Colombia
Objetivo: Analizar la estructura intelectual del estudio de la desigualdad educativa. Metodología: Se diseñó una estrategia metodológica mixta a partir del desarrollo de un ejercicio bibliométrico. Desde la perspectiva cuantitativa, se desarrolló el procesamiento estadístico de la producción de documentos científicos de las bases de datos Scopus e ISI Web of Science en el campo de la desigualdad educativa y se construyeron y analizaron indicadores bibliométricos que permitieron la evaluación del rendimiento científico, su desarrollo y evolución. Desde la perspectiva cualitativa, se desarrolló análisis documental, semántico y de contenido sobre los documentos identificados. El procesamiento de la información se realizó en los softwares Modeler SPSS, Atlas ti, SicMAT y Knime. Resultados: Se identifica el campo de la desigualad educativa como consolidado, donde se destaca un mayor desarrollo analítico y metodológico desde finales de los noventa donde se incorporan distintas disciplinas al estudio. Conclusiones y discusiones: La estructura intelectual del campo de la desigualdad educativa se caracteriza por su alto rendimiento y visibilidad, donde disciplinas como la economía, la psicología o las humanidades han aportado significativamente al desarrollo teórico-práctico. Sin embargo, se identifican nuevos enfoques con la incorporación al análisis a partir del machine learnig, big data y deep learnig.
Objective: to analyze the intellectual structure of the study of educational inequality. Methodology: A mixed methodological strategy was designed based on the development of a bibliometric exercise. From a quantitative perspective, the statistical processing of the production of scientific documents from the Scopus and ISI Web of Science databases in the field of educational inequality will be analyzed and bibliometric indicators that allowed the evaluation of scientific performance were constructed and analyzed. Development and evolution from a qualitative perspective, critical documentary, semantic and content analysis of the identified documents is analyzed. The information was processed in the Modeler SPSS, Atlas ti, SicMAT, VosViewer and Knime software. Results: The field of educational education is identified as nascent, which highlights an analytical and methodological development since the late nineties where different disciplines are incorporated into the study. Conclusions and Discussion: The intellectual structure of the field of educational inequality is characterized by its high performance and visibility, where disciplines such as economics, psychology or humanities have contributed significantly to theoretical-practical development. However, identify new approaches with modifications to the analysis from machine learning, big data and deep learning.
Objetivo: analisar a estrutura intelectual do estudo da desigualdade educacional. Metodologia: foi desenvolvida uma estratégia metodológica mista, baseada no desenvolvimento de um exercício bibliométrico. Do ponto de vista quantitativo, o processamento estatístico da produção de documentos científicos das bases de dados Scopus e ISI foi desenvolvido no campo da desigualdade educacional, construído e analisado por meio de indicadores bibliométricos que permitiram avaliar o desempenho científico. desenvolvimento e evolução. Do ponto de vista qualitativo, foi realizada uma análise documental, semântica e de conteúdo dos documentos identificados. O processamento das informações foi realizado com os softwares Modeler SPSS, Atlas ti, SicMAT e Knime. Resultados: O campo da desigualdade educacional é identificado como consolidado, destacando um importante desenvolvimento analítico e metodológico desde o final dos anos 90, a partir do qual diferentes disciplinas são incorporadas ao estudo. Conclusões e debates: A estrutura intelectual do campo da desigualdade educacional é caracterizada por seu alto desempenho e visibilidade, dos quais disciplinas como economia, psicologia e humanidades contribuíram significativamente para o desenvolvimento teórico e prático. No entanto, novas abordagens são identificadas com a incorporação de análises de aprendizado de máquina, big data e aprendizado profundo.
© 2001-2026 Fundación Dialnet · Todos los derechos reservados