Aceptación del M-learning: Un Análisis de Sentimientos basado en Minería de Texto

M-Learning Acceptance: A Feeling Analysis based on Text Mining

Contenido principal del artículo

Víctor Daniel Gil Vera
Catalina Quintero López

Resumen

El desarrollo vertiginoso de las tecnologías de la información y la comunicación (TIC) de la última década ha contribuido a la transformación del modelo tradicional de enseñanza aprendizaje, el cual se basa principalmente en clases magistrales presenciales. En la actualidad, se dispone de una gran cantidad de recursos educativos virtuales con contenido multimedia, sistemas tutoriales inteligentes (STI),
objetos virtuales de aprendizaje (OVA) y sistemas expertos (SE),
los cuales tienen la capacidad de imitar a los docentes humanos, tanto en sus habilidades pedagógicas como comunicativas. El objetivo de este artículo es presentar un análisis de sentimientos basado en minería de texto considerando la percepción de las personas sobre el m-learning. Para lograrlo, se analizaron
1.000 comentarios de la red social Twitter en el software para el análisis estadístico RCran 3.4.3. El 83 % de los comentarios fueron clasificados como sentimientos positivos, 2 % muy positivos, 3 % neutrales y 12 % negativos. Por ello, se concluye que es posible conocer y clasificar de manera masiva la percepción de las personas sobre una temática determinada mediante un análisis de sentimientos. Con base en lo anterior se identifica que la mayoría de sentimientos de la muestra considerada fueron positivos, lo que permite afirmar que el m-learning puede llegar a tener una mayor acogida en países de América Latina donde las instituciones de educación superior adoptan estrategias para que los estudiantes usen esta forma de aprendizaje.

Palabras clave:

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Referencias (VER)

Chaix, E., Deléger, L., Bossy, R., y Nédellec, C. (2018). Text-mining tools for extracting information about microbial biodiversity in food. Food Microbiology, (81),
63-75. doi:10.1016/j.fm.2018.04.011.

Cran.r-project (2019). Contributed Packages. Recuperado de https://cran.r-project.org/web/packages.

Crescente, M. L. y Lee, D. (2011). Critical issues of M-learning: Design models, adoption processes, and future trends. Journal of the Chinese Institute of Industrial Engineers, 28(2),
111-123.

García Cabot, A., De Marcos, L. y García López, E. (2015). An empirical study on m-learning adaptation: Learning performance and learning contexts. Computers & Education, (82),
450-459.

Gil, V. (2018). Análisis del aprendizaje: una revisión sistemática de literatura. Cuaderno Activa, 10(1),
15-26.

Lee, N., Kim, Y. y Sang, Y. (2017). How do journalists leverage Twitter? Expressive and consumptive use of Twitter. Social Science Journal, 54(2),
139-147.

Peng, H., Su, Y., Chou, C. y Tsai, C. (2009). Ubiquitous knowledge construction: Mobile learning re-defined and a conceptual framework. Innovations in Education and Teaching International, 46(2),
171-183.

Pu, H., Lin, J., Song, Y. y Liu, F. (2011). Adaptive device context based mobile learning systems. International Journal of Distance Education Technologies, 9(1),
44-56.

Rodríguez, R. (2017). Text Mining Applications. In Reference Module in Life Sciences [En línea] (pp. 15-17). Elsevier.

Sarrab, M. (2015). M-learning in Education: Omani Undergraduate Students Perspective. Procedia - Social and Behavioral Sciences, (176),
834-839.

Sharma, S., Sarrab, M. y Al-Shihi, H. (2017). Development and validation of Mobile Learning Acceptance Measure. Interactive Learning Environments, 25(7),
847-858.

Sucre, F. y Manning, A. (2016). The Potential of Mobile Learning in Latin America. [Artículo en blog]. Recuperado de https://www.thedialogue.org/blogs/2016/08/the-potential-of-mobilelearning-in-latin-america/ [Consultado el 23 de mayo de 2018].

Wang, W., Wang, H., y Song, Y. (2017). Ranking product aspects through sentiment analysis of online reviews. Journal of Experimental and Theoretical Artificial Intelligence, 29(2),
227-246.