|
Ricardo-Adán
Salas-Rueda[1] |
Resumen
Hoy en día, los
educadores se apoyan en la tecnología para ofrecer a los estudiantes nuevos
ambientes de aprendizaje. El objetivo de este estudio mixto es analizar la
percepción de los estudiantes sobre el uso de las plataformas LMS durante la
postpandemia COVID-19 por medio los algoritmos deep
learning y random
forest. Los resultados del algoritmo deep learning
señalan que el uso de las plataformas LMS afecta positivamente el análisis y
uso de la información escolar, la autonomía y el intercambio de ideas durante
el proceso de aprendizaje. Asimismo, el algoritmo random
forest permitió la construcción de tres modelos
sobre esta herramienta tecnológica considerando el perfil de los estudiantes.
Las limitaciones de esta investigación cuantitativa y cualitativa son la
muestra y las variables dependientes. Por consiguiente, las futuras
investigaciones pueden analizar el uso de las plataformas LMS durante la
postpandemia COVID-19 considerando el rol activo de los estudiantes, el
desarrollo de habilidades y la asimilación del conocimiento en diversas
escuelas, facultades e institutos. Las implicaciones de este estudio están
relacionadas con el uso de las plataformas LMS para eliminar las barreras
físicas, fomentar el aprendizaje personalizado y actualizar las actividades
bajo la modalidad a distancia. En conclusión, los educadores deben de incluir
las plataformas LMS en la planeación de los cursos con el propósito de
facilitar el proceso de aprendizaje.
Abstract
Today, educators rely on technology to offer students new learning environments. The aim of this mixed study is to analyze the perception of the students about the use of the LMS platforms during the post-pandemic COVID-19 through the deep learning and random forest algorithms. The results of the deep learning algorithm indicate that the use of LMS platforms positively affects the analysis and use of the school information, autonomy and exchange of ideas during the learning process. Likewise, the random forest algorithm allowed the construction of three models on this technological tool considering the profile of the students. The limitations of this quantitative and qualitative research are the sample and dependent variables. Therefore, future research can analyze the use of the LMS platforms during the COVID-19 post-pandemic considering the active role of the students, development of skills and assimilation of the knowledge in various schools, colleges and institutes. The implications of this study are related to the use of LMS platforms to eliminate the physical barriers, promote the personalized learning and update the activities in the distance modality. In conclusion, educators should include the LMS platforms in the planning of the courses in order to facilitate the learning process.
Palabras
clave / Keywords
Tecnología, Enseñanza, Tecnología de la información, Método de
enseñanza, Educación, Aprendizaje, Tecnología educacional, Enseñanza
multimedia.
Technology, Teaching, Information technology,
Teaching methods, Education, Learning, Educational technology, Multimedia instruction.
1. Introducción
Durante el COVID-19, las
universidades tuvieron que adaptar su modelo de enseñanza bajo la modalidad a
distancia con el propósito de continuar el proceso de aprendizaje (Al-Breiki & Al-Abri, 2022; Pham & Nguyen, 2023; Rabayah
& Amira, 2022; Zhang, 2022). Por consiguiente, las plataformas LMS
adquirieron gran relevancia para realizar esta transformación (Darma-Kotama et al., 2019; Mohamed-Amin & Paiman, 2022; Saleh et al., 2022; Sulaymani
et al., 2022; Zacharis & Nikolopoulou,
2022). De hecho, la educación remota promueve el aprendizaje personalizado a
través del uso de las Tecnologías de la Información y Comunicación (TIC) desde
cualquier lugar (Al-Breiki & Al-Abri, 2022; Castañeda & Villar-Onrubia,
2023; Kassymova et al., 2023; Li & Meng, 2023; Sarker et al., 2023).
Debido
al virus SARS-CoV-2, los avances tecnológicos como las plataformas LMS, las
redes sociales, los sistemas de videoconferencia y los videos en Internet
facilitaron la restructuración del proceso educativo de forma remota (Alturise, 2020; Demir et al.,
2022; Korotaeva & Kapustina,
2022; Leshchenko et al., 2023; Yalley,
2022). Por ejemplo, las plataformas LMS facilitaron la comprensión de los temas
escolares y la comunicación entre los profesores y alumnos (Al-Breiki & Al-Abri, 2022; Alkabaa, 2022; Mpungose & Khoza, 2022; Prahani et al.,
2022). Incluso, estas herramientas tecnológicas como Moodle y Google classroom permiten que los profesores administren los
contenidos de los cursos de forma rápida y sencilla (Mohamed-Amin & Paiman, 2022; Rabayah &
Amira, 2022; Sáiz-Manzanares et al., 2021).
Las
plataformas LMS permiten la realización de exámenes en línea, la participación
colaborativa por medio de los foros de discusión, la entrega de tareas, la
autonomía de los estudiantes durante el proceso de aprendizaje y la
visualización de los contenidos de los cursos (Ortega-Ruipérez, 2022; Mpungose & Khoza, 2022; Su et
al., 2021; Zacharis & Nikolopoulou,
2022). Por ejemplo, Moodle es una herramienta ideal para la educación STEM (Science, Technology, Engineering and Mathematics)
debido a que esta plataforma LMS mejora el rendimiento académico, incrementa la
satisfacción y permite la realización de los exámenes en línea (Gamage et al., 2022).
Por
consiguiente, las plataformas LMS son herramientas tecnológicas necesarias para
la realización de la educación a distancia debido a que los estudiantes pueden
comunicarse con los docentes, administrar las entregas de las actividades
escolares y visualizar la información de los cursos en cualquier momento. El
objetivo de este estudio mixto es analizar la percepción de los estudiantes
sobre el uso de las plataformas LMS durante la postpandemia COVID-19 por medio
los algoritmos deep learning
y random forest.
Las preguntas de investigación son:
· ¿Cómo
afecta el uso de las plataformas LMS para el análisis y uso de la información
escolar, la autonomía y el intercambio de ideas durante el proceso de
aprendizaje considerando el algoritmo deep learning?
· ¿Cuáles
son los modelos sobre el uso de las plataformas LMS considerando el algortimo random forest?
· ¿Cuál
es la percepción de los estudiantes sobre el uso de las plataformas LMS durante
la postpandemia COVID-19?
