Tecnología y Abstracción

Abstract

El objetivo de este estudio es proponer modelos de aprendizaje de máquina supervisada para predecir la capacidad de abstracción en los estudiantes, como mecanismo de alerta temprana, a través de la utilización de la tecnología y el uso del video juego. La metodología utilizada es mixta, con un diseño descriptivo y predictivo, se analizaron 118 tests aplicados a estudiantes chilenos de formación docente. Para ello, se correlacionaron las variables: edad, modalidad y semestre académico y se examinaron seis modelos predictivos. Los resultados evidencian tres hallazgos relevantes. En primer lugar, en la relación abstracción/edad, en las categorías Satisfactoria y No Abstracción, la distribución es homogénea en todas las edades. En segundo lugar, la relación abstracción/modalidad se evidencia que sigue un patrón del 50% para todas las categorías de abstracción. En tercer lugar, la relación abstracción/semestre académico, se observa que en el séptimo semestre se concentra la mayor cantidad de estudiantes sin capacidad de abstracción. Se concluye que el nivel de abstracción es bajo, evidenciándose que el 61,1% de los estudiantes no tiene un nivel cognitivo superior. De los 6 modelos de aprendizaje de máquina supervisada, dos se sugieren para predecir una alerta temprana, árbol de decisión y bosque aleatorio que tienen una exactitud (Accuracy) del 100%. Por lo tanto, mediante el uso de la tecnología y el video juego es posible afianzar el desarrollo de habilidades cognitivas superiores, por medio de una serie de estrategias planificadas en tiempos de covid-19, concentradas en el primer y segundo semestre de formación.