Aplicación de técnicas de minería de opinión en el estudio de la percepción sobre la presencialidad remota en instituciones de educación superior

Barra lateral de artículos

PDF
Publicado mar 11, 2025
DOI https://doi.org/10.17081/eduhum.27.48.7132

Contenido principal de artículos

Gabriel Elías Chanchí Golondrino
Universidad de Cartagena, Cartagena de Indias-Colombia
https://orcid.org/0000-0002-0257-1988

 Manuel Alejandro Ospina Alarcón
Universidad de Cartagena, Cartagena de Indias-Colombia
https://orcid.org/0000-0003-4510-0753

 Luis Freddy Muñoz Sanabria
Fundación Universitaria de Popayán, Popayán-Colombia
https://orcid.org/0000-0002-8172-0530

Resumen

Introducción: la pandemia de COVID-19 impactó significativamente la educación, llevando a las universidades a adoptar la presencialidad remota. Evaluar la percepción estudiantil sobre este modelo es clave para mejorar los procesos académicos y preparar la transición a la educación híbrida. Objetivo: este estudio busca analizar la percepción de los estudiantes sobre la presencialidad remota en la Universidad de Cartagena mediante técnicas de minería de opinión. Metodología: la investigación tiene un enfoque cuantitativo y descriptivo, utilizando minería de opinión como herramienta de análisis. Se recopiló información mediante una encuesta de percepción con cinco preguntas abiertas, aplicada a una muestra de 46 estudiantes de Ingeniería de Sistemas. Las respuestas fueron preprocesadas y analizadas con técnicas de procesamiento de lenguaje natural (PLN) y análisis de sentimientos usando la librería Paralleldots en Python. Resultados: el análisis de polaridad mostró una relación de 1.25 entre la polaridad positiva y negativa, lo que indica una percepción mayormente favorable de la presencialidad remota. Sin embargo, se identificaron desafíos en la adaptación pedagógica y el compromiso estudiantil. Conclusiones: el estudio resalta la pertinencia de la minería de opinión en el análisis educativo, permitiendo obtener métricas cuantitativas a partir de datos cualitativos. Estos resultados pueden apoyar la toma de decisiones institucionales y extenderse a otros ámbitos como el marketing y la experiencia del usuario.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles de artículo

Número
Vol. 27 Núm. 48 (2025): Enero - junio
Sección
Artículos
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:

  1. Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
  2. Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
  3. Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional.