1.1.
Plataformas LMS
Actualmente,
los educadores emplean las plataformas LMS para lograr los objetivos de
aprendizaje de los cursos presenciales y a distancia (Lamsyah
et al., 2022; Mohamed-Amin & Paiman, 2022; Qin et
al., 2022; Yalley, 2022). Por ejemplo, las
plataformas LMS como Moodle y Canvas son utilizadas
principalmente para realizar los debates escolares en los foros de discusión y
descargar las lecturas, las presentaciones digitales y la información de los
cursos (Alserhan & Yahaya,
2021; Binyamin et al., 2019; Mpungose
& Khoza, 2022; Verawati
et al., 2022; Zuev et al., 2021).
En la
Universidad de Malasia, los estudiantes del curso Lengua Extranjera utilizaron
Google classroom para eliminar las barreras de tiempo
y espacio (Mohamed-Amin & Paiman, 2022). Durante
el COVID-19, el uso de Blackboard en el curso Ingeniería facilitó el
aprendizaje e incrementó la calidad educativa en la modalidad a distancia (Alkabaa, 2022).
Incluso,
el uso de las plataformas LMS junto con las estrategias pedagógicas como el
Aula invertida y Blended learning
permiten mejorar la interacción durante el proceso educativo (Green & Chewning, 2020). En
el curso Terapia ocupacional, la incorporación de Moodle y el Aula invertida
propició la realización de actividades colaborativas y fomentó el rol activo (Sáiz-Manzanares et al., 2021).
El
Aula invertida, Flipped classroom,
se apoya en las plataformas LMS para fomentar la participación y la autonomía
desde cualquier lugar (Lamsyah et al., 2022). Bajo
esta estrategia educativa, los estudiantes de Enfermería utilizaron Google classroom para realizar los exámenes, revisar las
presentaciones de PowerPoint y observar los contenidos audiovisuales (Lamsyah et al., 2022).
En el
nivel educativo de Posgrado, el uso de la plataforma LMS llamada Teams y el sistema de videoconferencia Zoom
facilitó la comprensión del Idioma inglés y la interacción entre el educador y
los alumnos a través del debate de forma síncrona y asíncrona (Korotaeva & Kapustina, 2022).
Incluso, Ortega-Ruipérez (2022) menciona que Moodle es una herramienta
tecnológica ideal para realizar los exámenes en la modalidad a distancia. En la
Universidad de Corea, el empleo de las plataformas LMS mejoraron los aspectos
relacionados con la comunicación, el aprendizaje autónomo y el trabajo
colaborativo (Tinmaz & Lee, 2020).
En el
curso Lengua extranjera, las plataformas LMS desarrollaron las habilidades
gramaticales sobre el Idioma Inglés e incrementaron el rendimiento académico (Akay & Koral-Gumusoglu,
2020). Por otro lado, Ozkan et al. (2020) utilizaron
el algoritmo de redes neuronales artificiales con la finalidad de predecir el
comportamiento de los estudiantes durante el uso de las plataformas LMS por
medio del rendimiento académico, el promedio global del participante y la carrera.
En
conclusión, la incorporación de las plataformas LMS como Google classroom, Blackboard, Moodle y Teams
permitió la realización de las actividades escolares de forma virtual (Aitdaoud et al., 2023; Korotaeva
& Kapustina, 2022; Lamsyah
et al., 2022; Ortega-Ruipérez, 2022; Shurygin et al.,
2021; Yamani et al., 2022). De hecho, estas
herramientas tecnológicas mejoraron el aprendizaje de los cursos Enfermería (Lamsyah et al., 2022), Idioma Inglés (Korotaeva
& Kapustina, 2022), Ingeniería (Alkabaa, 2022), Terapia Ocupacional (Sáiz-Manzanares
et al., 2021) y Lengua Extranjera (Akay & Koral-Gumusoglu, 2020; Mohamed-Amin & Paiman, 2022).
1.2.
Uso de la Ciencia de datos en el campo educativo
La
Ciencia de datos está adquiriendo gran relevancia para analizar los fenómenos
educativos y tecnológicos (Chadaga et al., 2021; Fauszt et al., 2023; Sun et al.,
2023). En particular, los algoritmos del machine learning
tienen un papel fundamental para descubrir, clasificar y evaluar los eventos
relacionados con el proceso de enseñanza-aprendizaje (Chadaga
et al., 2021; Koyuncu et al., 2022; Sun et al., 2023).
Con
respecto al uso de las plataformas LMS en el proceso educativo, los algoritmos
de regresión lineal, random forest y árbol de decisión fueron utilizados para
predecir el rendimiento académico de los estudiantes (Koyuncu
et al., 2022). Para establecer estos modelos predictivos se consideró el
tiempo, el número de días y el número de contenidos utilizados en la plataforma
LMS (Koyuncu et al., 2022).
El
algoritmo deep learning
es utilizado para personalizar los contenidos escolares por medio del estilo de
aprendizaje y el comportamiento del usuario en la interfaz web (Sun et al., 2023). Asimismo, Salas-Rueda (2023) usó este
algoritmo del machine learning para analizar
la incorporación de Facebook y Google Classroom en la
Facultad de Ciencias de la Universidad Nacional Autónoma de México. Incluso, la
técnica árbol de decisión permitió identificar las condiciones predictivas
sobre estas herramientas tecnológicas considerando la motivación y
participación del alumnado (Salas-Rueda, 2023).
Por
último, los algoritmos del machine learning como
regresión lineal, deep learning,
árbol de decisión y random forest son ideales para descubrir información en el
campo educativo y comprender la relación existente entre las variables de
estudio (Chadaga et al., 2021; Koyuncu
et al., 2022; Salas-Rueda, 2023; Sun et al., 2023).
2.
Metodología
Los
objetivos particulares de este estudio mixto son (1) analizar la percepción de
los estudiantes sobre el uso de las plataformas LMS para el análisis y uso de
la información escolar, la autonomía y el intercambio de ideas durante el
proceso de aprendizaje por medio del algoritmo deep
learning, (2) usar el algoritmo random forest para
construir los modelos sobre las plataformas LMS y (3) analizar la opinión de
los estudiantes sobre el uso de las plataformas LMS durante la postpandemia
COVID-19.
