UNA ALTERNATIVA DE ANÁLISIS AL CRECIMIENTO

PEDAGÓGICO DEL ESTUDIANTE EN EDUCACIÓN SUPERIOR

Data Science an alternative analysis to the pedagogical growth of the

student in Higher Education
Mendoza Jurado, Helmer Fellman
Docente Universidad Privada Domingo Savio
[email protected]
La Paz, Bolivia

Resumen

Este trabajo de investigación pretende presentar conceptos, un nuevo modelo de trabajo y generación
de resultados respaldados por un método científico siendo orientadas específicamente en el área
educativa y pedagógica de una institución en Educación Superior. Si bien siempre hemos generado y
analizado grandes volúmenes de información sobre cada estudiante y su nivel de aprovechamiento en el
Proceso de Enseñanza-Aprendizaje, el Internet y otras nuevas tecnologías han creado diversas fuentes
de datos, nuevas formas de procesamiento, análisis y presentación de métricas que eran muy difíciles
de extraer y comprender, sin la capacidad de automatización y abstracción que por inercia proporciona
la Ciencia de Datos, componente actualmente ingresado a las Nuevas Tecnologías de la Información
y de la Comunicación, proyectando que este volumen de información se duplicará en 2020 y esto se
incrementará progresivamente según se avance en el tiempo, por tanto, la necesidad de dar un nuevo
enfoque a las métricas tradicionales aumentará, pero a su vez ayudará en el análisis de nuevos factores
socio-emocionales del estudiante, los cuales ayudarán a mantenernos al día con este nuevo desafío en
la era del conocimiento.

Palabras Claves:

Ciencia de Datos, Proceso de Enseñanza-Aprendizaje, Minería de Datos Educativos.

Abstract

This research work intends to present concepts, a new working model and results generation supported
by a scientific method being oriented specifically in the educational and pedagogical area of an institution
in higher education. Even though we have always generated and analyzed big volumes of information
about each student and their level of progress within the Teaching-Learning Process, the Internet and
other new technologies have created different data sources, new ways of processing, analysis and metrics
presentation which were very difficult to extract and understand, without the capacity of automation
and abstraction that due to inertia gives the Data Science, a component currently entered to the New
Technologies of the information and communication, projecting that this volume of information will be
duplicated in 2020 and this will increase progressively as we move forward in time, thus the need to give
a new approach to the traditional metrics will increase, but in turn it will help in the analysis of new socio-
emotional factors o the student, which will help to keep us up-to-date with this new challenge in the age
of knowledge.

Keywords:

Data Science, Teaching-Learning Process, Educational Data Mining.

