Metodología de agrupamiento interpretable para evaluar eldesempeño docente en ambientes de aprendizaje digital
- Autores: Carlos Chinchilla Corbacho, Manuel Martín-Merino, Eva Martín Rodríguez, María Rosa Hortelano Díaz, Emma García Pérez
- Localización: UPSA INNOVA 23.24: Proyectos del Club Universitario de Innovación, 2025, ISBN 978-84-1081-422-6, págs. 145-154
- Idioma: español
- Enlaces
-
Resumen
Este capítulo presenta el desarrollo e implementación de una metodología que utiliza algoritmos de inteligencia artificial (IA) para identificar, caracterizar y analizar perfiles docentes en entornos de aprendizaje digital. El proyecto, desarrollado en colaboración con la Fundación ProFuturo, busca mejorar la calidad educativa en regiones vulnerables mediante la optimización de la formación docente.
Utilizando técnicas de aprendizaje automático (ML), incluyendo K-Means para clusterización no supervisada, Random Forest y Decision Tree para análisis supervisado, el estudio analizó datos de 228 docentes, identificando tres clústeres distintivos: Development, Leadership e Initiation. Cada clúster representa diferentes niveles de progresión en competencias digitales y pedagógicas, permitiendo el diseño de intervenciones educativas personalizadas.
La metodología empleada incluye la recopilación y anonimización de datos de plataformas de autoevaluación y formación, análisis exploratorio, codificación de variables categóricas, y la implementación de algoritmos de IA. Los resultados se presentan en un formato interpretable, facilitando su aplicación práctica.
A pesar de las limitaciones, como la dependencia de autodeclaraciones y los desafíos en la transferencia de conocimiento debido a restricciones de privacidad, este enfoque demuestra ser una herramienta valiosa para la personalización de la formación docente, con potencial para impactar significativamente en la mejora de la práctica educativa en entornos desafiantes.