Este
estudio utilizó una muestra no probabilística y se apoyó en los alcances
descriptivo, causal y correlacional para analizar el uso de las plataformas
LMS.
2.1
Participantes
En
este estudio, los participantes son 86 estudiantes de la Facultad de Ciencias
en la Universidad Nacional Autónoma de México (UNAM).
2.2
Procedimiento
La
Figura 1 muestra el modelo utilizado para analizar la variable independiente
(plataformas LMS) y las variables dependientes (análisis y uso de información,
intercambio de ideas y autonomía).
Plataformas
LMS Autonomía Análisis y el
uso de la información Intercambio de
ideas
Figura 1.
Modelo utilizado en este estudio.
Los
educadores emplean las plataformas LMS en las actividades y prácticas escolares
con la finalidad de construir espacios virtuales para el aprendizaje (Akay & Koral-Gumusoglu, 2020;
Demir et al., 2022; Korotaeva
& Kapustina, 2022; Mohamed-Amin & Paiman, 2022). En esta investigación, las hipótesis sobre
las plataformas LMS son:
· Hipótesis
1 (H1): El uso de las plataformas LMS afecta positivamente la autonomía durante
el proceso de aprendizaje
· Hipótesis
2 (H2): El uso de las plataformas LMS afecta positivamente el análisis y empleo
de la información escolar durante el proceso de aprendizaje
· Hipótesis
3 (H3): El uso de las plataformas LMS afecta positivamente el intercambio de
ideas durante el proceso de aprendizaje
Por
otro lado, el algoritmo random forest permitió la creación de los siguientes modelos
sobre el uso de las plataformas LMS durante la postpandemia COVID-19:
· Modelo
predictivo 1 sobre la autonomía durante el proceso de aprendizaje, el perfil de
los alumnos y las plataformas LMS
· Modelo
predictivo 2 sobre el análisis y uso de la información escolar durante el
proceso de aprendizaje, el perfil de los alumnos y las plataformas LMS
· Modelo
predictivo 3 sobre el intercambio de ideas durante el proceso de aprendizaje,
el perfil de los alumnos y las plataformas LMS
2.3
Recolección de datos
En
noviembre del 2022, se recuperó la información sobre el uso de las plataformas
LMS durante la postpandemia COVID-19 en la Facultad de Ciencias, Universidad
Nacional Autónoma de México a través de un cuestionario (Ver Tabla 1).
Tabla
1
Cuestionario
sobre el uso de las plataformas LMS
|
No. |
Variable
de estudio |
Dimensión |
Pregunta |
Respuesta |
n |
% |
|
1 |
Estudiantes |
Edad |
1.
¿Cuál es tu edad? |
|
|
|
|
21
años |
4 |
4.65% |
||||
|
22
años |
16 |
18.60% |
||||
|
23
años |
36 |
41.86% |
||||
|
24
años |
10 |
11.63% |
||||
|
>
24 años |
20 |
23.26% |
||||
|
Sexo |
2.
Indica tu sexo |
|
|
|
||
|
Hombre |
32 |
37.21% |
||||
|
Mujer |
54 |
62.79% |
||||
|
2 |
Tecnología |
Plataformas
LMS |
3.
El uso de las plataformas LMS facilita la comprensión de los temas escolares |
|
|
|
|
Mucho
(1) |
18 |
20.93% |
||||
|
Bastante
(2) |
42 |
48.84% |
||||
|
Poco
(3) |
22 |
25.58% |
||||
|
Muy
poco (4) |
4 |
4.65% |
||||
|
Autonomía |
4.
Las herramientas tecnológicas facilitan la autonomía durante el proceso de
aprendizaje |
|
|
|
||
|
Mucho
(1) |
44 |
51.16% |
||||
|
Bastante
(2) |
34 |
39.53% |
||||
|
Poco
(3) |
8 |
9.30% |
||||
|
Muy
poco (4) |
0 |
0.00% |
||||
|
Análisis
y el uso de la información escolar |
5.
Las herramientas tecnológicas facilitan el análisis y uso de la información
escolar durante el proceso de aprendizaje |
|
|
|
||
|
Mucho
(1) |
42 |
48.84% |
||||
|
Bastante
(2) |
38 |
44.19% |
||||
|
Poco
(3) |
4 |
4.65% |
||||
|
Muy
poco (4) |
2 |
2.33% |
||||
|
Intercambio
de ideas |
6.
Las herramientas tecnológicas facilitan el intercambio de ideas durante el
proceso de aprendizaje |
|
|
|
||
|
Mucho
(1) |
34 |
39.53% |
||||
|
Bastante
(2) |
34 |
39.53% |
||||
|
Poco
(3) |
14 |
16.28% |
||||
|
Muy
poco (4) |
4 |
4.65% |
||||
|
3 |
Percepción
de estudiantes |
Uso
de las plataformas LMS |
7.
¿Cuál es tu opinión sobre el uso de las plataformas LMS durante la postpandemia COVID-19? |
Abierta |
- |
- |
La
Tabla 2 muestra la validación de este instrumento de medición. El valor del
Alfa de Cronbach debe ser superior a 0.700, los valores del Factor de carga
deben ser superiores a 0.500 y el valor de Composite Reliability
debe ser superior a 0.700 para validar el cuestionario sobre el uso de las
plataformas LMS en el campo educativo.
Tabla
2
Validación
del cuestionario
|
Variable |
Dimensión |
Factor
de carga |
Average
Variance Extracted |
||
|
Tecnología |
Plataformas
LMS |
0.767 |
0.555 |
0.608 |
0.858 |
|
Autonomía |
0.827 |
||||
|
Análisis
y uso de la información |
0.851 |
||||
|
Intercambio
de ideas |
0.848 |
2.4
Análisis de datos
Para
calcular los algoritmos deep learning y random forest se utilizó la herramienta RapidMiner
(Ver Figura 2). En el algoritmo deep learning, la sección de entrenamiento con el 70% y 80%
de la muestra permite evaluar las hipótesis sobre el uso de las plataformas LMS
durante la postpandemia COVID-19 por medio de la regresión lineal. Por otro
lado, el algoritmo random forest
empleó la edad y el sexo del participante para crear los modelos sobre el uso
de esta herramienta tecnológica para el análisis y el uso de la información
escolar, la autonomía y el intercambio de ideas durante el proceso de aprendizaje.