36
 Helmer Fellman Mendoza Jurado

1. Introducción predice que tendrá un impacto dramático en la

economía, la ciencia y la sociedad en general.
Actualmente las Carrera de Sistemas y Los autores citan el poderoso ejemplo de la
Telecomunicaciones dentro de la Universidad predicción de Google sobre la propagación en los
Privada Domingo Savio, con su sede en la ciudad Estados Unidos de la gripe de invierno (H1N1).
y departamento de Tarija, cuenta con una amplia Esta analítica demostró que una combinación de
gama de recursos tecnológicos a su alcance, 45 términos de búsqueda (de los 50 millones que
partiendo desde laboratorios equipados acordes existen) procesados ​​por un modelo matemático
a la naturaleza y características de estas, hasta resultó en una fuerte correlación entre la
llegar a una plataforma o herramienta para predicción de Google y los Centros para el
la Gestión del Aprendizaje (LMS) como lo es Control y la Prevención de Enfermedades (CDC)
Moodle, lo cual ayuda en gran manera al proceso de los EE.UU. Es decir, la diferencia o el valor
de enseñanza y aprendizaje (PEA) del estudiante, agregado, es que el uso de Big Data a través de
pero también facilitando la generación de datos Google podría diferenciar tal diseminación de
estadísticos para la toma de decisiones a nivel la enfermedad casi en tiempo real, a diferencia
académico, pedagógico, social, emocional y del tiempo de demora la CDC en sus métodos
administrativo en esta institución. de muestreo, operatividad y consolidación de
resultados.
Además, mencionar que actualmente estas
carreras en particular implementaron exitosamente La sociedad del conocimiento ha evolucionado
el proceso educativo basado en el trabajo de manera exponencial en la velocidad
colaborativo y la creación de conocimiento social, de procesamiento de un computador,
desde una visión democrática y componente digitalización de toda información posible,
altamente altruista, como lo es la educación Internet convencional, Internet de las cosas
2.0, siendo este concepto implementado (IoT), recombinación de tecnologías existentes,
prácticamente por inercia ante la inserción del servicios educativos presenciales y Online,
modelo educativo por competencias, etapa usando como base componentes tecnológicos
de transición por la que pasa actualmente esta en el modelo educativo por Competencias.
universidad a nivel curricular y académico. Estos cambios se complementan con un cambio
audaz en el empoderamiento del docente y un
Ante esta afirmación, se plantea este trabajo de compromiso complementario desde los sistemas
investigación, pretendiendo insertar la Ciencia educativos orientados al estudiante como
de Datos como una nueva herramienta orientada principal actor del PEA.
al análisis del crecimiento pedagógico de los
estudiantes, puesto de que se busca generar Minería de Datos
profesionales idóneos en un PEA integral,
permitiendo usar la analítica a nivel de datos La minería de datos es entendida como el proceso
cognitivos proporcionados por la tecnología con de descubrir conocimientos interesantes, como
la que cuenta la institución y que es patrimonio patrones, asociaciones, cambios, anomalías y
de esta misma, ante esto es que debemos estructuras significativas a partir de grandes
mencionar algunos conceptos teóricos para una cantidades de datos almacenadas en un medio
mayor comprensión del alcance de este trabajo, de almacenamiento de información (2017).
plasmado en lo siguiente:
La aplicación de algoritmos de minería de datos
Big Data requiere de actividades previas destinadas a
preparar los datos de manera homogénea. Esta
Big Data ha sido descrito como una revolución. etapa es también conocida como ETL(Extract,
“…Mayer-Schonberger y Cukier (2013) definen Transform and Load).
el Big Data como la nueva materia prima para
el descubrimiento y la innovación, siendo Ciencia de Datos
un término evolutivo que describe cualquier
cantidad voluminosa de datos estructurados, El uso de datos como evidencia para apoyar la
semiestructurados y no estructurados, que toma de decisiones no es nada nuevo. Basta
tienen el potencial de ser extraídos para obtener con analizar el significado original de la palabra
información. Como tal, el Big Data es una de las Estadística como la ciencia que utiliza conjuntos
tendencias más importantes en tecnología, y se de datos numéricos para obtener, a partir de

37
Ciencia de Datos una Alternativa de Análisis al Crecimiento Pedagógico del Estudiante en Educación Superior

ellos, inferencias basadas en el cálculo de visualizar y extraer conocimiento a partir de datos

probabilidades (Oxford Univertity Press, 2018). (Escuela de Datos, 2017), partiendo de su análisis
como un acrónimo para una serie de tareas
Simplemente nos remitamos a las noticias en un día superpuestas relacionadas con los datos, desde
determinado y seguramente podremos escuchar la recopilación, suministro y preparación, análisis
estadísticas, proporciones y porcentajes, todo y visualización, abstracción y almacenamiento:
en apoyo (o no) de una nueva iniciativa, plan o que explotan las herramientas de las ciencias
recomendación. El poder de los datos nos rodea empíricas, las matemáticas, la inteligencia
y lo usamos todo el tiempo y en cualquier lugar. empresarial, y procesos de Ingeniería bajo el
aprendizaje automático y la inteligencia artificial
Actualmente, Es acertado afirmar la dificultad en (Ver Gráfico Nº 1, sobre las competencias de un
definir este campo emergente, y la dimensión que Científico de Datos). El objetivo de estas tareas
puede tener cualquier trabajo de investigación es permitir decisiones efectivas, pragmáticas y,
bajo esta rama de las ciencias exactas, lo más importante, accionables (Rogel-Salazar,
considerando a la ciencia de datos, como la 2017).
encargada de modelar, analizar, entender,

