Análisis de la Educación Inicial en Paraguay a través de las Técnicas de Aprendizaje Automático
DOI:
https://doi.org/10.32480/rscp.2019-24-2.293-304Palabras clave:
Educación inicial, Paraguay, minería de datos educativaResumen
La educación inicial es fundamental para sentar las bases de conocimiento y habilidades que serán de vital importancia en el futuro. En Paraguay, el departamento de Estadística del Ministerio de Educación y Ciencias ha recolectado una base de datos con información sobre la escolarización de los niños. En este trabajo se hace un análisis descriptivo de dichos datos mediante una aproximación de minería de datos educativa (EDM del inglés) haciendo uso de técnicas de aprendizaje no supervisado. Para ello se consideraron las siguientes variables: Departamento, año, sexo, zona geográfica (rural o urbana), sector (oficial, subvencionada o privada) y etapa (primera o segunda). Los resultados obtenidos son prometedores y ayudan a entender la situación actual del país en relación con la Educación Inicial. Fruto del análisis se concluye, por una parte, que EDM es una aproximación que proporciona potentes técnicas de análisis en el ámbito educativo y, por otra, al contextualizar los resultados con las necesidades y realidades socioeconómicas del país, que la matricula en el nivel inicial tiene como principal factor de deserción el económico.
Métricas
Descargas
Referencias
2. UNESCO. Institute of Statistics. Paraguay country statistical data, 2018.
3. Banco Mundial. Informe del Banco Mundial. Washington DC: Banco Mundial, 2018. Disponible en: www.worldbank.org
4. Ministerio de Educación y Ciencias. Datos abiertos matriculaciones en Educación Inicial, 2016. Disponible en: https://datos.mec.gov.py/data/matriculaciones_inicial
5. Juntos por la Educación. Financiamiento público de la educación en el Paraguay. Notas para el debate y construcción de políticas públicas. Asunción, Paraguay, 2019.
6. Hegazi MO, Abugroon MA. The state of the art on educational data mining in higher education. International. Journal of Computer Trends and Technology. 2016;31(1):46-56.
7. MacQueen JB. Some methods for classification and analysis of multivariate observations. Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability. 1967:281–297.
8. Huang Z. Extensions to the k-Means Algorithm for Clustering Large Data Sets with Categorical Variables. Data Mining and Knowledge Discovery. 1998;2:283-304.
9. Huang Z. A fast clustering algorithm to cluster very large categorical data sets in data mining. Proceedings of the SIGMOD. Workshop on Research Issues on Data Mining and Knowledge Discovery. 1997:1–8.
10. Szepannek G. ClustMixType: User-Friendly Clustering of Mixed-Type Data in R. The R Journal. 2018;10(2):200-208.
11. Core Team R. R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, 2019.
12. Kiers HAL. Simple structure in Component Analysis Techniques for mixtures of qualitative and quantitative variables. Psychometrika. 1991;56:197-212.
13. Chavent M, Kuentz-Simont V, Labenne A, Saracco J. Multivariate Analysis of Mixed Data: The PCAMix data R package, aXiv. 2017; 1411(4911).
Descargas
Publicado
Número
Sección
Licencia
El/los autores autorizan a la Revista de la Sociedad Científica del Paraguay a publicar y difundir el articulo del cual son autores, por los medios que considere apropiado.