Asimismo, la aplicación llamada Nube-de-palabras permitió identificar la
frecuencia de las palabras sobre el uso de las plataformas LMS durante la
postpandemia COVID-19.
(b) Random forest (a) Deep learning
Figura 2.
Herramienta RapidMiner.
3.
Resultados
El
uso de las plataformas LMS facilita mucho (n = 18, 20.93%), bastante (n = 42,
48.84%), poco (n = 22, 25.58%) y muy poco (n = 4, 4.65%) la comprensión de los
temas escolares (Ver Tabla 1). Por otro lado, los resultados del algoritmo deep learning
señalan que el uso de las plataformas LMS afecta positivamente el análisis y
uso de la información escolar, la autonomía y el intercambio de ideas durante
el proceso de aprendizaje (Ver Tabla 3).
3.1
Autonomía de los estudiantes
Las
herramientas tecnológicas facilitan mucho (n = 44, 51.16%), bastante (n = 34,
39.53%) y poco (n = 8, 9.30%) la autonomía durante el proceso de aprendizaje
(Ver Tabla 1). Los resultados del algoritmo deep
learning con el 70% (0.303847974) y 80%
(0.253332946) de la muestra indican que la Hipótesis 1 es aceptada, por lo
tanto, el uso de las plataformas LMS afecta positivamente la autonomía durante
el proceso de aprendizaje (Ver Tabla 3).
Tabla
3
Algoritmo
deep learning
|
Hipótesis |
Entrenamiento |
Capas
ocultas |
Activación |
Regresión
lineal |
Conclusión |
Valor
de p |
|
H1: LMS → autonomía |
70% |
50,
50 |
Tanh |
y
= 0.303847974x + 0.917950317 |
Aceptada.
0.303847974 |
0.0000 |
|
80% |
y
= 0.253332946x + 0.96984147 |
Aceptada.
0.253332946 |
0.0000 |
|||
|
H2: LMS → información escolar |
70% |
50,
50 |
Tanh |
y
= 0.323068727x + 0.829371098 |
Aceptada.
0.323068727 |
0.0000 |
|
80% |
y
= 0.288839321x + 0.864362102 |
Aceptada.
0.288839321 |
0.0000 |
|||
|
H3: LMS → intercambio de ideas |
70% |
50,
50 |
Tanh |
y
= 0.304319032x + 1.180041461 |
Aceptada.
0.304319032 |
0.0000 |
|
80% |
y
= 0.340082964x + 0.954119195 |
Aceptada.
0.340082964 |
0.0000 |
La
Figura 3 muestra el modelo sobre la autonomía durante el proceso de
aprendizaje, el perfil de los alumnos y las plataformas LMS. Por ejemplo, si el
participante piensa que el uso de las plataformas LMS facilita mucho la
comprensión de los temas escolares y es mujer entonces las herramientas
tecnológicas facilitan mucho la autonomía durante el proceso de aprendizaje.
Figura 3.
Modelo predictivo 1 sobre la autonomía y las plataformas LMS.
El
algoritmo random forest
establece 9 condiciones donde el sexo y la edad de los participantes determinan
la relación entre el uso de las plataformas LMS y la autonomía. El sexo
determina 4 condiciones. Por ejemplo, si el participante piensa que el uso de
las plataformas LMS facilita mucho la comprensión de los temas escolares y es
hombre entonces las herramientas tecnológicas facilitan bastante la autonomía
durante el proceso de aprendizaje.
Por
otro lado, la edad determina 4 condiciones. Por ejemplo, si el participante
piensa que el uso de las plataformas LMS facilita bastante la comprensión de
los temas escolares y tiene 23 años entonces las herramientas tecnológicas
facilitan bastante la autonomía durante el proceso de aprendizaje.
3.2
Análisis y uso de la información escolar
Las
herramientas tecnológicas facilitan mucho (n = 42, 48.84%), bastante (n = 38,
44.19%), poco (n = 4, 4.65%) y muy poco (n = 2, 2.33%) el análisis y uso de la
información escolar durante el proceso de aprendizaje (Ver Tabla 1). Los
resultados del algoritmo deep learning con el 70% (0.323068727) y 80% (0.288839321)
de la muestra indican que la Hipótesis 2 es aceptada, por lo tanto, el uso de
las plataformas LMS afecta positivamente el análisis y empleo de la información
escolar durante el proceso de aprendizaje (Ver Tabla 3).
La Figura 4 muestra
el modelo sobre el análisis y uso de la información escolar durante el proceso
de aprendizaje, el perfil de los alumnos y las plataformas LMS. Por ejemplo, si
el participante piensa que el uso de las plataformas LMS facilita bastante la
comprensión de los temas escolares y es mujer entonces las herramientas
tecnológicas facilitan bastante el análisis y empleo de la información escolar
durante el proceso de aprendizaje.
Figura 4.
Modelo predictivo 2 sobre la información escolar y las plataformas LMS.
El
algoritmo random forest
establece 9 condiciones donde el sexo y la edad de los participantes determinan
la relación entre el uso de las plataformas LMS y la información escolar. El
sexo determina 2 condiciones. Por ejemplo, si el participante piensa que el uso
de las plataformas LMS facilita bastante la comprensión de los temas escolares
y es hombre entonces las herramientas tecnológicas facilitan mucho el análisis
y empleo de la información escolar durante el proceso de aprendizaje.
La
edad determina 5 condiciones. Por ejemplo, si el participante piensa que el uso
de las plataformas LMS facilita poco la comprensión de los temas escolares y
tiene una edad > 24 años entonces las herramientas tecnológicas facilitan
poco el análisis y empleo de la información escolar durante el proceso de
aprendizaje.
3.3
Intercambio de ideas
Las
herramientas tecnológicas facilitan mucho (n = 34, 39.53%), bastante (n = 34,
39.53%), poco (n = 14, 16.28%) y muy poco (n = 4, 4.65%) el intercambio de
ideas durante el proceso de aprendizaje (Ver Tabla 1). Los resultados del
algoritmo deep learning
con el 70% (0.304319032) y 80% (0.340082964) de la muestra indican que la
Hipótesis 3 es aceptada, por lo tanto, el uso de las plataformas LMS afecta
positivamente el intercambio de ideas durante el proceso de aprendizaje (Ver
Tabla 3).
