Las 5 V del Big Data ¿Cuáles son?

 

👉 1. Volumen

Es la gran cantidad de datos que se genera todo el tiempo.
👉 En educación, puede ser la suma de notas, tareas, asistencia, mensajes de los estudiantes, encuestas, etc.

Ejemplo: Un colegio con cientos de estudiantes genera miles de registros al año: calificaciones, entregas en línea, formularios, comentarios, etc.

👉 2. Velocidad

Es la rapidez con la que se crean y procesan los datos.
👉 En educación, esto ocurre cuando plataformas como Google Classroom actualizan los resultados en tiempo real.

Ejemplo: Cuando un estudiante entrega una tarea, el profesor ve al instante la notificación, la califica y el alumno recibe su nota casi al momento.

👉 3. Variedad

Los datos vienen en muchos formatos distintos.
👉 En el entorno educativo, no solo se trabaja con textos y números, sino también con audios, videos, fotos, evaluaciones en línea, etc.

Ejemplo: Un portafolio digital del estudiante puede incluir resúmenes escritos, audios explicativos, fotos de proyectos y videos de exposiciones.

👉 4. Veracidad

Es la fiabilidad o precisión de los datos.
👉 En educación, es importante que los registros sean correctos y actualizados, sin errores ni duplicaciones.

Ejemplo: Si la nota de un alumno está mal digitada, eso puede afectar su promedio final. La veracidad evita ese tipo de problemas.

👉 5. Valor

Es el provecho que se puede sacar de los datos.
👉 En educación, los datos bien analizados permiten tomar decisiones para mejorar el aprendizaje.

Ejemplo: Si una docente nota que varios estudiantes bajan su rendimiento en un tema específico, puede reforzarlo en clase o proponer una actividad diferente.

Comentarios

Publicar un comentario

Entradas populares de este blog

Minería de datos educativos y análisis del aprendizaje

La minería de datos educativos (EDM, Educational Data Mining) y la analítica del aprendizaje (LA, Learning Analytics) son técnicas que utilizan el análisis de datos para mejorar los procesos educativos. Para ello extrae patrones y tendencias del rendimiento, el comportamiento y las interacciones de los estudiantes. Estas disciplinas optimizan los procesos de aprendizaje, identifican a los estudiantes con sus dificultades y logran personalizar las experiencias de aprendizaje. Su integración promete revolucionar la educación y fomentar el éxito de los estudiantes en la era digital. Líneas de investigación actuales en DaSCI: Portabilidad de modelos predictivos. En la minería de datos educativos, un reto clave es garantizar la portabilidad de los modelos predictivos a través de diferentes cursos. Actualmente, la excesiva dependencia de atributos de bajo nivel durante el entrenamiento limita la adaptabilidad de los modelos. Para abordar este problema, estamos desarrollando y utilizando acti...
Leer más

BIG DATA

  El crecimiento en el volumen de datos generados por diferentes sistemas y actividades cotidianas en la sociedad ha forjado la necesidad de modificar, optimizar y generar métodos y modelos de almacenamiento y tratamiento de datos que suplan las falencias que presentan las bases de datos y los sistemas de gestión de datos tradicionales. Respondiendo a esto aparece Big Data, término que incluye diferentes tecnologías asociadas a la administración de grandes volúmenes de datos provenientes de diferentes fuentes y que se generan con rapidez [1]. A pesar de que el término Big Data se asocia principalmente con cantidades de datos exorbitantes, se debe dejar de lado esta percepción, pues Big Data no va dirigido solo a gran tamaño, sino que abarca tanto volumen como variedad de datos y velocidad de acceso y procesamiento. En la actualidad se ha pasado de la transacción a la interacción, con el propósito de obtener el mejor provecho de la información que se genera minuto a minuto[2]. Con e...
Leer más

Proceso de la Minería de datos educativa

Imagen
  1. Extracción de datos: Consiste en la selección y recuperación de datos del entorno educativo, priorizando fuentes digitales como sistemas de información o entornos virtuales de aprendizaje. Los datos incluyen interacción, uso de sistemas, información de cursos, datos académicos, encuestas socioeconómicas y antecedentes escolares. 2. Preprocesamiento: Se limpian datos (eliminando datos redundantes, incorrectos o faltantes), se mezclan fuentes y se convierten valores para una gestión estandarizada y homogénea. Es crucial excluir atributos irrelevantes y el resultado es un conjunto de datos listo para el análisis. 3. Aplicación de métodos de MDE: Se seleccionan y aplican técnicas acordes a los objetivos, como clasificación/predicción para identificar riesgo académico. Se pueden seleccionar atributos relevantes y ajustar parámetros de algoritmos para refinar la precisión de los modelos. 4. Interpretación de resultados: Se muestran los patrones, relaciones o tendencias descubiertos ...
Leer más