Advance Search

Spatial analysis of academic performance in the areas of systems and telematics in the Saber Pro tests in the Colombian Caribbean

Gabriel Elías Chanchí Golondrino
Universidad de Cartagena
Manuel Alejandro Ospina Alarcón
Universidad de Cartagena
Javier Antonio Pinedo
Universidad de Cartagena
Keywords:
Copyright and Licensing:

Copyright (c) 2024 Investigación e Innovación en Ingenierías

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Share:

Abstract

Objective: To conduct a study based on spatial data analysis to characterize academic performance in the five competencies of the Saber Pro tests, carried out by students of Systems Engineering and related programs in the departments of the Colombian Caribbean. Methodology: For the development of this research, a four-phase adaptation of the CRISP-DM methodology was utilized: F1. Business and data understanding, F2. Data preparation, F3. Modeling, F4. Evaluation and analysis. Results: As a result, the analysis of quantiles identified the departments in the Caribbean coast with the highest and lowest performance across the five areas of the test. Additionally, spatial regression analysis was used to determine the correlation among the five competencies of the test. Finally, spatial clustering analysis identified groups of departments that collectively achieved the best and worst results. Conclusions: the results obtained in this study are intended to guide strategic decision-making aimed at improving the quality of education in the Colombian Caribbean coast. Furthermore, the proposed study serves as a foundation for extrapolating spatial data analysis to other regions and specific levels of the Saber tests.

PDF (Español (España))
PDF (Español (España))