La
Figura 5 muestra el modelo sobre el intercambio de ideas durante el proceso de
aprendizaje, el perfil de los alumnos y las plataformas LMS. Por ejemplo, si el
participante piensa que el uso de las plataformas LMS facilita bastante la
comprensión de los temas escolares y tiene una edad de 23 años entonces las
herramientas tecnológicas facilitan bastante el intercambio de ideas durante el
proceso de aprendizaje.
Figura 5.
Modelo predictivo 3 sobre el intercambio de ideas y las plataformas LMS.
El
algoritmo random forest
establece 9 condiciones donde el sexo y la edad de los participantes determinan
la relación entre el uso de las plataformas LMS y el intercambio de ideas. El
sexo determina 4 condiciones. Por ejemplo, si el participante piensa que el uso
de las plataformas LMS facilita mucho la comprensión de los temas escolares y
es hombre entonces las herramientas tecnológicas facilitan mucho el intercambio
de ideas durante el proceso de aprendizaje.
La
edad determina 4 condiciones. Por ejemplo, si el participante piensa que el uso
de las plataformas LMS facilita bastante la comprensión de los temas escolares
y tiene 22 años entonces las herramientas tecnológicas facilitan bastante el
intercambio de ideas durante el proceso de aprendizaje.
3.4
Percepción de los estudiantes
De
acuerdo con los participantes, las plataformas LMS son utilizadas para
administrar las actividades escolares como las tareas, los exámenes en línea y
las presentaciones digitales de los cursos.
· “Ayudan
mucho para organizar los contenidos de las materias, las tareas y las
calificaciones” (Estudiante 2, 23 años, hombre).
· “Pueden
ayudar a que el alumno y profesor tenga una mejor organización sobre el curso”
(Estudiante 7, 21 años, mujer).
En la
Facultad de Ciencias, los estudiantes consideran que las plataformas LMS son
herramientas digitales indispensables para establecer la comunicación y conocer
los temas de las asignaturas.
· “Muy
útiles para mantener la comunicación y revisar los temas de curso o clase, al
igual para visualizar las asignaciones” (Estudiante 3, 24 años, hombre).
· “Son
útiles ya que se complementan las actividades que se realizan en esas
plataformas con lo que estudias en clase” (Estudiante 11, 23 años, mujer).
Asimismo,
las plataformas LMS es un medio tecnológico donde el profesor y los estudiantes
pueden intercambiar ideas, debatir los temas de los cursos y controlar las
entregas escolares.
· “Facilitan
la comunicación y el intercambio de información entre el alumno y docente”
(Estudiante 8, 23 años, mujer).
· “Son
útiles para mantener la cercanía en el ámbito académico y definir bien horarios
de entregas” (Estudiante 23, 22 años, mujer).
En la
Universidad Nacional Autónoma de México, los estudiantes consideran que las
plataformas LMS son herramientas necesarias para realizar las actividades bajo
la modalidad a distancia.
· “Facilitan
las clases a distancia” (Estudiante 10, > 24 años, hombre).
· “Excelentes
plataformas para el proceso educativo” (Estudiante 16, 23 años, mujer).
La
aplicación Nube-de-palabras determina que las palabras con mayor frecuencia
sobre las plataformas LMS son: útiles (14), tareas (12), comunicación (10),
facilitan (10), plataformas (10), clase (8), ayudan (6), curso (6) y docente
(6). La Figura 6 muestra esta nube de palabras.
Figura 6. Nube
de palabras sobre las plataformas LMS.
La
Tabla 4 muestra las correlaciones de Pearson sobre el uso de las plataformas
LMS durante la postpandemia COVID-19. La correlación más significativa sobre
esta herramienta tecnológica se ubica en el intercambio de ideas con 0.338.
Tabla
4
Correlaciones
de Pearson
|
|
Plataformas
LMS |
Autonomía |
Análisis
y uso de la información |
Intercambio
de ideas |
|
Plataformas
LMS |
1 |
- |
- |
- |
|
Autonomía |
0.335 |
1 |
- |
- |
|
Análisis
y uso de la información |
0.272 |
0.614 |
1 |
- |
|
Intercambio
de ideas |
0.338 |
0.562 |
0.661 |
1 |
4.
Discusión
Como
lo mencionan Mohamed-Amin y Paiman (2022), las
plataformas LMS como Google classroom favorecen la
educación en la modalidad virtual. Incluso, las plataformas LMS son utilizadas
para administrar las actividades escolares como las tareas, los exámenes en
línea y las presentaciones digitales de los cursos en la UNAM. De acuerdo con
el 69.77% de los estudiantes de la Facultad de Ciencias, el uso de las
plataformas LMS facilita mucho y bastante la comprensión de los temas
escolares.
4.1
Autonomía de los estudiantes
Según
Alkabaa (2022), las plataformas LMS favorecen la
calidad educativa en la modalidad a distancia. Según los alumnos de la Facultad
de Ciencias, las plataformas LMS son herramientas digitales indispensables para
establecer la comunicación y conocer los temas de las asignaturas. De hecho, el
90.69% de los participantes consideran que las herramientas tecnológicas
facilitan mucho y bastante la autonomía durante el proceso de aprendizaje.
Asimismo, la correlación sobre las plataformas LMS y la autonomía es 0.335.
Diversos
autores (p. ej. Chadaga et al., 2021; Fauszt et al., 2023; Sun et al.,
2023) señalan que la Ciencia de datos con el apoyo de los algoritmos machine
learning facilita el descubrimiento de
información asociada al campo educativo. Los resultados del algoritmo deep learning
indican que el uso de las plataformas LMS afecta positivamente la autonomía
durante el proceso de aprendizaje. Por medio del algoritmo random
forest, el Modelo predictivo 1 identifica 9
condiciones sobre el uso de las plataformas LMS considerando el sexo y la edad.
Por ejemplo, si el participante piensa que el uso de las plataformas LMS
facilita mucho la comprensión de los temas escolares y es mujer entonces las
herramientas tecnológicas facilitan mucho la autonomía durante el proceso de
aprendizaje.
