Aplicaciones de la segmentación jerárquica en medición y evaluación de programas educativosejemplos con un programa de educación financiera

  1. Blanco Blanco, Ángeles 1
  2. Asensio Muñoz, Inmaculada 1
  3. Carpintero Molina, Elvira 1
  4. Ruiz de Miguel, Covadonga 1
  5. Expósito Casas, Eva 2
  1. 1 Universidad Complutense de Madrid
    info

    Universidad Complutense de Madrid

    Madrid, España

    ROR 02p0gd045

  2. 2 Universidad Nacional de Educación a Distancia
    info

    Universidad Nacional de Educación a Distancia

    Madrid, España

    ROR https://ror.org/02msb5n36

Revista:
Educación XX1: Revista de la Facultad de Educación

ISSN: 1139-613X,  2174-5374

Año de publicación: 2017

Volumen: 20

Número: 2

Páginas: 235-257

Tipo: Artículo

DOI: 10.5944/EDUCXX1.19039 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Educación XX1: Revista de la Facultad de Educación

Resumen

En este trabajo se propone el uso en medición y evaluación educativa de las técnicas de segmentación jerárquica o árboles de decisión, utilizados ya extensamente en otros campos, fundamentalmente en marketing, como técnica de estudio de mercados. Mediante IBM SPSS Statistics 21 se analizan los datos de una encuesta aplicada a 648 profesores de Educación Secundaria para la evaluación de un programa de educación financiera (EF) y se ilustran diferentes posibles aplicaciones metodológicas de los árboles de clasificación y regresión (CART o C&RT: Classification And Regression Trees) para el estudio de la validez basada en evidencias sobre el contenido y la estructura interna de las medidas procedentes del cuestionario de evaluación empleado. Por otra parte, en una línea más similar a la que se ha seguido para la evaluación de programas en sociología, medicina o psicología, se llegan a identificar claramente las características de los diferentes segmentos de población, entre los que se destacan, por su valor informativo en evaluación de programas educativos, los grupos extremos, constituidos por los usuarios más «entusiastas» y los más «críticos» con el programa. A partir de los resultados obtenidos, se discuten las posibilidades metodológicas de esta técnica tanto en medición como en evaluación de programas. Con el estudio empírico presentado se argumenta la propuesta de aplicación de las técnicas arborescentes, junto con otras aproximaciones metodológicas más tradicionales, como son el análisis de regresión lineal y el análisis factorial exploratorio y confirmatorio, dado que esta metodología se ajusta mejor a las características de los datos que se suelen manejar en investigación y evaluación educativa y permite una interpretación más clara e integrada de resultados.

