Patrones de desempeño docente en educación a distancia utilizando aprendizaje automático

Abstract

El crecimiento acelerado de la Educación a Distancia ha impulsado la adopción de plataformas que generan grandes volúmenes de datos, pero estos no se analizan suficientemente y la información podría perderse. Este estudio perfila al docente virtual de la plataforma SEDUCA de la UAEMéx empleando aprendizaje automático y el ciclo CRISP-DM. Se realizó un análisis cuantitativo con 1 041 registros y 24 variables obtenidas del reporte de desempeño docente de la plataforma. En el preprocesamiento se realizó limpieza, imputación con K-NN y detección de outliers. Para el análisis descriptivo se aplicó K-means y Agrupamiento Jerárquico; se validó con coeficiente de silueta; la fase predictiva utilizó Random Forest optimizado con GridSearch y validado mediante matriz de confusión y validación cruzada. Se identificaron tres perfiles: docentes de interacción mínima (15 %), moderada (66 %) y alta (19 %). Las variables más influyentes fueron total de actividades calificadas y porcentaje de evidencias entregadas a tiempo; otras, como correos y número de alumnos, mostraron menor relevancia. El modelo alcanzó una exactitud del 95,2 % tras optimización. Este enfoque ofrece un marco para que las universidades aprovechen datos de sus plataformas en la planificación de la formación y selección de docentes virtuales.

The rapid expansion of distance education has driven the adoption of learning platforms that generate vast volumes of data; however, these data often go unanalyzed, risking the loss of valuable insights. This study profiles virtual instructors on the UAEMéx SEDUCA platform using machine learning within the CRISP-DM framework. A quantitative analysis of 1,041 records and 24 variables extracted from the platform’s teaching performance report was conducted. Preprocessing involved data cleaning, K-NN imputation, and outlier detection. For descriptive analysis, K-means and Hierarchical Clustering was applied and validated with silhouette scores; the predictive phase employed a Random Forest classifier optimized with GridSearchCV and validated via confusion matrix and cross-validation. Three instructor profiles were identified—minimal interaction (15 %), moderate interaction (66 %), and intensive interaction (19 %). The most influential predictors were total graded activities and the percentage of on-time submitted evidence, whereas features such as email exchanges and student count proved less relevant. The model achieved 95.2 % accuracy after optimization. This approach offers universities a reproducible framework for leveraging platform data to inform virtual instructor training and selection.