Abstract
El Instituto Colombiano para la Evaluación de la Educación (ICFES) publica datos de las pruebas Saber y las características de los estudiantes que presentaron las prueba; sin embargo, el número de investigaciones que relacionan esta información es reducido. Este estudio buscó explorar estadísticamente datos de las Pruebas Saber Pro y Saber 11, para construir, tomando en cuenta las propuestas de los profesores, acciones de mejoramiento de un Programa de Licenciatura en Música de una universidad de la zona suroccidental colombiana. Para ello, en primer lugar, fueron exploradas las relaciones y diferencias significativas entre los resultados de las Pruebas, obtenidos por 21 estudiantes de la Licenciatura, y sus características personales, familiares, socioeconómicas y académicas. Luego, la información se presentó a profesores del Programa, y se recogieron sus percepciones y propuestas de mejora. Por último, se integraron los datos y se construyeron recomendaciones. Los resultados del estudio muestran diferencias significativas al agrupar los puntajes de los estudiantes según sus características; también, muestran diferencias y muy fuertes correlaciones entre ambas pruebas; además, proyectan acciones de mejora de la Licenciatura relacionadas con la caracterización de estudiantes, la articulación de contenidos y competencias evaluadas, y el rol del coordinador del Programa como analista de datos.
Publisher
Fundacion Universitaria Catolica del Norte
Reference55 articles.
1. Abebe, R., & Goldner, K. (2018). Mechanism design for social good [Diseño de mecanismos para el bien social]. AI Matters, 4(3), 27-34. https://doi.org/10.1145/3284751.3284761
2. Agudelo Álzate, A. S., Figueroa Zapata, L. A., & Vásquez Benites, L. (2019). Relaciones causales de los factores que afectan el desempeño de los estudiantes en pruebas estandarizadas en Colombia. Revista ESPACIOS, 40(23). https://www.revistaespacios.com/a19v40n23/19402323.html
3. Aldowah, H., Al-Samarraie, H., & Fauzy, W. M. (2019). Educational data mining and learning analytics for 21st century higher education: A review and synthesis [Minería de datos educativos y análisis de aprendizaje para la educación superior del siglo XXI: revisión y síntesis]. Telematics and Informatics, 37, 13-49. https://doi.org/10.1016/j.tele.2019.01.007
4. Algarni, A. (2016). Data mining in education [Minería de datos en la educación]. International Journal of Advanced Computer Science and Applications, 7(6). https://doi.org/10.14569/ijacsa.2016.070659
5. Al-Tameemi, G., Xue, J., Ajit, S., Kanakis, T., & Hadi, I. (2020). Predictive learning analytics in higher education: Factors, methods and challenges [Analítica predictiva del aprendizaje en la educación superior: factores, métodos y desafíos]. En 2020 International Conference on Advances in Computing and Communication Engineering (ICACCE) (pp. 1-9). https://doi.org/10.1109/ICACCE49060.2020.9154946