Heterogeneidad cognitiva en estudiantes indígenas: un análisis de Clustering en un entorno universitario multicultural
Cargando...
Archivos
Fecha
2025-01
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
Este artículo se destaca como el primero en abordar de manera sistemática los estilos de aprendizaje en comunidades indígenas dentro del contexto universitario del departamento del Cesar, un tema que hasta ahora no había sido explorado en la región. Esta ausencia de investigaciones previas resalta la importancia y necesidad de cerrar esta brecha de conocimiento. En este estudio, se optó por un enfoque cuantitativo, no experimental y de corte transeccional descriptivo. Se utilizaron algoritmos de aprendizaje automático no supervisado, específicamente de clustering, para analizar los datos recopilados. Este método permitió clasificar a los estudiantes en distintos grupos o clusters según sus similitudes y preferencias en los estilos de aprendizaje, considerando las dimensiones activo, reflexivo, teórico y pragmático. Los resultados bajo los modelos de Machine Learning K-means y Agglomerative Clustering (hClust) muestran que el (40 − 45 % ) de los participantes abarcando tanto a los hombres como a las mujeres, tienen preferencias moderadas o altas en varios estilos de aprendizaje. Un subgrupo de mujeres ( 7−12 % ) destaca por su inclinación hacia los estilos activo, teórico y pragmático.
Descripción
Abstract
This article stands out as the first to systematically address learning styles in indigenous communities within the university context of the Cesar department, a topic that had not been explored in the region until now. This lack of prior research highlights the importance and necessity of bridging this knowledge gap. In this study, a quantitative, non-experimental, and cross-sectional descriptive approach was chosen. Unsupervised machine learning algorithms, specifically clustering, were used to analyze the collected data. This method allowed the classification of students into different groups or clusters based on their similarities and preferences in learning styles, considering the active, reflective, theoretical, and pragmatic dimensions. The results from the Machine Learning models, including K-means and Agglomerative Clustering (hClust), reveal that ( 40 − 45 % ) of participants, encompassing both men and women, show moderate or high preferences in multiple learning styles. A subgroup of women (7 − 12 % ) stands out for their inclination towards Active, Theoretical, and Pragmatic styles. Other groups, both male and female, exhibit tendencies towards Reflective and Pragmatic styles.
Palabras clave
Estilos de aprendizaje, Grupos étnicos, Aprendizaje automático
Keywords
Learning styles, Ethnic group, Machine learning