@misc{10481/71453,
year = {2021},
month = {6},
url = {http://hdl.handle.net/10481/71453},
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.},
abstract = {O objetivo deste estudo é propor modelos de aprendizado de máquina supervisionado para predizer a capacidade
de abstração em alunos, como mecanismo de alerta precoce, por meio do uso de tecnologia e de videogames.
A metodologia utilizada é mista, com desenho descritivo e preditivo, analisando 118 testes aplicados a alunos
chilenos de formação de professores. Para isso, as variáveis: idade, modalidade e semestre letivo foram
correlacionadas e seis modelos preditivos foram examinados. Os resultados mostram três achados relevantes.
Primeiro, na relação abstração/idade, nas categorias Satisfatório e Não Abstração, a distribuição é homogênea
em todas as idades. Em segundo lugar, a relação abstração/modalidade evidencia que segue um padrão de
50% para todas as categorias de abstração. Terceiro, na relação abstração/semestre letivo, observa-se que
no sétimo semestre concentra-se o maior número de alunos sem capacidade de abstração. Conclui-se que o
nível de abstração é baixo, mostrando que 61,1% dos alunos não possuem um nível cognitivo superior. Dos 6
modelos de aprendizado de máquina supervisionados, dois são sugeridos para prever o aviso prévio, a árvore
de decisão e a floresta aleatória com 100% de precisão (Precisão). Portanto, por meio do uso de tecnologia
e videogames, é possível fortalecer o desenvolvimento de habilidades cognitivas superiores, por meio de uma série de estratégias planejadas em tempos de COVID-19, concentradas no primeiro e no segundo semestres
de treinamento.},
abstract = {This study aims to propose supervised machine learning models to predict the abstraction ability in students as
an early warning mechanism through both the technology use and the video game use. The methodology used
was mixed with a prescriptive and predictive design; 118 tests were carried out by Chilean pedagogy students.
For analysis, several variables were correlated: age, modality, academic semester and six predictive models.
The results show three relevant findings; First, regarding the relation abstraction/ age, in the Satisfactory and
No abstraction, the distribution is homogeneous in every age. Second, the relationship abstraction/modality
shows a 50% pattern for all the abstraction categories. Third, the relation abstraction/academic semester
shows that most students from the seventh semester have no capacity for abstraction. The study concludes
the abstraction level is low, showing that 61,1% of the students do not have a higher cognitive level. Two
out of six of the supervised machine learning models are suggested to predict early warning, decision tree and
random forest since they have a 100% accuracy. Therefore, through the use of technology and the video game
it is possible to ensure higher cognitive level development, by the use of several planned strategies in covid-19
times concentrated in the first two tears of pedagogy training.},
publisher = {Universidade Federal de Minas Gerais},
keywords = {Pensamiento superior},
keywords = {Habilidades cognitivas},
keywords = {Abstracción},
keywords = {Videojuegos},
keywords = {Modelos proyectivos},
keywords = {Tecnología},
keywords = {Pensamento superior},
keywords = {Abstração},
keywords = {Videogames},
keywords = {Modelos projetivos},
keywords = {Tecnologia},
keywords = {Higher thinking},
keywords = {Cognitive skills},
keywords = {Abstraction},
keywords = {Play games},
keywords = {Projective models},
keywords = {Technology},
title = {Tecnología y abstracción: desarrollo de habilidades complejas a través de vídeo juegos},
doi = {10.35699/1983-3652.2021.33575},
author = {Figueroa Vargas, Andrea del Carmen and Campos Soto, María Natalia},
}