Referencias bibliográficas

  • American Educational Research Association (AERA), American Psychological Association (APA) & National Council on Measurement in Education (NCME) (2014). Standards for Educational and Psychological Testing. Washington: APA.
  • Ang, R. P. & Goh, D. H. (2013). Predicting Juvenile Offending: A Comparison of Data Mining Methods. International Journal of Offender Therapy and Comparative Criminology, 57, 191-207.
  • Belson, W. A. (1959). Matching and prediction on the principle of biological classification. Applied Statistics, 8(2), 195-202.
  • Berk, R. B. (2006). An introduction to ensemble methods for data analysis. Sociological Methods and Research, 34(3), 263-295.
  • Bollen, K. A. (1989). Structural equations with latent variables. New York: Wiley.
  • Brandmaier, A. M., von Oertzen, T., McArdle, J. J. y Lindenberger, U. (2013). Structural equation model trees. Psychological Methods, 18(1), 71-86.
  • Breiman, L., Friedman, J. H., Olshen, R. A. & Stone, C. J. (1984). Classification and regression trees. Belmont CA: Wadsworth.
  • Campbell, D. T. & Fiske, A. W. (1959). Convergent and discriminant validation by the multirait-multimethod matrix. Psychological Bulletin, 56, 81-105.
  • Carmines, E. & Zeller, R. (1991). Reliability and validity assessment. Newbury Park: Sage Publications.
  • Delen, D. (2012). Predicting Student Attrition with Data Mining Methods. Journal of College Student Retention: Research, Theory and Practice, 13(1), 17-35.
  • Escobar, M. (2007). El análisis de segmentación: Técnicas y aplicaciones de los árboles de clasificación. Madrid: CIS.
  • Gervilla, E. y Palmer, A. (2009). Predicción del consumo de cocaína en adolescentes mediante árboles de decisión. Revista de Investigación en Educación, 6, 7-13.
  • Gervilla, E., Jiménez López, R., Montaño, J. J., Sesé, A., Cajal, B. y Palmer, A. (2009). La metodología del Data Mining. Una aplicación al consumo de alcohol en adolescentes. Adicciones, 21(1), 65-80.
  • Horner, S. B., Fireman, G. D. & Wang, E. W. (2010). The Relation of Student Behavior, Peer Status, Race, and Gender to Decisions about School Discipline Using CHAID Decision Trees and Regression Modeling. Journal of School Psychology, 48(2), 135-161.
  • Kovacic, Z. J. (2012). Predicting student success by mining enrolment data. Research in Higher Education Journal, 15, 1-20.
  • Lizasoain, L. y Joaristi, L. (2000). El análisis de datos en la evaluación de programas educativos. Revista de Investigación Educativa, 18(2), 357-379.
  • Lizasoain, L., Joaristi, L., Santiago, C., Lukas, J. F., Moyano, N., Sedano, M. y Munárriz, B. (2003). El uso de las técnicas de segmentación en la evaluación del rendimiento en lenguas. Un estudio en la Comunidad Autónoma Vasca. Revista de Investigación Educativa, 21(1), 93-111.
  • Luque, T. (Coord.) (2012). Técnicas de análisis de datos en investigación de mercados. Madrid: Pirámide (2.ª ed.).
  • Márquez-Vera, C., Romero, C. & Ventura, S. (2013). Predicting School Failure and Dropout by Using Data Mining Techniques. IEEE Journal of Latin-american Learning Technologies, 8(1), 7-14.
  • Martínez Arias, M. R., Hernández Lloreda, M. J. y Hernández Lloreda, M. V (2006). Psicometría. Madrid: Alianza.
  • Morales, P., Urosa, B. y Blanco, A. (2003). Construcción de escalas de actitudes tipo Likert. Madrid: La Muralla.
  • Pareja, J. A., Maciá, J. y Serrano, R. (2013). Rasgos fundamentales para que las innovaciones en educación sean exitosas: algunas experiencias que lo corroboran. Revista científica electrónica de Educación y Comunicación en la Sociedad del Conocimiento, 13(2), 324-356.
  • Pérez, C. (2011). Técnicas de segmentación: Conceptos, herramientas y aplicaciones. Madrid: Garceta.
  • Picón, E., Varela, J. y Lévy, J. P. (2004). Segmentación de mercados. Aspectos estratégicos y metodológicos. Madrid: Pearson Educación.
  • Reeves, C. A. & Bernar, D. A. (1994). Defining quality: alternatives and Implications. Academy of Management Review, 19 (3), 419-445
  • Román, M. V. y Lévy, J.-P. (2003) Clasificación y segmentación jerárquica. En J.-P. Lévy y J. Valera (Dirs). Análisis Multivariable para las Ciencias Sociales (pp. 567-630). Madrid: PearsonPrentice Hall.
  • Richard’s, M. M., Solanas, A., Ledesma, R. D., Introzzi, I. M. y López Ramón, M. F. (2008). Técnicas estadísticas de clasificación: un estudio comparativo y aplicado. Psicothema, 20(4), 863-871.
  • Schiattino, I. y Silva, C. (2008). Árboles de clasificación y regresión: Modelos Cart. Ciencia y Trabajo, 10(30), 161-166.
  • Sireci, G. & Sukin, T. (2013). Test validity. En K. F. Geisinger (Ed.) APA Handbook of Testing and Assessment in Psychology (pp. 61-84). Washington: American Psychological Association.
  • Stevens, S. S. (Ed.) (1951). Handbook of Experimental Psychology. Nueva York: Wiley.
  • Tiwari, M., Singh, R. & Vimal, N. (2013). An Empirical Study of Applications of Data Mining Techniques for Predicting Student Performance in Higher Education, International Journal of Computer Science and Mobile Computing, 2(2), 53-57.
Fuente de los datos: Dialnet