4.2
Análisis y uso de la información escolar
Korotaeva y Kapustina
(2022) explican que las plataformas LMS facilitan la revisión de los recursos
multimedia y las presentaciones digitales de los cursos en cualquier momento.
Asimismo, las plataformas LMS es un medio tecnológico donde el profesor y los
alumnos pueden intercambiar ideas, debatir los temas de los cursos y controlar
las entregas escolares. En particular, el 93.03% de los estudiantes UNAM piensa
que las herramientas tecnológicas facilitan mucho y bastante el análisis y uso
de la información escolar durante el proceso de aprendizaje. Asimismo, la
correlación sobre las plataformas LMS y la información escolar es 0.272.
De
acuerdo con Sun et al. (2023), el algoritmo deep learning es
utilizado en el campo educativo para conocer la relación entre las variables
independiente y dependiente. Los resultados del algoritmo deep
learning indican que el uso de las plataformas
LMS afecta positivamente el análisis y empleo de la información escolar durante
el proceso de aprendizaje. Por medio del algoritmo random
forest, el Modelo predictivo 2 identifica 9
condiciones sobre el uso de las plataformas LMS considerando el sexo y la edad.
Por ejemplo, si el participante piensa que el uso de las plataformas LMS
facilita bastante la comprensión de los temas escolares y es hombre entonces
las herramientas tecnológicas facilitan mucho el análisis y empleo de la
información escolar durante el proceso de aprendizaje.
4.3
Intercambio de ideas
Asimismo,
Lamsyah et al. (2022) señalan que Google classroom es una herramienta tecnológica que favorece la
comunicación y participación dentro y fuera del aula. En la Universidad
Nacional Autónoma de México, los estudiantes consideran que las plataformas LMS
son herramientas necesarias para realizar las actividades bajo la modalidad a
distancia. En particular, el 79.06% de los estudiantes considera que las
herramientas tecnológicas facilitan mucho y bastante el intercambio de ideas
durante el proceso de aprendizaje. Asimismo, la correlación sobre las
plataformas LMS y el intercambio de ideas es 0.338.
Los
algoritmos del machine learning como deep learning y random forest
permiten analizar los fenómenos tecnológicos y educativos con gran exactitud (Chadaga et al., 2021; Koyuncu et
al., 2022). Los resultados del algoritmo deep
learning indican que el uso de las plataformas
LMS afecta positivamente el intercambio de ideas durante el proceso de
aprendizaje. Por medio del algoritmo random
forest, el Modelo predictivo 3 identifica 9
condiciones sobre el uso de las plataformas LMS considerando el sexo y la edad.
Por ejemplo, si el participante piensa que el uso de las plataformas LMS
facilita bastante la comprensión de los temas escolares y tiene una edad de 23
años entonces las herramientas tecnológicas facilitan bastante el intercambio
de ideas durante el proceso de aprendizaje.
Actualmente,
la Ciencia de datos y los algoritmos del machine learning
permiten descubrir, clasificar y evaluar los eventos relacionados con el campo
educativo (Chadaga et al., 2021; Koyuncu
et al., 2022; Sun et al., 2023). Asimismo, el
Internet está cambiando las estrategias de enseñanza y los medios de
aprendizaje, es decir, el uso de las plataformas LMS en las instituciones
educativas está incrementado debido a que estas herramientas tecnológicas
permiten la administración eficiente de los contenidos de los cursos (Aldosemani et al., 2019; Altinpulluk
& Kesim, 2021; Gamage
et al., 2022).
5. Conclusión
Las
plataformas LMS son herramientas tecnológicas necesarias para la realización de
la educación a distancia debido a que los estudiantes pueden comunicarse con
los docentes, administrar las entregas de las actividades escolares y
visualizar la información de los cursos en cualquier momento. Los resultados
del algoritmo deep learning
señalan que el uso de las plataformas LMS afecta positivamente el análisis y
uso de la información escolar, la autonomía y el intercambio de ideas durante
el proceso de aprendizaje.
Las
limitaciones de esta investigación son la muestra y las variables dependientes.
Por consiguiente, las futuras investigaciones pueden analizar el uso de las
plataformas LMS durante la postpandemia COVID-19 considerando el rol activo de
los estudiantes, el desarrollo de habilidades y la asimilación del conocimiento
en diversas escuelas, facultades e institutos de la Universidad Nacional
Autónoma de México. Asimismo, los investigadores pueden apoyarse en la Ciencia
de datos para conocer, analizar y evaluar los fenómenos educativos y
tecnológicos a través de los algoritmos deep learning y random forest.
Las
implicaciones de este estudio están relacionadas con el uso de las plataformas
LMS para eliminar las barreras físicas, fomentar el aprendizaje personalizado y
actualizar las actividades bajo la modalidad a distancia. Incluso, esta
investigación recomienda la incorporación de estas herramientas tecnológicas en
las actividades escolares para mejorar las condiciones de enseñanza. En
conclusión, los educadores deben de incluir las plataformas LMS en la
planeación de los cursos con el propósito de facilitar el proceso de
aprendizaje.
Contribución
de los autores
Ricardo-Adán
Salas-Rueda:
Conceptualización, Recopilación y gestión de datos (data curation),
Análisis formal, Adquisición de financiación, Investigación, Metodología,
Administración del proyecto, Recursos, Software, Supervisión, Validación,
Visualización, Escritura del borrador original, Escritura (revisión y edición).
Agradecimientos
Trabajo realizado
con el apoyo del Programa UNAM-DGAPA-PAPIME con clave PE400323.
Referencias
Aitdaoud, M., Namir, A., & Talbi, M. (2023). A New Pre-Processing Approach Based on Clustering Users Traces According
to their Learning Styles in Moodle LMS. International Journal of Emerging
Technologies in Learning, 18(7), 226-242. https://doi.org/10.3991/ijet.v18i07.37635
Akay, E., & Koral-Gumusoglu,
E. (2020). The impact of learning management systems on students’ achievement
in language exams. Turkish Online Journal
of Distance Education, 21(4), 206-222. https://doi.org/10.17718/tojde.803410
Al-Breiki, M., & Al-Abri,
A. (2022). The Extended Technology Acceptance Model (ETAM):
Examining Students’ Acceptance of Online Learning During COVID-19 Pandemic. International Journal of Emerging
Technologies in Learning, 17(20), 4-19. https://doi.org/10.3991/ijet.v17i20.29441
Aldosemani, T.,
Shepherd, C. E. & Bolliger, D. U. (2019). Perceptions of Instructors Teaching in Saudi Blended Learning
Environments. TechTrends, 63, 341-352. https://doi.org/10.1007/s11528-018-0342-1
Alkabaa, A.