Gráfico 1
Diagrama de Venn canónico, competencias de un Científico de Datos

Científico de Datos Estos sistemas intentan encontrar patrones

reconocibles en datos, es decir trabajar del lado
Es un experto en Ciencia de Datos, que construye de las ciencias exactas, construyendo modelos
sistemas que intentan encontrar matemáticos, que intentan entender un ingreso
de información (INPUT), siendo este los procesos
patrones reconocibles en datos, es decir, de una institución, el flujo entre entidades y el
hablamos de un profesional en Desarrollo objetivo el cual es la razón de la automatización
de Sistemas, un programador experto que de este proceso matemático.
cuando desarrolle o implemente soluciones
tecnológicas a nivel de software (Rogel-Salazar, Entonces en concreto este científico de datos,
2017). entiende completamente a la institución y los

38
 Helmer Fellman Mendoza Jurado

procesos que esta tiene, pudiendo trasmitir los El proceso de trabajo de un Científico de datos
problemas y necesidades de la mejor manera podemos esquematizarlo en lo siguiente de
basado en términos matemáticos, pasando por acuerdo con la metodología de investigación
una solución en sistemas informáticos, llegando para esa rama de las ciencias exactas.
a un entorno de trabajo basado en paradigmas
matemáticos, buscando soluciones que satisfagan
la necesidad de cualquier proyecto y empresa.

Gráfico 2
Flujo de trabajo de un Científico de Datos

Educación orientada a la Ciencia de Datos trabajo y el bienestar de los ciudadanos (Child

Trends, 2014). Por ejemplo, Lindqvist y Vestman
Carácter, Personalidad, Disposición, valores y (Lindqvist & Vestman, 2011) encuentran evidencia
Mentalidad de crecimiento son denominadas contundente de que las personas que tienen
habilidades no cognitivas. Habilidades blandas conflictos en el mercado laboral, en sentido al
basadas en aprendizaje social y emocional. desempleo o bajos ingresos anuales, carecen
Las personas usan estas palabras y frases para de habilidades cognitivas. Además, Moffitt et al.
describir habilidades a las que también suelen (Lindqvist & Vestman, 2011) encuentran que la
referirse como no académicas (Kamenetz, habilidad emocional del autocontrol en la niñez
2015). Entre estos diversos términos, las se asocia con una mejor salud física, menos
habilidades socioemocionales promovidas por dependencia de sustancias, mejores finanzas
el Colaborativo para el Aprendizaje Académico, personales y menos casos de antecedentes
Social y Emocional (CASEL) han sido en su criminales en la adultez.
mayoría aceptadas por la comunidad educativa
en general (Brackett, Rivers, Reyes, & Salovey, Ante esto es que el movimiento involucra
2012). Un número creciente de estudios muestra algunos asuntos complejos que van desde el
que estos factores no académicos juegan un establecimiento de estándares de aprendizaje
papel importante en la formación del rendimiento social y emocional hasta el desarrollo de
estudiantil, la preparación para el lugar de programas de aprendizaje social y emocional

39
Ciencia de Datos una Alternativa de Análisis al Crecimiento Pedagógico del Estudiante en Educación Superior

para estudiantes, y la oferta de programas de Con más de 6 millones de usuarios, la

desarrollo profesional para maestros/docentes distribución de código abierto Anaconda
y la realización de evaluaciones de aprendizaje es la forma más fácil de hacer Ciencia de
social y emocional (Kamenetz, 2015). Datos (Raschka & Mirjalili, 2017).

