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

Journal:
Educación XX1: Revista de la Facultad de Educación

ISSN: 1139-613X,  2174-5374

Year of publication: 2017

Volume: 20

Issue: 2

Pages: 235-257

Type: Article

DOI: 10.5944/EDUCXX1.19039 DIALNET GOOGLE SCHOLAR lock_openOpen access editor

More publications in: Educación XX1: Revista de la Facultad de Educación

Abstract

This paper suggests the utilization of hierarchical segmentation or decision trees in educational measurement and evaluation extensively utilized in other areas, mainly in marketing, as a market survey technique. By using IBM SPSS Statistics 21, data from a survey answered by 648 Secondary Education teachers are analysed in order to evaluate a program of financial education, and the different methodological applications of the Classification and Regression Trees (CART or C&RT) are shown in the study of validity based on evidence about content and internal structure of the measures from the questionnaire of evaluation which has been used. Moreover, in a more similar trend than the one followed for evaluation in sociology, medicine or psychology programs, the characteristics of the different segments of the population are clearly identified. Among these segments, notable for their informative value in the evaluation of educative programmes, are the extreme groups consisting of the users that are most «enthusiastic» and «critical» with the program. From the achieved results, the methodological possibilities of this measurement and evaluation technique are discussed. With the presented empirical study, the proposal for application of decision trees techniques is justified, together with the most traditional approaches, such as lineal regression analysis and the exploratory and confirmatory factorial analysis. This is because this methodology fits more appropriately to the characteristics of the normally-used data in research and educational evaluations. Also it allows a clearer and more integrated interpretation of the results.

Bibliographic References

  • 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.
Data source: Dialnet