Referencias

Citas

  1. Aguilar-Barojas, S. (2005). Fórmulas para el cálculo de la muestra en investigaciones de salud. Salud En Tabasco, 11(1), 333–338. https://www.redalyc.org/articulo.oa?id=48711206
  2. Al-Hajjar, D., & Syed, A. Z. (2015). Applying sentiment and emotion analysis on brand tweets for digital marketing. 2015 IEEE Jordan Conference on Applied Electrical Engineering and Computing Technologies (AEECT), 1–6. https://doi.org/10.1109/AEECT.2015.7360592
  3. Alamoodi, A. H., Zaidan, B. B., Al-Masawa, M., Taresh, S. M., Noman, S., Ahmaro, I. Y. Y., Garfan, S., Chen, J., Ahmed, M. A., Zaidan, A. A., Albahri, O. S., Aickelin, U., Thamir, N. N., Fadhil, J. A., & Salahaldin, A. (2021). Multi-perspectives systematic review on the applications of sentiment analysis for vaccine hesitancy. Computers in Biology and Medicine, 139, 104957. https://doi.org/10.1016/J.COMPBIOMED.2021.104957
  4. Arbeit, C. A., & Horn, L. (2017). A profile of the enrollment patterns and demographic characteristics of undergraduates at for-profit institutions. Stats in Brief, February, 1–46. https://nces.ed.gov/pubs2017/2017416.pdf
  5. Birjali, M., Kasri, M., & Beni-Hssane, A. (2021). A comprehensive survey on sentiment analysis: Approaches, challenges and trends. Knowledge-Based Systems, 226, 107134. https://doi.org/10.1016/J.KNOSYS.2021.107134
  6. Bornstein, M. H., Jager, J., & Putnick, D. L. (2013). Sampling in developmental science: Situations, shortcomings, solutions, and standards. Developmental Review, 33(4), 357–370. https://doi.org/10.1016/j.dr.2013.08.003
  7. Cai, R., Qin, B., Chen, Y., Zhang, L., Yang, R., Chen, S., & Wang, W. (2020). Sentiment analysis about investors and consumers in energy market based on BERT-BILSTM. IEEE Access, 8, 171408–171415. https://doi.org/10.1109/ACCESS.2020.3024750
  8. Chanchí-Golondrino, G. E., Hernández-Londoño, C. E., & Ospina-Alarcón, M. A. (2022). Aplicación de la computación afectiva en el análisis de la percepción de los asistentes a una feria de emprendimiento del SENA. Revista Científica, 44(2), 215–227. https://doi.org/10.14483/23448350.18971
  9. Chanchí, G. E., & Hernández-Londoño, C. E. (2020). Estrategia basada en TIC para la organización de ferias virtuales de divulgación académica durante la pandemia de COVID-19. Revista ESPACIOS, 41(42), 66–80. https://doi.org/10.48082/espacios-a20v41n42p06
  10. García, M., Adames, J., & Soledad, B. (2021). Educación con presencialidad remota en laboratorios de física y química en época del coronavirus. Docencia Universitaria, 21(1), 8–27. http://saber.ucv.ve/ojs/index.php/rev_docu/article/view/22596
  11. Gautam, S., Setu, S., Khan, M. G. Q., & Khan, M. B. (2022). Analysis of the health, economic and environmental impacts of COVID-19: The Bangladesh perspective. Geosystems and Geoenvironment, 1(1), 100011. https://doi.org/10.1016/J.GEOGEO.2021.100011
  12. Gil-Vera, V. D. (2018). Análisis de sentimientos sobre el impacto social de proyectos de vivienda en América Latina: el caso un TECHO para mi país (Colombia). Revista Espacios, 39(44), 30. https://doi.org/https://www.revistaespacios.com/a18v39n44/a18v39n44p30.pdf
  13. Guenther, J., Osborne, S., Corrie, S., Rigney, L.-I., & Lowe, K. (2022). The Remote School Attendance Strategy (RSAS): Why invest in a strategy that reduces attendance? The Australian Journal of Indigenous Education, 51(2). https://doi.org/10.55146/ajie.v51i2.35
  14. Havik, T., & Ingul, J. M. (2022). Remote Education/Homeschooling During the COVID-19 Pandemic, School Attendance Problems, and School Return–Teachers’ Experiences and Reflections. Frontiers in Education, 7, 1–12. https://doi.org/10.3389/feduc.2022.895983
  15. Ikoro, V., Sharmina, M., Malik, K., & Batista-Navarro, R. (2018). Analyzing Sentiments Expressed on Twitter by UK Energy Company Consumers. 2018 Fifth International Conference on Social Networks Analysis, Management and Security (SNAMS), 95–98. https://doi.org/10.1109 / SNAMS.2018.8554619
  16. Kirtibas-Singh, L., & Renuga-Devi, R. (2021). Student feedback sentiment analysis: A review. Materials Today: Proceedings. https://doi.org/10.1016/J.MATPR.2020.10.782
  17. Koneru, A., Bhavani, N. B. N. S. R., Purushottama Rao, K., Prakash, G. S., Kumar, I. P., & Kumar, V. V. (2018). Sentiment Analysis on Top Five Cloud Service Providers in the Application of opinion mining techniques in the study of the perception of remote attendance …
  18. Market. Proceedings of the 2nd International Conference on Trends in Electronics and Informatics, ICOEI 2018, 293–297. https://doi.org/10.1109/ICOEI.2018.8553970