Por otra parte, Moore et al. (Moore, Lippman, & • Pandas Python
Ryberg, 2015) proporcionan una justificación
conceptual y empírica para la inclusión de Python siempre ha sido excelente para la
medidas de resultado no académicas en las eliminación y preparación de datos, pero
encuestas de educación longitudinal, evitando el menos para el análisis y el modelado de
sesgo variable omitido, informar el desarrollo de datos. (Escuela de Datos, 2017).
nuevas estrategias de intervención y apoyar los
análisis de mediación y moderación. Metodología

Aunque todos estos temas tienen significados Para lograr desarrollar de mejor manera el
variables con respecto a la medición y el uso de la Ciencia de Datos en este trabajo de
desarrollo del aprendizaje social y emocional, investigación, es de vital importancia formalizar
los siguientes dos objetivos de investigación los procesos de descubrimiento y conocimiento
son prioritarios para los estudios de aprendizaje dentro de un marco estandarizado en Ciencia de
social y emocional: Datos. Bajo ese contexto, el modelo de trabajo
para un Científico de Datos que fue presentado
1. Desarrollo de técnicas de evaluación, anteriormente (Ver Gráfico Nº 2) lo desarrollamos
en lo siguiente:
2. Proporcionar enfoques de intervención.
Decide los objetivos
Estas dos áreas de investigación afectan
fuertemente el desarrollo de las habilidades Este paso inicial implica pensar cuidadosamente
socioemocionales, que son las principales sobre el escenario de trabajo, comprender el
preocupaciones de los ámbitos en educación problema a resolver y determinar los objetivos
y la Ciencia de Datos, pudiendo estudiarse de investigación. Siendo necesario trabajar
para derivar políticas basadas en la evidencia y estrechamente con expertos en educación,
soluciones netamente científicas. definiendo los problemas fundamentales. Los
objetivos de la investigación están estructurados
2. MATERIALES Y MÉTODOS en una o más subtareas del proceso de Ciencia
de Datos, y por tanto, la selección inicial de
Dentro del desarrollo de la investigación se usó las herramientas para desarrollar el modelo de
como herramientas teóricas y/o tecnológicas trabajo presentado (por ejemplo, clasificación y
expresado en lo siguiente: estimación) permite realizar el paso posterior del
proceso. Finalmente, se genera una descripción
• Machine Learning o Inteligencia Artificial del dominio del problema.

Este componente es representado Establece prioridades de medición

mediante algoritmos basados en esta
tecnología, el cual permite comprender y Este paso incluye la recopilación de datos de
ejecutar predicciones y automatizaciones muestra que están disponibles y la decisión de
en base a cálculos de Algebra Lineal qué datos, incluidos el formato y el tamaño, serán
(Raschka & Mirjalili, 2017). necesarios y jerarquizados según su naturaleza e
importancia, planificando el proceso de Minería
• Python de Datos, priorizando los ángulos y/o dimensiones
por el cual clasificaremos nuestra información.
Es un lenguaje con una sintaxis simple y
un poderoso conjunto de bibliotecas. Es Finalmente, este paso incluye verificar que los
un lenguaje interpretado, con un amplio datos coinciden con una o más subtareas de
entorno de programación. (W. Miller, 2016). Ciencia de Datos. Por ejemplo, los investigadores
pueden decidir analizar las huellas de registro
• Anaconda Python en una sesión de aprendizaje Online, para

