Modelo de agrupamiento para evaluar la calidad de enseñanza docente en la educación superior basado en aprendizaje automático

• Autor: Zambrano Romero, Walter Daniel
• Formato: tesis doctoral
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/28565
• Enlace del recurso: https://hdl.handle.net/20.500.12672/28565
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático (Inteligencia artificial); Calidad de la educación; Educación superior; https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#1.02.01

Las Instituciones de Educación Superior (IES) tienen como finalidad brindar a sus estudiantes una educación de calidad, que permita mejorar la eficacia de la enseñanza de los docentes. La enorme cantidad de datos acumulados en las IES puede ayudar a descubrir conocimiento útil para la calidad de enseñanza lo que implica una importante tarea de análisis de datos para medir el desempeño de los docentes y predecir su efectividad en el ámbito educativo. Este estudio construye un modelo de aprendizaje automático de calidad de enseñanza docente (CEDU-ML) y su marco de factores de la calidad enseñanza docente (MFCED que diseño un artefacto de solución utilizando algoritmos de aprendizaje automático no supervisado con 26 criterios de factores para su medición, en las evaluaciones de desempeño docente, tiene como objetivo apoyar el crecimiento profesional de los educadores y mejorar los entornos de aprendizaje de los estudiantes, para este estudio se utilizaron 6 periodos académico. Asimismo, para mantener el nivel de calidad en el CEDU-ML y MFCED se empleó y validó un modelo de aprendizaje automático que clasifica la calidad de enseñanza de los docentes, donde se utilizaron los modelos de ML Kmeans con Silhouette Score: 0.72 y el modelo Agglomerative Clustering con Silhouette Score: 0.70, se identificó que Kmeans presentó ligeramente el mejor resultado aplicando una validación cruzada de 5 veces. Además, se aplicó el algoritmo de Random Forest, donde se obtuvo una precisión del 98,88 %, lo que evidencia una muy buena clasificación en el agrupamiento de los clusters. El estudio concluye que el uso de aprendizaje automático contribuye significativamente en la calidad de enseñanza docente, permitiendo identificar patrones que no están a vistas del ojo humano, para aplicar retroalimentaciones de mejoras a los docentes en las diferentes dimensiones del marco de factores. Este enfoque está desarrollado para la educación superior en una facultad y dos carreras, el cual podría extenderse a otros sectores de la educación, aplicarse a las diferentes facultades y agregar nuevas variables significativas que sigan optimizando el modelo.