Evaluación por inteligencia artificial a un instrumento de estrategias de aprendizajes en estudiantes universitarios ecuatorianos

• Ángel Ramón Sabando García ^[1] ; Mikel Ugando Peñate ^[1] ; Reinaldo Armas Herrera ^[2] ; Ángel Alexander Higuerey Gómez ^[2] ; Pierina DElia Di Michele ^[2] ; Elvia Rosalía Inga Llanez ^[2]
  1. [1] Pontificia Universidad Católica del Ecuador

     Pontificia Universidad Católica del Ecuador

     Quito, Ecuador

     
  2. [2] Universidad Técnica Particular de Loja

     Universidad Técnica Particular de Loja

     Loja, Ecuador

     
• Localización: RISTI: Revista Ibérica de Sistemas e Tecnologias de Informação, ISSN-e 1646-9895, Nº. Extra 68, 2024, págs. 555-568
• Idioma: español
• Títulos paralelos:
  • Evaluation by artificial intelligence of an instrument of learning strategies in Ecuadorian university students
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    Actualmente, las estrategias de aprendizaje que utilizan los estudiantes universitarios son muy diversas y acompañada de la tecnología. Este estudio aplica machine learning para evaluar el instrumento de medición de estrategias de aprendizaje en estudiantes universitarios. Se empleó técnicas correcional, mediante las estadísticas uinvariante y multivariante. Además, se utilizó metodología de Cross-Industry Standard Process for Data Mining (CRISP-DM). El instrumento fue aplicado a una muestra de 984 estudiantes de la Pontificia Universidad Católica del Ecuador sede Santo Domingo, de diferentes carrera de grado. Las variables endógenas fueron; Escala I y II; mientras que las explicativas fueron: estrategias motivacionales, metacognitivas, de elaboración de procesos, de control del contexto y de búsqueda. Los resultados permitieron determinar una alta confiabilidad de las preguntas, mientras que las cargas factoriales de los constructos y de las variables endógenas, permitieron comprobar que los índices son propios de cada componente de las estrategias de aprendizaje.

  • English

    Currently, the learning strategies used by university students are very diverse and accompanied by technology. This study applies machine learning to evaluate the instrument for measuring learning strategies in university students. Correctional techniques were used, using univariant and multivariate statistics. In addition, the Cross-Industry Standard Process for Data Mining (CRISP-DM) methodology was used. The instrument was applied to a sample of 984 students from the Pontifical Catholic University of Ecuador, Santo Domingo, from different undergraduate courses. The endogenous variables were Scale I and II; while the explanatory strategies were: motivational, metacognitive, process elaboration, context control and search strategies. The results allowed us to determine a high reliability of the questions, while the factor loadings of the constructs and the endogenous variables allowed us to verify that the indices are specific to each component of the learning strategies.

• Referencias bibliográficas
  • Alhadabi, A., & Karpinski, A. C. (2020). Grit, self-efficacy, achievement orientation goals, and academic performance in University students....
  • Bentler, M., & Bonnett, D.G. (1980). Significance tests and goodness of fit in the analysis of covariance structures. Psychological Bulletin....
  • Busebaia, T. J. A., & John, B. (2020). Can flipped classroom enhance class engagement and academic performance among undergraduate pediatric...
  • Cabrera, L., Bethencourt, J.T., Álvarez, P., & González, M. (2006). El problema del abandono de los estudios universitarios. ALIVIAR.
  • Cohen, J., Cohen, P., West, S.G., & Aiken, L. S. (2013). Applied multiple regression/ correlation analysis for the behavioral sciences....
  • Domínguez-Lara, S. A., & Merino-Soto, C. (2017). Una modificación del coeficiente alfa de Cronbach por errores correlacionados. Revista...
  • Doral, F., Rodrguez A., & Meseguer, A. (2018). Modelos de ecuaciones estructurales en investigaciones de ciencias sociales: Experiencia...
  • Gargallo, B., Suárez-Rodríguez, J. M. & Pérez-Pérez, C. (2009). El cuestionario CEVEAPEU. Un instrumento para la evaluación de las estrategias...
  • Gaskin, J. & Lim, J. (2016), “Model Fit Measures”, AMOS Plugin. Gaskination’s StatWiki.
  • Gil, P., Bernaras, E., Elizalde, L. M., & Arrieta, M. (2009). Estrategias de aprendizaje y patrones de motivación del alumnado de cuatro...
  • Guzmán-Zamora, N., & Gutiérrez-García, R.A. (2020). School motivation: Academic goals, attributional styles and academic performance in...
  • Hu, L.-t., Bentler, P.M. (1999). Criterios de corte para índices de ajuste en el análisis de estructura de covarianza: criterios convencionales...
  • Incio-Flores, F., Capuñay-Sanchez, D., & Estela-Urbina, R. (2023). Artificial Neural Network Model to Predict Academic Results in Mathematics...
  • Malhotra N. K., Dash S. (2011). Investigación de Mercados y Orientación Aplicada. Londres: Pearson Publishing.
  • Maxwell, S. E., Delaney, H. D., & Kelley, K. (2017). Designing Experiments and Analyzing Data: A Model Comparison Perspective (3.a ed.)....
  • Portal, E., Arias, E., Lirio, J., & Gómez, J. L. (2022). Fracaso y abandono universitario: percepción de los(as) estudiantes de Educación...
  • Paudel, S. & Kumar, V. (2021). Critical Success Factors of Information Technology Outsourcing for Emerging Markets. Journal of Computer...
  • Rodríguez-Rodríguez, J., & Reguant-Álvarez, M. (2020). Calcular la fiabilidad de un cuestionario o escala mediante el SPSS: el coeficiente...
  • Suardiaz-Muro, M., Morante-Ruiz, M., Ortega-Moreno, M., Ruiz, M. A., MartínPlasencia, P., & Vela-Bueno, A. (2020). Sueño y rendimiento...
  • Viladrich, C., Angulo-Brunet, A., & Doval, E. (2017). Un viaje alrededor de alfa y omega para estimar la fiabilidad de consistencia interna....