Análisis de la influencia geográfica en la evaluación Ser Estudiante a través de estadística multivariante
DOI:
https://doi.org/10.55204/pcc.v3i1.e27Palabras clave:
influencia geográfica, evaluación del estudiante, rendimiento escolar, análisis cuantitativoResumen
Introducción:Existen múltiples elementos que inciden en los resultados de las evaluaciones Ser Estudiante, encontrándose la zona geográfica rural o urbana de la institución educativa entre uno de los factores que influyen en el rendimiento escolar logrado.
Objetivo: El objetivo de este estudio es analizar la influencia de la zona geográfica de la institución educativa en la evaluación Ser Estudiante de tercero de bachillerato 2021-2022 mediante descriptivos estadísticos, test de normalidad a través de la prueba de Kolmogórov-Smirnov, test de homocedasticidad con la prueba de Fligner-Killeen, test de igual de medianas utilizando la prueba de Wilcoxon-Mann-Whitney, y modelación con el método de Naive Bayes.
Métodos:Para ello se ha utilizado una metodología de enfoque cuantitativo, no experimental, transversal y correlacional. La muestra la integran 4466 estudiantes, 2610 del área urbana y 1856 del área rural, que rindieron la evaluación Ser Estudiante de tercero de bachillerato 2021-2022.
Resultados: Los resultados revelan que los estudiantes del área urbana obtienen mejores desempeños que los estudiantes del área rural en la mayoría de los campos evaluados.
Conclusiones: Se concluye que la zona geográfica de los establecimientos educativos influye para que en su mayoría los estudiantes del área urbana obtengan mejores resultados que los estudiantes del área rural en la evaluación Ser Estudiante de tercero de bachillerato 2021-2022.
Descargas
Citas
Adolfo, S. B. (2020). Regresión logística y Näive Bayes. Detección de churn bancario. https://rpubs.com/AdSan-R/Rlog_NB_ChurnBank#:~:text=AUC (Area Under The Curve,0.5%2C no tiene capacidad discriminativa.
Aliu, A., Rexhepi, S., & Iseni, E. (2021). Analysis and comparison of commitment, homework, extra hours, preliminary grades and testing of students in Mathematics using linear regression model. Mathematics Teaching-Research Journal, 13(3), 21–52.
Arias, M. M., & Molina, M. (2017). Lectura crítica en pequeñas dosis ¿Qué significa realmente el valor de p? Rev Pediatr Aten Primaria, 19, 377–381.
Bases de datos Ser Estudiante – Banco de Información. (n.d.). Retrieved April 6, 2023, from http://evaluaciones.evaluacion.gob.ec/BI/bases-de-datos-ser-estudiante/
Borja, M., Martínez, J., Barreno, S., & Haro, O. (2021). Factores asociados al rendimiento académico: Un estudio de caso factors associated with academic performance: a case study. Revista Educare, 25(3), 54–68. https://revistas.investigacion-upelipb.com/index.php/educare/article/view/1509/1516
Campos, B. (2018). Noparametrica-apuntes1819. Bioestadística Básica, 1, 1–12. http://diposit.ub.edu/dspace/bitstream/2445/127108/1/Noparametrica-apuntes1819.pdf
Castro Aristizabal, G., Castillo Caicedo, M., & Mendoza Parra, J. C. (2018). Factores asociados a la adquisición de competencias en América Latina. Revista de Ciencias Sociales, 23(4), 33–52. https://doi.org/10.31876/rcs.v23i4.25136
Constitutivos, E., & Estado, D. E. L. (2021). Página 1 de 228. 1–228.