  19. Li, H., Chen, Q., Zhong, Z., Gong, R., & Han, G. (2022). E-word of mouth sentiment analysis for user behavior studies. Information Processing & Management, 59(1), 102784. https://doi.org/10.1016/J.IPM.2021.102784
  20. Lichand, G., Doria, C. A., Leal-Neto, O., & Fernandes, J. P. C. (2022). The impacts of remote learning in secondary education during the pandemic in Brazil. Nature Human Behaviour, 6(8), 1079–1086. https://doi.org/10.1038/s41562-022-01350-6
  21. Liu, C., Fang, F., Lin, X., Cai, T., Tan, X., Liu, J., & Lu, X. (2021). Improving sentiment analysis accuracy with emoji embedding. Journal of Safety Science and Resilience, 2(4), 246–252. https://doi.org/10.1016/J.JNLSSR.2021.10.003
  22. Liu, J., Cao, Q., & Pei, M. (2022). Impact of COVID-19 on adolescent travel behavior. Journal of Transport & Health, 24, 101326. https://doi.org/10.1016/J.JTH.2021.101326
  23. Monterrosa-Castro, I., Ospino-Pinedo, M., & Chanchí-Golondrino, G. (2023). Análisis de percepción de apropiación de Las Tic en Instituciones Educativas Colombianas durante la pandemia por Covid-19. 17(1), 1–9. https://doi.org/10.22490/25394088.6563
  24. Montes-Rodríguez, A., Villalobos-Benavides, V., & Ruiz-Chaves, W. (2020). Estrategias didácticas empleadas desde la presencialidad remota en la División de Educación para el Trabajo de la Universidad Nacional en tiempos de pandemia. Innovaciones Educativas, 22, 243–262. https://doi.org/10.22458/ie.v22iEspecial.3251
  25. Oloyede, A. A., Faruk, N., & Raji, W. O. (2022). COVID-19 lockdown and remote attendance teaching in developing countries: A review of some online pedagogical resources. African Journal of Science, Technology, Innovation and Development, 14(3), 678–696. https://doi.org/10.1080/20421338.2021.1889768
  26. Pang, B., & Lee, L. (2008). Opinion Mining and Sentiment Analysis. Foundations and Trends® in Information Retrieval, 2(1–2), 1–135. https://doi.org/10.1561/1500000011
  27. Park, J. (2020). Framework for Sentiment-Driven Evaluation of Customer Satisfaction With Cosmetics Brands. IEEE Access, 8, 98526–98538. https://doi.org/10.1109/ACCESS.2020.2997522
  28. Picard, R. W. (2000). Affective Computing. MIT Press. https://mitpress.mit.edu/9780262661157/affective-computing/
  29. Rane, A., & Kumar, A. (2018). Sentiment Classification System of Twitter Data for US Airline Service Analysis. Proceedings - International Computer Software and Applications Conference, 1, 769–773. https://doi.org/10.1109/COMPSAC.2018.00114
  30. Rositas-Martínez, J. (2014). Los tamaños de las muestras en encuestas de las ciencias sociales y su repercusión en la generación del conocimiento. Innovaciones de Negocios, 11(22), 235–268.
  31. Sathya, V., Venkataramanan, A., Tiwari, A., & P.S., D. D. (2019). Ascertaining Public Opinion Through Sentiment Analysis. 2019 3rd International Conference on Computing Educación y Humanismo, vol. 27(48), pp. 1-20
  32. Methodologies and Communication (ICCMC), 1139–1143. https://doi.org/10.1109/ICCMC.2019.8819738
  33. Saura, J. R., Reyes-Menendez, A., & Palos-Sanchez, P. (2018). Un Análisis de Sentimiento en Twitter con Machine Learning: Identificando el sentimiento sobre las ofertas de #BlackFriday. Revista ESPACIOS, 39(42), 16.
  34. Seetharamulu, B., Reddy, B. N. K., & Naidu, K. B. (2020). Deep Learning for Sentiment Analysis Based on Customer Reviews. 2020 11th International Conference on Computing, Communication and Networking Technologies (ICCCNT), 1–5. https://doi.org/10.1109/ICCCNT49239.2020.9225665
  35. Seow, C. S., Lomanto, D., & Ooi, L. L. (2022). COVID-19 and the impact on surgical training and education in Singapore. Heliyon, 8(1), e08731. https://doi.org/10.1016/J.HELIYON.2022.E08731
  36. Singh, A., Jenamani, M., Thakkar, J. J., & Rana, N. P. (2022). Quantifying the effect of eWOM embedded consumer perceptions on sales: An integrated aspect-level sentiment analysis and panel data modeling approach. Journal of Business Research, 138, 52–64. https://doi.org/10.1016/J.JBUSRES.2021.08.060
  37. Vargas-Biezus, B. (2014). Tópicos de inferencia estadística: El método inductivo y el problema del tamaño de la muestra. Fides et Ratio, 7(7), 86–92.
  38. Wariishi, N., Flanagan, B., Suzuki, T., & Hirokawa, S. (2015). Sentiment Analysis of Wine Aroma. 2015 IIAI 4th International Congress on Advanced Applied Informatics, 207–212. https://doi.org/10.1109/IIAI-AAI.2015.253
  39. Zhao, A., & Yu, Y. (2021). Knowledge-enabled BERT for aspect-based sentiment analysis. Knowledge-Based Systems, 227, 107220. https://doi.org/10.1016/J.KNOSYS.2021.107220
  40. Zhou, J., Zhao, J., Huang, J. X., Hu, Q. V., & He, L. (2021). MASAD: A large-scale dataset for multimodal aspect-based sentiment analysis. Neurocomputing, 455, 47–58. https://doi.org/10.1016/J.NEUCOM.2021.05.040