Desafíos y alianzas en implementación de tecnologías de Big Data para evaluación del rendimiento académico

• Raúl José Martelo Gómez https://orcid.org/0000-0002-4951-0752
• Piedad Mary Martelo Gómez https://orcid.org/0000-0002-5405-0324
• Maira Bastidas Gómez https://orcid.org/0000-0003-0657-135X

DOI: https://doi.org/10.31876/rcs.v32i3.46080

Palabras clave: Big Data, evaluación, rendimiento académico, integración tecnológica, alianzas

Resumen

La creciente incorporación de tecnologías de Big Data en la educación superior ha generado oportunidades para mejorar la evaluación del rendimiento académico mediante el análisis de grandes volúmenes de información. Sin embargo, su implementación enfrenta desafíos técnicos, organizacionales y estratégicos que involucran diversos actores institucionales. El objetivo fue identificar los desafíos y alianzas existentes en la implementación de tecnologías de Big Data para la evaluación del rendimiento académico mediante el análisis de los actores involucrados. La investigación se desarrolló bajo un enfoque exploratorio y descriptivo, utilizando revisión documental y la técnica prospectiva MACTOR para analizar relaciones de influencia, dependencia, convergencia y conflicto entre actores. Los resultados evidenciaron que la Oficina de Calidad y Evaluación Académica, el Rectorado y Dirección Universitaria, y los Departamentos de Tecnología y Sistemas de Información, constituyen los actores con mayor capacidad de influencia dentro del sistema. Asimismo, se identificó una alta convergencia de intereses en torno al fortalecimiento de políticas institucionales, la calidad académica y la gestión segura de los datos. Se concluye que la implementación efectiva del Big Data requiere una integración estratégica entre liderazgo institucional, aseguramiento de la calidad y soporte tecnológico para favorecer procesos de evaluación académica más precisos y basados en evidencia.

Citas

Acosta, S. F., y Finol, M. R. (2024). Inteligencia artificial como mecanismo para mejorar la gestión educativa universitaria. Revista de Ciencias Sociales (Ve), XXX(3), 583-597. https://doi.org/10.31876/rcs.v30i3.42697

Ang, K. L.-M., Ge, F. L., y Seng, K. P. (2020). Big educational data & analytics: Survey, architecture and challenges. IEEE Access, 8, 116392-116414. https://doi.org/10.1109/ACCESS.2020.2994561

Arregui-Valdivieso, V. P., Adum-Lípari, M. N., Cruz-Tamayo, M. D. L. Á., y Guilcapi-Lunavictoria, D. O. (2024). Estado actual de las competencias digitales en la educación superior: Un enfoque basado en el modelo PRISMA. Revista de Ciencias Sociales (Ve), XXX(E-10), 257-268. https://doi.org/10.31876/rcs.v30i.42842

Baig, M. I., Shuib, L., y Yadegaridehkordi, E. (2020). Big data in education: a state of the art, limitations, and future research directions. International Journal of Educational Technology in Higher Education, 17, 44. https://doi.org/10.1186/s41239-020-00223-0

Black, P., y Wiliam, D. (2018). Classroom assessment and pedagogy. Assessment in education: Principles, Policy & Practice, 25(6), 551-575. https://doi.org/10.1080/0969594X.2018.1441807

Blanco, Y., Fragozo, L. D. J., y Gómez, M. E. (2024). Inteligencia Artificial: Posibilidades, límites y desafíos en la educación superior. Revista de Ciencias Sociales (Ve), XXX(4), 178-187. https://doi.org/10.31876/rcs.v30i4.42985

Fischer, C., Pardos, Z. A., Baker, R. S., Williams, J. J., Smyth, P., Yu, R., Slater, S., Baker, R., y Warschauer, M. (2020). Mining big data in education: Affordances and challenges. Review of Research in Education, 44(1), 130-160. https://doi.org/10.3102/0091732X20903304

Gkontzis, A. F., Kotsiantis, S., Panagiotakopoulos, C. T., y Verykios, V. S. (2022). A predictive analytics framework as a countermeasure for attrition of students. Interactive Learning Environments, 30(3), 568-582. https://doi.org/10.1080/10494820.2019.1674884

Hernández, C. G. (2020). Planeamiento estratégico prospectivo: métodos MACTOR y SMIC. Dimensión Empresarial, 18(1), 170-175. https://doi.org/10.15665/dem.v18i(1).2127

Hernández, R., Fernández, C., y Baptista, M. D. P. (2014). Metodología de la investigación. McGraw-Hill/ Interamericana Editores S.A. de C.V.

Hernández-Sampieri, R., y Mendoza, C. P. (2018). Metodología de la investigación: Las rutas cuantitativa, cualitativa y mixta. McGraw-Hill/ Interamericana Editores S.A. de C.V.

Huang, A. Y. Q., Lu, O. H. T., Huang, J. C. H., Yin, C. J., y Yang, S. J. H. (2020). Predicting students’ academic performance by using educational big data and learning analytics: evaluation of classification methods and learning logs. Interactive Learning Environments, 28(2), 206-230. https://doi.org/10.1080/10494820.2019.1636086

Illescas, W. H., Nugra, M. A., Santana, R. E., y Sancho, C. S. (2025). Transformación digital aplicada a la educación: Un mapeo sistémico. Revista de Ciencias Sociales (Ve), XXXI(E-12), 301-318. https://doi.org/10.31876/rcs.v31i.44566

Kanth, R., Laakso, M.-J., Nevalainen, P., y Heikkonen, J. (2018). Future educational technology with big data and learning analytics. IEEE 27th International Symposium on Industrial Electronics (ISIE), Cairns, QLD, Australia, pp. 906-910. https://doi.org/10.1109/ISIE.2018.8433753