S. (2022). Effectiveness of using E-learning systems during COVID-19 in Saudi
Arabia: Experiences and perceptions analysis of engineering students. Education and Information Technologies, 27,
10625-10645. https://doi.org/10.1007/s10639-022-11054-z
Alserhan,
S., & Yahaya, N. (2021). Teachers’ Perspective on Personal Learning
Environments via Learning Management Systems Platform. International Journal
of Emerging Technologies in Learning, 16(24), 57-73. https://doi.org/10.3991/ijet.v16i24.27433
Altinpulluk, H.
& Kesim, M. (2021). A systematic review of the tendencies in the use of
learning management systems. Turkish
Online Journal of Distance Education, 22(3), 40-54. https://doi.org/10.17718/tojde.961812
Alturise, F.
(2020). Evaluation of Blackboard Learning Management System for Full Online
Courses in Western Branch Colleges of Qassim University. International
Journal of Emerging Technologies in Learning, 15(15), 33-51. https://doi.org/10.3991/ijet.v15i15.14199
Binyamin, S. S., Rutter, M., & Smith, S. (2019).
Extending the Technology Acceptance Model to Understand Students’ Use of
Learning Management Systems in Saudi Higher Education. International Journal
of Emerging Technologies in Learning, 14(3), 4-21. https://doi.org/10.3991/ijet.v14i03.9732
Castañeda, L., & Villar-Onrubia, D. (2023). Beyond functionality: Building critical digital teaching competence
among future primary education teachers. Contemporary
Educational Technology, 15(1), ep397. https://doi.org/10.30935/cedtech/12599
Chadaga,
K., Prabhu, S., Vivekananda, B., Niranjana, S., & Umakanth, S. (2021)
Battling COVID-19 using machine learning: A review. Cogent Engineering, 8(1),
1-12. https://doi.org/10.1080/23311916.2021.1958666
Darma-Kotama, I.
N., Oka-Saputra, K., & Linawati,
L. (2019). Proposed Model of Multiplayer Matching Game Plugins Using Websocket in Moodle. International Journal of Emerging
Technologies in Learning, 14(11), 194-201. https://doi.org/10.3991/ijet.v14i11.10190
Demir, F., Bruce-Kotey, C. & Alenezi,
F. (2022). User Experience Matters: Does One size Fit all? Evaluation of
Learning Management Systems. Technology, Knowledge and Learning, 27, 49-67. https://doi.org/10.1007/s10758-021-09518-1
Fauszt, T., Erdélyi, K., Dobák, D., Bognár, L., &
Kovács, E. (2023). Design of a Machine Learning Model to Predict Student
Attrition. International Journal of Emerging Technologies in Learning, 18(17),
184-195. https://doi.org/10.3991/ijet.v18i17.41449
Gamage, S. H., Ayres, J. R., & Behrend, M. B.
(2022). A systematic review on trends in using Moodle for teaching and
learning. International Journal of STEM
Education, 9, 1-9. https://doi.org/10.1186/s40594-021-00323-x
Green, K. R., & Chewning, H. L. (2020). The Fault
in our Systems: LMS as a Vehicle for Critical Pedagogy. TechTrends, 64, 423-431. https://doi.org/10.1007/s11528-020-00480-w
Kassymova, G.
M., Tulepova, S. B., & Bekturova,
M. B. (2023). Perceptions of digital competence in learning and teaching
English in the context of online education. Contemporary
Educational Technology, 15(1), ep396. https://doi.org/10.30935/cedtech/12598
Korotaeva,
I., & Kapustina, D. (2022). Specific Features of the Use of Distance
Learning Technologies in Foreign Language Classes with Postgraduate Students. International Journal of Emerging
Technologies in Learning, 17(20), 20-33. https://doi.org/10.3991/ijet.v17i20.30305
Koyuncu, I., Kilic, A. F. & Orhan-Goksun, D. (2022). Classification of students’ achievement
via machine learning by using system logs in learning management system. Turkish
Online Journal of Distance Education, 23(3), 18-30. https://doi.org/10.17718/tojde.1137114
Lamsyah, R., El Bouazzaoui, A., & Kanjaa, N.
(2022). Impact of the Flipped Classroom on the
Motivation of Undergraduate Students of the Higher Institute of Nursing
Professions and Health Techniques of Fez-Morocco. International Journal of Emerging Technologies in Learning, 17(22),
39-60. https://doi.org/10.3991/ijet.v17i22.33365
Leshchenko, M., Lavrysh, Y.,
Halatsyn, K., Feshchuk, A.,
& Prykhodko, D. (2023). Technology-Enhanced
Personalized Language Learning: Strategies and Challenges. International
Journal of Emerging Technologies in Learning, 18(13), 120-136. https://doi.org/10.3991/ijet.v18i13.39905
Li, R., & Meng, Y. (2023). Factors Influencing the
Quality of Online Teaching: Application of DEMATEL and Cluster Technology. International
Journal of Emerging Technologies in Learning, 18(13), 163-177. https://doi.org/10.3991/ijet.v18i13.40393
Mohamed-Amin, M., & Paiman, N. (2022). University
English Language Teachers’ Use of Digital Platforms for Online Teaching. International Journal of Emerging
Technologies in Learning, 17(20), 134-148. https://doi.org/10.3991/ijet.v17i20.31421
Mpungose, C.
B., & Khoza, S. B. (2022). Postgraduate Students’ Experiences on the Use of Moodle and Canvas
Learning Management System. Technology, Knowledge and Learning, 27, 1-16. https://doi.org/10.1007/s10758-020-09475-1
Ortega-Ruipérez, B. (2022).
Use of Self-Assessment Questionaries with Moodle Surveys to Improve Reading
Comprehension and Study Habits in Preservice Teacher Education. International Journal of Emerging
Technologies in Learning, 17(20), 200-212. https://doi.org/10.3991/ijet.v17i20.32715
Ozkan, U. B., Cigdem, H. & Erdogan, T. (2020).