40
 Helmer Fellman Mendoza Jurado

hacer inferencias sobre las orientaciones documentando, bajo algunos principios de acción
motivacionales en los estudiantes. Además, los utilizados para impactar y mejorar la enseñanza,
investigadores pueden optar por recopilar datos el aprendizaje, la adopción administrativa, la
fisiológicos (como la expresión facial, el pulso del cultura, la asignación de recursos y la toma de
volumen sanguíneo y los datos de conductancia decisiones sobre inversión.
de la piel) para desarrollar modelos que puedan
detectar automáticamente los estados afectivos, 3. RESULTADOS
estas soluciones informáticas son denominadas
Sistemas Informáticos Sociales refiriéndose a la El caso del aprendizaje socioemocional
interacción entre las conductas sociales de las
personas y sus interacciones con las tecnologías En esta sección, describimos un estudio de caso
informáticas (Yao-Ting, Chang, & Liu, 2016) en el que usamos la metodología de investigación
de Ciencia de Datos. La investigación se inició
Análisis de datos con el objetivo de comprender la motivación de
los estudiantes universitarios para el aprendizaje
La etapa de análisis sirve para ayudar a garantizar de una asignatura en particular (Programación II,
que el conocimiento descubierto satisfaga los bajo el modelo por Competencias), pero siendo
objetivos de investigación originales. Mediante adaptable a cualquier otra asignatura que se
minería de Datos se retienen los modelos requiera. Así comenzamos a comprender el
aprobados para el próximo paso, de lo contrario, problema en lo siguiente
se vuelve a revisar todo el proceso para
identificar qué acciones o alternativas se podrían 1. Se tiene preconcebido que la motivación de
tomar para mejorar los resultados (por ejemplo, los estudiantes universitarios para aprender
ajustar la definición del problema u obtener varía durante el periodo de trabajo en la
datos diferentes, como podemos observar en asignatura. Monitorear su motivación puede
la Tabla Nº 3, en la cual mediante instrucciones ayudar a proporcionar las estrategias
filtramos información de acuerdo a la necesidad correctas en el momento adecuado.
o un criterio en específico). Los investigadores
evaluarán rigurosamente los resultados y, por 2. El proceso de Evaluación docente,
lo tanto, ganarán confianza sobre si están o no implementada al final de cada asignatura,
calificados. Scheffel et al. (Sellar, 2014) realice en conjunto a la implementación de minería
una lluvia de ideas con expertos del campo de de datos evaluaron las métricas de enfoque
análisis de aprendizaje y reúna sus ideas sobre educativo sobre la motivación de los
indicadores de calidad específicos para evaluar estudiantes universitarios en la asignatura.
los efectos del análisis de aprendizaje.
3. Primero se calculó la puntuación media
Los criterios proporcionan una forma de de Métricas evaluativas basado en
estandarizar la evaluación de las herramientas Niveles de Conformidad y Motivación del
de análisis de aprendizaje. Además, los expertos estudiante (Explicación de la Asignatura,
en procesos educativos ayudarán a interpretar Motivación y Captación de la Atención,
los resultados y verificar si el conocimiento Practica de lo Aprendido, Uso de las
descubierto es novedoso, interesante e influyente. TIC, Aprendizaje Autónomo, Aprendizaje
Para facilitar su comprensión, el equipo de Colaborativo y Contenido Académico
investigación debe pensar en la comprensión de Actualizado.). Los encuestados con
los modelos para los expertos de dominio. un puntaje menor que la media fueron
etiquetados como estudiantes de baja
Interpretación y comunicación de resultados motivación (BM), mientras que aquellos
con más de la media fueron etiquetados
Este paso final consiste en planificar dónde y como estudiantes de alta motivación (AM).
cómo poner el conocimiento descubierto en uso La muestra consistió en 27 estudiantes
real. Se puede obtener un plan simplemente BM (33.75%) y 51.71 AM (66.25).

41
Ciencia de Datos una Alternativa de Análisis al Crecimiento Pedagógico del Estudiante en Educación Superior

Tabla 1
Datos significativos del proceso Investigativo basado en niveles de
Conformidad y Motivación del estudiante en la asignatura propuesta.
Métricas de Evaluativas Si % No %

Explicación de la Asignatura 65 81.25 15 18.75

Motivación y Captación de la Atención 67 83.75 13 16.25
Practica de lo Aprendido 40 50 40 50
Uso de las TIC (Acceso a la Información) 65 81.25 15 18.75
Aprendizaje Autónomo 55 68.75 25 31.25
Aprendizaje Colaborativo 44 55 36 45
Contenido Académico Actualizado 35 43.75 45 56.25
PROMEDIO TOTAL 53 66.25 27 33.75

Tabla 2
Representación Gráfica de los Niveles de Conformidad y Motivación
del estudiante, en base a las métricas evaluativas implementadas