References

  1. N. Palacios Mena, «El currículo de ciencias sociales y las pruebas Saber 11 en Colombia: consonancias y disonancias», Voces Silenc. Rev. Latinoam. Educ., vol. 9, n.o 2, pp. 80-106, dic. 2018, doi: 10.18175/vys9.2.2018.06.
  2. J. R. García-González, P. A. Sánchez-Sánchez, M. Orozco, y S. Obredor, «Extracción de Conocimiento para la Predicción y Análisis de los Resultados de la Prueba de Calidad de la Educación Superior en Colombia», Form. Univ., vol. 12, n.o 4, pp. 55-62, ago. 2019, doi: 10.4067/S0718-50062019000400055.
  3. W. Acero, J. F. Sánchez, D. Suárez, y C. Téllez, «Modelo de recalificación para la prueba Saber 11», Comun. En Estad., vol. 9, n.o 1, pp. 43-54, 2016, doi: 10.15332/s2027-3355.2016.0001.02.
  4. L. A. Sanabria James, M. C. Pérez Almagro, y L. E. Riascos Hinestroza, «Pruebas de evaluación Saber y PISA en la Educación Obligatoria de Colombia», Educ. Siglo XXI, vol. 38, n.o 3 Nov-Feb, pp. 231-254, oct. 2020, doi: 10.6018/educatio.452891.
  5. J. C. Morales-Pinero, M. C. Cote-Sánchez, y I. A. Molina-Bernal, «Incidencia de las TIC en el mejoramiento de las pruebas saber 11 a partir del modelo TPACK», presentado en Encuentro Internacional de Educación En Ingeniería 2019, Cartagena, Colombia. [En línea]. Disponible en: https://acofipapers.org/index.php/eiei/article/view/40/35
  6. J. Pérez Rave y F. González Echavarría, «Classification Trees vs. Logistic Regression in the Generic Skill Development in Engineering», Comput. Sist., vol. 22, n.o 4, dic. 2018, doi: 10.13053/cys-22-4-2804.
  7. J. Herrera-Cardozo, «Prueba Saber Pro y módulo de comunicación escrita 2016: un análisis estadístico descriptivo», Rev. Neuronum, vol. 4, n.o 1, 2018, [En línea]. Disponible en: https://eduneuro.com/revista/index.php/revistaneuronum/article/view/102
  8. S. Castro-Casadiego, D. Guevara-Ibarra, L. Acevedo-Jaimes, y B. Medina-Delgado, «Análisis descriptivo de los factores de impacto en las pruebas Saber Pro de estudiantes de Ingeniería Electrónica», Rev. Educ. En Ing., vol. 15, n.o 30, pp. 1-8, 2020, doi: 10.26507/rei.v15n30.1135.
  9. D. F. Poveda Pineda, J. E. Cifuentes Medina, y J. A. Chacón Benavides, «Apreciación en los resultados de las pruebas Saber Pro», Rev. Bol. Redipe, vol. 10, n.o 12, pp. 271-284, dic. 2021, doi: 10.36260/rbr.v10i12.1587.
  10. A. Carrascal, I. Oviedo, y J. Jiménez-Giraldo, «Minería de datos educativos: Análisis del desempeño de estudiantes de ingeniería en las pruebas SABER-PRO», Rev. Politécnica, vol. 15, n.o 29, pp. 128-139, 2019, doi: 10.33571/rpolitec.v15n29a10.
  11. J. I. Silva-Ortega, «Implementación de nueva herramienta de seguimiento académico que valida la evaluación por competencias genéricas dentro de la facultad de ingeniería de la Universidad de la Costa (CUC)», Rev. Educ. En Ing., vol. 9, n.o 18, 2014, doi: 10.26507/rei.v9n18.427.
  12. G.-E. Chanchí-Golondrino, M.-E. Ospino-Pineno, y L.-F. Muñoz-Sanabria, «Application of Spatial Data Science on Results of the Saber 5 Test», Rev. Fac. Ing., vol. 30, n.o 58, 2021, doi: 10.19053/01211129.v30.n58.2021.13823.
  13. D. A. Solís Flórez, D. F. Alegría-Castrillón, E. Gutiérrez-Vidal, V. Zapata-Bedoya, F. Vidal-Alegría, y R. Timarán-Pereira, «Identificación de Patrones de Rendimiento Académico en las Pruebas Saber Pro entre 2012-2014, en las Competencias Lectura Crítica y Comunicación Escrita con Técnicas Predictivas de Minería de Datos», Cuad. Act., n.o 11, pp. 51-64, 2019, doi: 10.53995/20278101.581.
  14. R. Timarán-Pereira, J. Caicedo-Zambrano, y A. Hidalgo-Troya, «Árboles de decisión para predecir factores asociados al desempeño académico de estudiantes de bachillerato en las pruebas Saber 11°», Rev. Investig. Desarro. E Innov., vol. 9, n.o 2, pp. 363-378, feb. 2019, doi: 10.19053/20278306.v9.n2.2019.9184.
  15. R. Timarán-Pereira, A. Hidalgo-Troya, y F. Vidal-Alegría, «Una mirada al desempeño académico en las pruebas saber pro de los estudiantes de ingeniería desde la minería de datos educativa», RISTI Rev. Ibérica Sist. E Tecnol. Informação, n.o E28, pp. 29-42, 2020.
  16. R. Timarán Pereira, A. Hidalgo Troya, y J. Caicedo Zambrano, «Factores asociados al desempeño académico en Lectura Crítica en las pruebas Saber 11° con árboles de decisión», Investig. E Innov. En Ing., vol. 8, n.o 3, pp. 29-37, nov. 2020, doi: 10.17081/invinno.8.3.4701.
  17. A. Timarán Buchely y R. Timarán Pereira, «Minería de datos educativa para descubrir patrones asociados al desempeño académico en competencias genéricas», Rev. Colomb. Tecnol. Av. RCTA, vol. 2, n.o 38, pp. 87-95, jul. 2023, doi: 10.24054/rcta.v2i38.1282.
  18. A. Jaramillo y H. Paz-Arias, «Aplicación de técnicas de minería de datos para determinar las interacciones de los estudiantes en un entorno virtual de aprendizaje», Rev. Tecnológica, vol. 28, n.o 1, 2015, [En línea]. Disponible en: https://dspace.unl.edu.ec/jspui/handle/123456789/11457
  19. E. Ayala Franco, R. E. López Martínez, y V. H. Menéndez Domínguez, «Modelos predictivos de riesgo académico en carreras de computación con minería de datos educativos», Rev. Educ. Distancia RED, vol. 21, n.o 66, abr. 2021, doi: 10.6018/red.463561.
  20. J. E. Sotomonte-Castro, C. C. Rodríguez-Rodríguez, C. E. Montenegro-Marín, P. A. Gaona-García, y J. G. Castellanos, «Hacia la construcción de un modelo predictivo de deserción académica basado en técnicas de minería de datos - Towards the construction of a predictive model of academic desertion based on data mining techniques», Rev. Científica, vol. 3, n.o 26, p. 35, oct. 2016, doi: 10.14483/23448350.11089.
  21. M. Goodchild y R. Haining, «SIG y análisis espacial de datos: perspectivas convergentes», Investig. Reg., n.o 6, pp. 175-201, 2005.
  22. M. Sánchez-Rivero, «Análisis espacial de datos y turismo: nuevas técnicas para el análisis turístico. Una aplicación al caso extremeño», Rev. Estud. Empres., n.o 2, pp. 48-66, 2008.
  23. A. Hernández-Vásquez et al., «Análisis espacial del sobrepeso y la obesidad infantil en el Perú, 2014», Rev. Perú. Med. Exp. Salud Pública, vol. 33, n.o 3, p. 489, jul. 2016, doi: 10.17843/rpmesp.2016.333.2298.
  24. J. J. Espinosa Zúñiga, «Aplicación de metodología CRISP-DM para segmentación geográfica de una base de datos pública», Ing. Investig. Tecnol., vol. 21, n.o 1, pp. 1-13, ene. 2020, doi: 10.22201/fi.25940732e.2020.21n1.008.
  25. C. Schröer, F. Kruse, y J. M. Gómez, «A Systematic Literature Review on Applying CRISP-DM Process Model», Procedia Comput. Sci., vol. 181, pp. 526-534, 2021, doi: 10.1016/j.procs.2021.01.199.
  26. C. G. Hidalgo Suarez, V. A. Bucheli Guerrero, F. Restrepo Calle, y F. A. González Osorio, "Estrategia de enseñanza basada en la colaboración y la evaluación automática de código fuente en un curso de programación CS1", Investigación e Innovación en Ingenierías, vol. 9, n.º 1, pp. 50–60, ene. 2021. DOI: https://doi.org/10.17081/invinno.9.1.4185
  27. F. Martinez-Plumed et al., «CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories», IEEE Trans. Knowl. Data Eng., vol. 33, n.o 8, pp. 3048-3061, ago. 2021, doi: 10.1109/TKDE.2019.2962680.
How to Cite
[1]
G. E. Chanchí Golondrino, M. A. Ospina Alarcón, and J. A. Pinedo, “Spatial analysis of academic performance in the areas of systems and telematics in the Saber Pro tests in the Colombian Caribbean”, Investigación e Innovación en Ingenierías, vol. 13, no. 1, Dec. 2024.

Send mail to Author

Send Cancel

Custom technologies based on your needs

  • MongoDB
  • ElasticSearch
  • Redis
  • Solr
  • Memcached