De La Parra-González, I., Luna-Rosas, F. J., Rodríguez-Martínez, L. C., & Frausto-Reyes, C. (2020). Evaluación de la regresión logística como clasificador de espectros Raman en el diagnóstico automático de cáncer de mama. Revista de Ingeniería Biomédica y Biotecnología, 4(12), 1–12. https://doi.org/10.35429/jbeb.2020.12.4.1.12
Estadistica-con-R/12_T-test.pdf en master · JoaquinAmatRodrigo/Estadistica-con-R · GitHub. (n.d.). Retrieved March 31, 2023, from https://github.com/JoaquinAmatRodrigo/Estadistica-con-R/blob/master/PDF_format/12_T-test.pdf
Flores, C., & Flores, K. (2021). Tests To Verify the Normality of Data in Production Processes : Anderson- Darling , Ryan-Joiner , Shapiro-Wilk and. Societas Revistas, 23(2), 83–97. http://portal.amelica.org/ameli/jatsRepo/341/3412237018/index.html
Frank, E., Trigg, L., Holmes, G., & Witten, I. H. (2000a). Naive Bayes for Regression. Machine Learning, 41(1), 5–25. http://www.cs.waikato.ac.nz/~eibe/pubs/nbr.pdf
Frank, E., Trigg, L., Holmes, G., & Witten, I. H. (2000b). Technical note: Naive Bayes for regression. Machine Learning, 41(1), 5–25. https://doi.org/10.1023/A:1007670802811
Garofalo García, R., & Villao Villacrés, F. (2018). Crisis De La Escuela Rural, Una Realidad Silenciada Y Su Lucha Para Seguir Adelante [Rural School Crisis, A Silenced Reality, And Its Struggle To Move On]. Conrado, 14(62), 152–157. http://scielo.sld.cu/pdf/rc/v14n62/rc266218.pdf
Hernández, R., & Mendoza, C. (2018). Metodologia de la investigación: las rutas cuantativa, cualitativa y mixta. In Metodología de la investigación. Las rutas cuantitativa, cualitativa y mixta. http://www.biblioteca.cij.gob.mx/Archivos/Materiales_de_consulta/Drogas_de_Abuso/Articulos/SampieriLasRutas.pdf
Iglesias Rodríguez, A., Martín González, Y., & Hernández Martín, A. (2023). Evaluación de la competencia digital del alumnado de Educación Primaria. Revista de Investigación Educativa, 41(1), 33–50. https://doi.org/10.6018/rie.520091
INEVAL. (2019a). Informe de resultados Ser Bachiller lectivo 2018-2019. https://cloud.evaluacion.gob.ec/dagireportes/sbciclo19/distrito/03D02.pdf
INEVAL. (2019b). La educación en Ecuador: Logros alcanzados y nuevos desafíos Resultados educativos 2017-2018. Ministerio de Educación, 212. https://www.evaluacion.gob.ec
INEVAL. (2022a). Dirección de Análisis, Aplicación y Cobertura Territorial SEST 2022. http://evaluaciones.evaluacion.gob.ec/archivosPD/SEST/SEST22_diseno_muestral_20220716.pdf
INEVAL. (2022b). Ser Estudiante 2022. 1–23. http://evaluaciones.evaluacion.gob.ec/BI/folleto-ser-estudiante-2022/
INEVAL. (2023). Informe Nacional de Resultados Ser Estudiante del nivel de Bachillerato. Año lectivo 2021-2022. 86. www.evaluacion.gob.ec
Lorenzo, S., Lorenzo, S., Lorenzo, S., & Lorenzo, S. (2022). Evaluación de exactitud de Naive Bayes y Regresión Logística para clasificación con atributos y clases binarios. 13(1), 73–84.
Lugo-Armenta, J. G., & Pino-Fan, L. R. (2021). Inferential Reasoning Levels for t-Student Statistical. Bolema - Mathematics Education Bulletin, 35(71), 1776–1802. https://doi.org/10.1590/1980-4415V35N71A25
Luis, J., & Gonzáles, A. (2020). Formulación de los objetivos específicos desde el alcance correlacional en trabajos de investigación. Ciencia Latina Revista Científica Multidisciplinar, 2215(2), 237–247. https://doi.org/10.37811/cl_rcm.v4i2.73
Martínez-Ezquerro, J. D., Riojas-Garza, A., & Rendón-Macías, M. E. (2017). Clinical significance vs statistical significance. How to interpret the confidence interval at 95 % [Significancia clínica sobre significancia estadística. Cómo interpretar los intervalos de confianza a 95 %]. Revista Alergia Mexico, 64(4), 477–486. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85054126316&doi=10.29262%2Fram.v64i4.334&partnerID=40&md5=22afeaf39a1b2774be1ec57985ab9496
Mata, M. (2016). Kolmogorov-Smirnov en R (Lilliefors) para testear la normalidad. Viva El Software Libre. https://vivaelsoftwarelibre.com/test-de-kolmogorov-smirnov-en-r/