4. Se aplica una máquina de vectores la precisión del modelo de predicción.

de soporte (SVM) para clasificar a los Mediante la eliminación de las 1074
encuestados. El conjunto de datos se palabras de finalización y la sustitución de
dividió aleatoriamente en dos grupos: un las 39 palabras con significados similares
conjunto de capacitación y un conjunto basado en una planificación previa basada
de prueba. El conjunto de capacitación en la Minería de Datos Educativos, los
consistió en 138 instancias (90%) y el resultados revelaron que la precisión del
conjunto de prueba de 14 instancias (10%). modelo de predicción podría ser de hasta
el 85,7%.
5. Se midió la tasa de predicciones correctas
en todas las instancias para representar

42
 Helmer Fellman Mendoza Jurado

Tabla 3
Sintaxis de limpieza en el proceso de minería
de Datos en Ciencia de Datos

cleaned_questions = list(finite_stream_listener.questions)

for cleaning_function in [make_lowercase, remove_diacritics, remove_non_alpha_

characters]:

cleaned_questions = [cleaning_function(question) for tweet in cleaned_questions]

DISCUSIÓN personas serán muy importantes para la educación

en el futuro. Aunque la investigación sugiere que
La fase interpretativa permite presentar algunos las cualidades socioemocionales tienen una
resultados significativos, los cuales pueden influencia positiva en el rendimiento académico,
ayudar a comprobar el objetivo de este proceso la mayoría de los estudios relacionados examinan
investigativo, a partir de la identificación de focos estas cualidades en relación con la medición
de control para principios de acción utilizados y predicción de resultados, y se necesita más
para impactar y mejorar la enseñanza, tienen un trabajo para desarrollar intervenciones basadas
pico muy elevado en la BM, debido a no contar en esta investigación, pero que cuenta con la
con contenidos académicos actualizados y que suficiente justificación teórica y empírica para su
no tienen relación en la realidad del contexto del implementación.
estudiante.
Una de las barreras que se percibe al momento
Además, mencionar que una de las métricas de planificar, desarrollar e implementar sobre la
más cuestionadas y que generan un Ciencia de datos para un análisis proactivo del
aprovechamiento académico bajo y falta de PEA en una institución de Educación Superior es
motivación en el estudiante, está relacionada la resistencia individual y grupal a la innovación
al trabajo colaborativo, y su redirección por y al cambio, destacando así que la accesibilidad
parte del docente, para que este aspecto social y la presentación de los procesos analíticos y
de aprendizaje sea uno de los pilares para la los hallazgos son las claves para motivar a los
formación de competencias a nivel integral en la participantes a sentirse positivos sobre el cambio
formación del estudiante. (Alta Motivación).

Finalmente, puntualizar que la planificación Finalmente resaltar el gran potencial que tiene
desarrollada por el docente para esta materia la Ciencia de Datos dentro de las instituciones
requiere satisfacer a nivel de ejecución practica de Educación Superior, puesto de que al ser
los contenidos impartidos, lo cual tiene relación de naturaleza tecnológica y científica nace
con lo anteriormente afirmado sobre la necesidad con una capacidad de procesamiento de
de replantear el trabajo colaborativo dentro de la información prácticamente en tiempo real, lo
asignatura. cual permite prevenir en base a predicciones
futuros problemas académicos, desde el bajo
CONCLUSIONES rendimiento del estudiante hasta su posible
deserción, buscando solucionar el problema
Este trabajo de investigación busca describir antes de que este aparezca, proponiendo para un
el campo emergente del aprendizaje social y futuro la prevención de conflictos en el estudiante
emocional y sus desafíos a través del análisis incluso a nivel familiar o del entorno que a este le
científico de la información en formas estadísticas. rodea, generando profesionales idóneos a nivel
Se ha propuesto que las competencias de competencias profesionales pero a su vez un
socioemocionales que se producen entre las mejor ciudadano para nuestra sociedad.

