Predicción de la satisfacción con la educación virtual en estudiantes universitarios: uso de machine learning

Abstract

El estudio de la educación virtual ha llevado a analizar el aprendizaje online como un proceso sistemático donde interactúan procesos cognitivos, estrategias motivacionales, de auto-regulación, y recursos tecnológicos/comunicacionales, que lo hacen un espacio socio-informacional particular en el cual los estudiantes tienen un rol activo. La educación virtual ha sido una alternativa frente a los entornos educativos tradicionales desde hace varios años. Sin embargo, la actual pandemia por COVID-19 ha impuesto esta modalidad en los distintos niveles, con poca o nula preparación para la misma. La detección de aquellos estudiantes que no se encuentran comprometidos y/o necesitan un mayor estímulo para continuar sus estudios o mejorar su desempeño, se hace más difícil a través de una modalidad virtual. Objetivo: Desarrollar modelos predictivos de un bajo nivel de satisfacción con la educación online utilizando una metodología de machine-learning, e identificar los predictores que más contribuyen, para luego guiar el diseño de intervenciones que ayuden a mejorar la experiencia de los estudiantes con la educación virtual. Metodología: Participaron 560 estudiantes de instituciones universitarias (públicas: 98.4%; Varones: 59.3%; Medad: 28.67 años; DE: 9.03) que implementaban educación virtual. Se administraron en forma remota entre septiembre 2020 y febrero 2021 las siguientes pruebas: prueba automatizada de memoria de trabajo verbal, prueba de memoria de trabajo visoespacial, test de redes atencionales, escala de estrategias de auto-regulación (MSLQ), cuestionario de experiencias de la modalidad virtual, inventario de estrategias de afrontamiento, un cuestionario sociodemográfico, y una escala de satisfacción con la modalidad virtual de enseñanza. Resultados: El modelo de “Deep learning” obtuvo una precisión del 88.11% en la identificación del grupo con baja satisfacción (verdaderos positivos/(Verdaderos positivos+Falsos Positivos), recall/sensitivity: 86.25% (Verdaderos positivos/verdaderos positivos+falsos negativos), área bajo la curva= .833. El modelo “Gradient Boosted Trees” arrojó un valor de precisión del 90.67%, recall/sensitivity: 88.31%, y área bajo la curva= .785. En ambos casos, los dos predictores de mayor peso para la clasificación, fueron el componente de autoeficacia-expectativas respecto a la modalidad online (estrategias de auto-regulación) y la dimensión social de la percepción de la experiencia online (por ejemplo: el sentirse parte del grupo, la posibilidad de interacción social a través de la comunicación digital, etc.). Dentro de los 10 primeros factores que contribuyeron en la clasificación, comunes a ambos modelos se encuentran: la cantidad de habitaciones de la vivienda, nivel educativo del padre, memoria de trabajo y alerta atencional.