Artificial neural network approach to predict lms
acceptance of vocational school students. Turkish
Online Journal of Distance Education, 21(3), 156-169. https://doi.org/10.17718/tojde.762045
Pham, D. T., & Nguyen, T. H. H. (2023). University Students’ Perceptions of Google Tools in Learning English
Courses Online. International Journal of Emerging Technologies in Learning,
18(13), 45-61. https://doi.org/10.3991/ijet.v18i13.39857
Prahani, B.
K., Alfin, J., Fuad, A. Z., Saphira, H. V., Hariyono,
E., & Suprapto, N. (2022). Learning Management
System (LMS) Research During 1991-2021: How Technology Affects Education. International
Journal of Emerging Technologies in Learning, 17(17), 28-49. https://doi.org/10.3991/ijet.v17i17.30763
Qin, S., Orchakova, L., Liu, Z. Y.,
Smirnova, Y., & Tokareva, E. (2022). Using the Learning Management System Modular Object-Oriented Dynamic
Learning Environment in Multilingual Education. International Journal of
Emerging Technologies in Learning, 17(3), 173-191. https://doi.org/10.3991/ijet.v17i03.25851
Rabayah, K. S., & Amira, N. (2022). Learners’ engagement assessment in e-learning during the COVID-19
pandemic: nation-wide exploration. Education and Information Technologies, 27,
10647-10663. https://doi.org/10.1007/s10639-022-11006-7
Sáiz-Manzanares, M. C., Marticorena-Sánchez, R.,
Rodríguez-Díez, J. J., Rodríguez-Arribas, S., Díez-Pastor, J. F., & Ji, Y.
P. (2021). Improve teaching with modalities and
collaborative groups in an LMS: an analysis of monitoring using visualisation techniques. Journal of Computing in Higher Education, 33, 747-778. https://doi.org/10.1007/s12528-021-09289-9
Salas-Rueda, R. A. (2023). Uso del deep learning para
analizar Facebook y Google Classroom en el campo educativo. Pixel-Bit.
Revista De Medios y Educación, 67, 87-122. https://doi.org/10.12795/pixelbit.96994
Saleh, A. M., Abuaddous, H.
Y., Alansari, I. S., & Enaizan, O. (2022). The
Evaluation of User Experience on Learning Management Systems Using UEQ. International
Journal of Emerging Technologies in Learning, 17(7), 145-162. https://doi.org/10.3991/ijet.v17i07.29525
Sarker, M. F. H., Rahman, S. M., Khan, S., Sohel, M.
S., Tamal, M. A., Khan, M. M. R., & Islam, M. K. (2023). Perception and
Preference of the Students for Online Education during COVID-19 in Bangladesh:
A Study Based on Binary Logistic Regression. International Journal of
Emerging Technologies in Learning, 18(13), 74-90. https://doi.org/10.3991/ijet.v18i13.3880
Shurygin, V., Berestova, A., Litvinova, T., Kolpak, E., & Nureyeva, A.
(2021). Universal Models and Platforms in E-Learning. International
Journal of Emerging Technologies in Learning, 16(9), 63-75. https://doi.org/10.3991/ijet.v16i09.19697
Su, C. Y., Li, Y. H., & Chen, C. H. (2021). Understanding the Behavioural Patterns of
University Teachers Toward Using a Learning Management System. International
Journal of Emerging Technologies in Learning, 16(14), 129-145. https://doi.org/10.3991/ijet.v16i14.22685
Sulaymani, O., Pratama, A. R., Alshaikh, M.,
& Alammary, A. (2022). The
Effects of Previous Experience and Self Efficacy on the Acceptance of
e-Learning Platforms Among Younger Students in Saudi Arabia. Contemporary Educational Technology, 14(2),
ep349. https://doi.org/10.30935/cedtech/11524
Sun, Y., Huang, W., Wang, Z., Xu, X., Wen, M., &
Wu, P. (2023). Smart Teaching Systems: A
Hybrid Framework of Reinforced Learning and Deep Learning. International
Journal of Emerging Technologies in Learning, 18(20), 37-50. https://doi.org/10.3991/ijet.v18i20.44217
Tinmaz, H. & Lee, J. H. (2020). An analysis of users’ preferences on learning management systems: a case
on German versus Spanish students. Smart
Learning Environments, 7, 30. https://doi.org/10.1186/s40561-020-00141-8
Verawati, N., Ernita, N.,
& Prayogi, S. (2022). Enhancing the Reasoning
Performance of STEM Students in Modern Physics Courses Using Virtual Simulation
in the LMS Platform. International Journal of Emerging Technologies in
Learning, 17(13), 267-277. https://doi.org/10.3991/ijet.v17i13.31459
Yalley, A.
A. (2022). Student readiness for e-learning co-production in developing
countries higher education institutions. Education
and Information Technologies, 27, 12421-12448. https://doi.org/10.1007/s10639-022-11134-0
Yamani, H. A., Alharthi, A. D., & Smirani, L. K. (2022). Evaluation of Learning Management
Systems: A Comparative Study Between Blackboard and Brightspace. International
Journal of Emerging Technologies in Learning, 17(7), 125-144. https://doi.org/10.3991/ijet.v17i07.28881
Zacharis,
G., & Nikolopoulou, K. (2022). Factors predicting University students’
behavioral intention to use eLearning platforms in the post-pandemic normal: an
UTAUT2 approach with ‘Learning Value’. Education
and Information Technologies, 27, 12065-12082. https://doi.org/10.1007/s10639-022-11116-2
Zhang, Y. (2022). Exploring Students’ Increased Use of
Tablets After Taking Online Courses During the COVID-19 Lockdown. Contemporary Educational Technology, 14(4),
ep380. https://doi.org/10.30935/cedtech/12283
Zuev, V., Kakisheva, L., Denissova, N., Kumargazhanova,
S., & Smailova, S. (2021). Development of a Set
of Requirements for the Hardware and Software of LMS Services of the
University. International Journal of Emerging Technologies in Learning, 16(21),
210-218. https://doi.org/10.3991/ijet.v16i21.25239