43
Ciencia de Datos una Alternativa de Análisis al Crecimiento Pedagógico del Estudiante en Educación Superior

4. BIBLIOGRÁFIA  Lindqvist, E., & Vestman, R. (3 de Enero

de 2011). American Economic Journal:
 Bailey, P., & Sclater, N. (4 de Junio Applied Economics 3. Obtenido de The
de 2015). Jisc. Obtenido de Code Labor Market Returns to Cognitive and
of practice for learning analytics: Noncognitive Ability: Evidence from the
https://www.jisc.ac.uk/guides/code-of- Swedish Enlistment: http://www2.econ.
practice-for-learning-analytics iastate.edu/classes/econ321/orazem/
Lindqvist_noncognitive.pdf
 Brackett, M., Rivers, S., Reyes, M.,
& Salovey, P. (2012). Enhancing  Mayer-Schonberger, V., & Cukier, K.
academic performance and social and (2013). Big Data: A Revolution That
emotional competence with the RULER Will Transform How We Live, Work and
feeling words curriculum. Learning and Think. Londres: Hachette UK Company.
Individual Differences, 218-224.
 Moore, K., Lippman, L., & Ryberg, R.
 Child Trends. (2014). Measuring (2 de Junio de 2015). Sage Journals.
Elementary School Students’. Bethesda: Obtenido de Improving Outcome
Child Trends. Measures Other Than Achievement:
http://journals.sagepub.com/doi/
 Demmans Epp, C., & Bull, S. (2015). pdf/10.1177/2332858415579676
Uncertainty Representation in
Visualizations of Learning Analytics  N, H., D, F., M, A., T, P., & R, G. (10
for Learners: Current Approaches and de Noviembre de 2016). Microsoft.
Opportunities. IEEE Transactions on Obtenido de Gartner magic quadrant
Learning Technologies, 242 - 260. for operational: https://info.microsoft.
com/CO-SQL-CNTNT-FY16-09Sep-14-
 Duckworth, A., & David Scott, D. (2015). MQOperational-Register.html
Measurement Matters: Assessing
Personal Qualities Other Than Cognitive  Oxford Univertity Press. (2018). Oxford
Ability for Educational Purposes. Educ Dictionaries. Obtenido de https://
Res, 237-251. es.oxforddictionaries.com/definicion/
estadistica
 Escuela de Datos. (28 de Junio de
2017). Obtenido de Introducción a  Raschka, S., & Mirjalili, V. (2017). Python
Pandas y Jupyter Notebook de Python: Machine Learning Second Edition.
https://es.schoolofdata.org/2017/06/28/ Birmingham: Packt Publishing Ltd.
introduccion-a-pandas-y-jupyter-
notebook-de-python/  Rogel-Salazar, J. (2017). Data Science
and Analytics with Python. Minnesota:
 Krzysztof J., C., & Kurgan, L. (2005). Chapman & Hall/CRC.
Trends in Data Mining and Knowledge
Discovery. Advanced Techniques in  Sekhar Behera, H., Nayak, J., Naik, B.,
Knowledge Discovery and Data Mining, & Abraham, A. (2017). Computational
1-26. Intelligence in Data Mining. Auburn:
Springer.
 Levin, H. (2013). The Utility and Need for
Incorporating Noncognitive Skills Into  Sellar, S. (2014). Data infrastructure:
Large-Scale Educational Assessments. a review of expanding accountability
The Role of International Large-Scale systems and large-scale assessments
Assessments: Perspectives from in education. Discourse: Studies in the
Technology, Economy, and Educational Cultural Politics of Education , 765-777.
Research, 67-86.

44
 Helmer Fellman Mendoza Jurado

 W. Miller, T. (2016). Sports Analytics and on students’ learning performance: A

Data Science. New Jersey: Pearson meta-analysis and research synthesis.
Education, Inc. Computers & Education, 252-275.

 Yao-Ting, S., Chang, K.-E., & Liu, T.-C.

(2016). The effects of integrating mobile Fecha de Recepción: 29/06/2018
devices with teaching and learning Fecha de Aprobación 13/08/2018 

45