Medina, M. A. G., & Villarreal, D. C. T. (2018). Logro educativo y factores asociados en estudiantes de sexto grado de educación primaria en el estado de Nuevo León, México. Perfiles Educativos, 40(159), 107–125. https://doi.org/10.22201/iisue.24486167e.2018.159.58143
Meza-Cascante, L. G., Suárez-Valdés-Ayala, Z., Agüero-Calvo, E., Jiménez-Céspedes, R., Calderón-Ferrey, M., Sancho-Martínez, L., Pérez-Tyteca, P., & Monje-Parrilla, J. (2021). La matemática como dominio masculino: Un estudio de la percepción en la educación media costarricense. Revista Electrónica Educare, 25(3), 1–15. https://doi.org/10.15359/ree.25-3.35
Mosquera, R., Castrillón, O. D., & Parra, L. (2018). Máquinas de Soporte Vectorial, Clasificador Naïve Bayes y Algoritmos Genéticos para la Predicción de Riesgos Psicosociales en Docentes de Colegios Públicos Colombianos. Información Tecnológica, 29(6), 153–162. https://doi.org/10.4067/s0718-07642018000600153
Oddi, F. J., Miguez, F. E., Benedetti, G. G., & Garibaldi, L. A. (2020). Cuando la variabilidad varía: Heterocedasticidad y funciones de varianza. Ecología Austral, 30(3), 438–453. https://doi.org/10.25260/ea.20.30.3.0.1131
Paola, A., Palomo, T., Roberto, E., & Núñez, V. (2020). Análisis de resultados del examen ser bachiller en el dominio matemático. Revista Cognosis. ISSN 2588-0578, 5(2), 13–32. https://doi.org/10.33936/COGNOSIS.V5I2.2282
Pérez-Obregón, J. M., & Romero-Díaz, T. (2018). Análisis del rendimiento académico mediante regresión logística y múltiple. Revista Electrónica de Conocimientos, Saberes y Prácticas, 1(2), 33–42. https://doi.org/10.30698/recsp.v1i2.10
Pozo-Burgos, E. J., Burbano-Pulles, M. R., Vidal-Chica, J. I., & Revelo-Salgado, G. E. (2022). Sociocultural and Demographic Factors That Influence Academic Performance: the Pre-University Case of the Universidad Politécnica Estatal Del Carchi. Journal of Technology and Science Education, 12(1), 147–156. https://doi.org/10.3926/JOTSE.1359
Quispe Andía, A., Calla Vasquez, K. M., Yangali Vicente, J. S., Rodríguez López, J. L., & Pumacayo Palomino, I. I. (2019). Estadística no paramétrica aplicada a la investigación científica. In Resultado de Investigación.
Rendón-Macías, M. E., Zarco-Villavicencio, I. S., & Villasís-Keever, M. Á. (2021). Statistical methods for effect size analysis. Revista Alergia Mexico, 68(2), 128–136. https://doi.org/10.29262/ram.v658i2.949
Rodríguez Rodríguez, D., Remedios, |, & Rosquete, G. (2019). Rendimiento académico y factores sociofamiliares de riesgo Variables personales que moderan su influencia. Perfiles Educativos |, XLI. https://doi.org/10.22201/iisue.24486167e.2019.164.58925
RPubs - EBA 14 Homogeneidad de varianzas u homocedasticidad. (n.d.). Retrieved March 31, 2023, from https://rpubs.com/Rortizdu/333014
Santillán Hernández, A. S., & Vargas Sánchez, J. R. (2020). Diferencia regional de factores que afectan el desempeño escolar para la misma modalidad educativa. Paradigma Económico, 12(1), 5. https://doi.org/10.36677/paradigmaeconomico.v12i1.14788
Shah, H. B. (2020). Comparing Machine Learning Algortihms for Credit Card Fraud Detection. 2020. http://broncoscholar.library.cpp.edu/handle/10211.3/216678
UNESCO. (2021). Los Aprendizajes fundamentales en América Latina y el Caribe. Evaluación de logros de los estudiantes. Estudio Regional Comparativo y Explicativo (ERCE 2019). Erce, 77. https://unesdoc.unesco.org/ark:/48223/pf0000380257
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Mario Orlando Suárez-Ibujés, Nadia Nathaly Sánchez-Pozo
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras. Puesto que Prometeo Conocimiento Científico es una publicación de acceso abierto, los lectores pueden reproducir total o parcialmente su contenido siempre y cuando proporcionen adecuadamente el crédito a los autores correspondientes y a la revista misma.
Nuestra revista se rige por las politicas internacionales SHERPA/RoMEO: Revista verde: Permiten el autoarchivo tanto del pre-print (borrador de un trabajo) como del post-print (la versión corregida y revisada por pares) y hasta de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
