Segmentación de patrones de aprendizaje mediante clustering en Big Data educativo: estudio en la Institución Educativa N° 70545 Túpac Amaru, 2024

Abstract

En esta investigación en la Institución Educativa N° 70545 Túpac Amaru, el objetivo principal fue construir un modelo de segmentación utilizando agrupamiento no supervisado en Big Data Educativo para mejorar el proceso de enseñanza-aprendizaje. La metodología incluyó la recopilación y el preprocesamiento de datos educativos de varias fuentes, garantizando su integridad mediante la limpieza, normalización y estructuración. K-Means, Agrupamiento Jerárquico y DBSCAN fueron algunos de los algoritmos de agrupamiento aplicados para determinar agrupaciones naturales. La validación de los clústeres fue especialmente importante e incluyó medidas cuantitativas como el Índice de Silueta (promedio 0.66) que indicó una fuerte cohesión interna y una buena separación externa, junto con el Coeficiente de Correlación de Pearson (r=0.85). Estos análisis fueron enriquecidos por entrevistas cualitativas con los maestros para una interpretación más profunda de los segmentos. Los hallazgos resultaron en la identificación de grupos de estudiantes homogéneos con patrones académicos y de comportamiento distintivos, simplificando así la comprensión de cuáles eran sus requisitos más personalizados. En consecuencia, el clustering dentro del Big Data Educativo es una estrategia eficaz y de vanguardia para la detección de patrones en el aprendizaje, así como para la toma de decisiones pedagógicas, apoyando en la construcción de una educación inclusiva, adaptativa y escalable. La estrategia puede ser reproducida en diferentes contextos educativos para la personalización de la enseñanza.