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

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

Sumario:

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 s... Ver más

Guardado en:

Cuaderno activa

2027-8101

2619-5232

Gil Vera, Víctor Daniel

Quintero López, Catalina

TECNOLOGICO DE ANTIOQUIA INSTITUCION UNIVERSITARIA

10.53995/20278101.577

11

2019-08-07

45

50

Colombia

análisis de sentimientos, m-learning, América latina, educación, minería de texto.

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

info:eu-repo/semantics/openAccess

http://purl.org/coar/access_right/c_abf2

id metarevistapublica_tdea_cuadernoactiva_14_article_577
record_format ojs
spelling Aceptación del M-learning: Un Análisis de Sentimientos basado en Minería de Texto
M-Learning Acceptance: A Feeling Analysis based on Text Mining
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 analizaron1.000 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.
The rapid development of informationand communication technologies (ICT) in the lastdecade, has made it possible to transform thetraditional model of teaching and learning, which ismainly based on face to face classes. At present, alarge amount of virtual educational resources withmultimedia content; intelligent tutorials systems(ITS), virtual learning objects (VLO) and expert systems (ES), which have the ability to imitatehuman teachers, both in their pedagogical skillsas communication. The objective of this paper wasto present an analysis of feelings based on textmining, taking into account the perception thatpeople have about the M-learning. Were analyzed1000 comments of the social network Twitter inthe statistical software RCran 3.4.3. The 83 % ofthe comments were classified as positive feelings,2% very positive, 3% neutral and 12 % negative.This paper concludes that, thanks to the analysisof feelings it is possible to know and classify somassive people’s perception on a given subject.In this case made it possible to identify that themajority of feelings of the sample consideredwere positive, which allows us to affirm that theM-learning can have a greater acceptance in LatinAmerica countries if higher education institutionsadopt strategies for students to use this form oflearning.
Gil Vera, Víctor Daniel
Quintero López, Catalina
feeling analysis, m-learning, Latin America, education, text mining.
análisis de sentimientos, m-learning, América latina, educación, minería de texto.
11
1
Artículo de revista
Journal article
2019-08-07T00:00:00Z
2019-08-07T00:00:00Z
2019-08-07
application/pdf
text/xml
Tecnológico de Antioquia - Institución Universitaria
Cuaderno activa
2027-8101
2619-5232
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/577
10.53995/20278101.577
https://doi.org/10.53995/20278101.577
spa
https://creativecommons.org/licenses/by-nc-sa/4.0
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
45
50
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.
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/577/735
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/577/1109
info:eu-repo/semantics/article
http://purl.org/coar/resource_type/c_6501
http://purl.org/coar/resource_type/c_2df8fbb1
http://purl.org/redcol/resource_type/ART
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/version/c_970fb48d4fbd8a85
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
Text
Publication
institution TECNOLOGICO DE ANTIOQUIA INSTITUCION UNIVERSITARIA
thumbnail https://nuevo.metarevistas.org/TECNOLOGICODEANTIOQUIAINSTITUCIONUNIVERSITARIA/logo.png
country_str Colombia
collection Cuaderno activa
title Aceptación del M-learning: Un Análisis de Sentimientos basado en Minería de Texto
spellingShingle Aceptación del M-learning: Un Análisis de Sentimientos basado en Minería de Texto
Gil Vera, Víctor Daniel
Quintero López, Catalina
feeling analysis, m-learning, Latin America, education, text mining.
análisis de sentimientos, m-learning, América latina, educación, minería de texto.
title_short Aceptación del M-learning: Un Análisis de Sentimientos basado en Minería de Texto
title_full Aceptación del M-learning: Un Análisis de Sentimientos basado en Minería de Texto
title_fullStr Aceptación del M-learning: Un Análisis de Sentimientos basado en Minería de Texto
title_full_unstemmed Aceptación del M-learning: Un Análisis de Sentimientos basado en Minería de Texto
title_sort aceptación del m-learning: un análisis de sentimientos basado en minería de texto
title_eng M-Learning Acceptance: A Feeling Analysis based on Text Mining
description 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 analizaron1.000 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.
description_eng The rapid development of informationand communication technologies (ICT) in the lastdecade, has made it possible to transform thetraditional model of teaching and learning, which ismainly based on face to face classes. At present, alarge amount of virtual educational resources withmultimedia content; intelligent tutorials systems(ITS), virtual learning objects (VLO) and expert systems (ES), which have the ability to imitatehuman teachers, both in their pedagogical skillsas communication. The objective of this paper wasto present an analysis of feelings based on textmining, taking into account the perception thatpeople have about the M-learning. Were analyzed1000 comments of the social network Twitter inthe statistical software RCran 3.4.3. The 83 % ofthe comments were classified as positive feelings,2% very positive, 3% neutral and 12 % negative.This paper concludes that, thanks to the analysisof feelings it is possible to know and classify somassive people’s perception on a given subject.In this case made it possible to identify that themajority of feelings of the sample consideredwere positive, which allows us to affirm that theM-learning can have a greater acceptance in LatinAmerica countries if higher education institutionsadopt strategies for students to use this form oflearning.
author Gil Vera, Víctor Daniel
Quintero López, Catalina
author_facet Gil Vera, Víctor Daniel
Quintero López, Catalina
topic feeling analysis, m-learning, Latin America, education, text mining.
análisis de sentimientos, m-learning, América latina, educación, minería de texto.
topic_facet feeling analysis, m-learning, Latin America, education, text mining.
análisis de sentimientos, m-learning, América latina, educación, minería de texto.
topicspa_str_mv análisis de sentimientos, m-learning, América latina, educación, minería de texto.
citationvolume 11
citationissue 1
publisher Tecnológico de Antioquia - Institución Universitaria
ispartofjournal Cuaderno activa
source https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/577
language spa
format Article
rights https://creativecommons.org/licenses/by-nc-sa/4.0
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
references 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.
type_driver info:eu-repo/semantics/article
type_coar http://purl.org/coar/resource_type/c_6501
type_version info:eu-repo/semantics/publishedVersion
type_coarversion http://purl.org/coar/version/c_970fb48d4fbd8a85
type_content Text
publishDate 2019-08-07
date_accessioned 2019-08-07T00:00:00Z
date_available 2019-08-07T00:00:00Z
url https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/577
url_doi https://doi.org/10.53995/20278101.577
issn 2027-8101
eissn 2619-5232
doi 10.53995/20278101.577
citationstartpage 45
citationendpage 50
url2_str_mv https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/577/735
url4_str_mv https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/577/1109
_version_ 1811200383032229888

Código QR

Estadísticas y Métricas Alternativas

Títulos similares