Uso del deep learning para analizar
Facebook y Google classroom en el campo educativo
Use of deep learning to analyze Facebook and Google
classroom in the educational field
Dr. Ricardo Adán
Salas Rueda. Investigador. Instituto de Ciencias
Aplicadas y Tecnología, Universidad Nacional Autónoma de México. México.
Recibido:2022/11/02; Revisado:2022/11/07;
Aceptado:2023/03/27; Preprint:2023/04/13; Publicado:2023/05/01
Cómo citar este artículo:
Salas-Rueda, R. (2023). Uso del deep learning
para analizar Facebook y Google Classroom en el campo educativo [Use of deep
learning to analyze Facebook and Google classroom in the educational field]. Pixel-Bit. Revista de Medios y
Educación, 67,
87-122. https://doi.org/10.12795/pixelbit.96994
RESUMEN
Actualmente, las herramientas tecnológicas están
propiciado cambios sustanciales en el proceso de enseñanza-aprendizaje.
El objetivo de este estudio cuantitativo y cualitativo
es analizar las percepciones de los estudiantes sobre el uso de Facebook y
Google classroom por medio de los algoritmos deep learning y árbol de decisión.
Los participantes son 54 estudiantes (42 hombres y 12 mujeres) de la Facultad
de Ciencias en la Universidad Nacional Autónoma de México durante el ciclo
escolar 2022. En este estudio, los resultados del algoritmo deep learning
señalan que Facebook y Google classroom influyen positivamente la motivación y
participación en la educación a distancia. Asimismo, el algoritmo árbol de
decisión facilitó la identificación de las condiciones predictivas sobre el uso
de estas herramientas tecnológicas considerando las características de los
estudiantes. Las limitaciones son el tamaño de la muestra y las variables
dependientes. Por lo tanto, los futuros trabajos pueden analizar la
incorporación de Facebook y Google classroom en las secundarias, preparatorias
y universidades considerando los aspectos sobre el desarrollo de habilidades y
la asimilación del conocimiento. En conclusión, los profesores pueden utilizar
Facebook y Google classroom para favorecer la creación de nuevas actividades
escolares, promover la participación de los alumnos desde cualquier lugar y
motivar a los participantes durante el aprendizaje bajo la modalidad a
distancia.
ABSTRACT
Currently, technological tools
are promoting substantial changes in the teaching-learning process.The
aim of this quantitative and qualitative study is to analyze the students'
perceptions about the use of Facebook and Google classroom through the deep learning
and decision tree algorithms. The participants are 54 students (42 men and 12
women) from the Faculty of Sciences at the National Autonomous University of
Mexico during the 2022 school year. In this study, the results of the deep
learning algorithm indicate that Facebook and Google classroom positively
influence the motivation and participation in the distance education. Likewise,
the decision tree algorithm facilitated the identification of the predictive
conditions about the use of these technological tools considering the
characteristics of the students. The limitations are the sample size and
dependent variables. Therefore, future works can analyze the incorporation of
Facebook and Google classroom in the middle schools, high schools and universities
considering the aspects on the development of skills and assimilation of
knowledge. In conclusion, teachers can use Facebook and Google classroom to
encourage the creation of new school activities, promote the participation of
the students from anywhere and motivate the participants during the distance
learning.
PALABRAS CLAVES· KEYWORDS
TIC; tecnología educacional; enseñanza superior; redes
sociales; web
ICT; educational technology;
higher education; social networking; web
1. Introducción
Las instituciones educativas buscan nuevas
alternativas tecnológicas para actualizar las prácticas y actividades escolares
(Aidoo et al., 2022; Gray, 2022; Zhou et al., 2022). De hecho, los profesores
utilizan las redes sociales y plataformas en línea con el propósito de mejorar
el aprendizaje y la enseñanza desde cualquier lugar (Carnevale et al., 2021;
Kimmons et al., 2021; Lee et al., 2022). Por consiguiente, las universidades
han incrementado la planeación y realización de espacios virtuales educativos (Mailizar
et al., 2022; Shoaib et al., 2022; Torrado-Cespón & Díaz-Lage, 2022).
Las Tecnologías de la Información y Comunicación (TIC)
son utilizadas en las universidades, secundarias y preparatorias para mejorar
la interacción entre los alumnos y profesores durante el proceso educativo
(Boylu et al., 2022; Erlina et al., 2022; Zhou et al., 2022). Por ejemplo, las
redes sociales facilitan la comunicación y el debate de los temas escolares
(Altakhaineh & Al-Jallad, 2018; Nagovitsyn et al., 2021; Salinda-Premadasa
et al., 2019). De acuerdo con Jumaat et al. (2019), Facebook es una herramienta
tecnológica que facilita el aprendizaje de los contenidos escolares bajo la
modalidad presencial y virtual.
Las nuevas herramientas digitales están cambiando las
funciones y el rol de los participantes durante la ejecución de las actividades
escolares (Carnevale et al., 2021; Duzgun, 2022; Gray, 2022). En particular,
los sistemas de gestión de aprendizaje facilitan el acceso a la información de
los cursos, la interacción y la comunicación (Abuzant et al., 2021; Bervell et
al., 2022). Según Albashtawi y Al-Bataineh (2020), Google classroom es una
plataforma en línea que facilita la innovación en el campo educativo.
Los investigadores se apoyan en la Ciencia de datos
para analizar el uso de las herramientas tecnológicas en las actividades
escolares por medio de los algoritmos machine learning (Nehyba & Stefanik,
2023; Ni & Cheung, 2023; Roslan & Chen, 2023). Badal y Sungkur (2023)
mencionan que las técnicas del machine learning son el aprendizaje supervisado,
aprendizaje no supervisado y aprendizaje por reforzamiento. De hecho, la
Ciencia de datos facilita el descubrimiento de información con el propósito de
predecir los fenómenos educativos (Ni & Cheung, 2023; Roslan & Chen,
2023). Algunos algoritmos machine learning utilizados
en el campo educativo son la regresión lineal, el deep learning (aprendizaje
profundo), el árbol de decisión y las redes neuronales (Badal & Sungkur,
2023).
Actualmente, el algoritmo deep learning tiene un papel
fundamental en el proceso de enseñanza-aprendizaje debido a que éste permite
evaluar las hipótesis de investigación con mayor exactitud y realizar las
predicciones de los fenómenos educativos (Muniasamy & Alasiry, 2020;
Salas-Rueda et al., 2023). Con las predicciones de este algoritmo machine
learning, las plataformas LMS (Learning Management System) pueden ofrecer
contenidos personalizados a los usuarios (Muniasamy & Alasiry, 2020). Asimismo,
los investigadores pueden utilizar el deep learning para determinar la relación
entre el uso de las herramientas tecnológicas y el proceso educativo
(Salas-Rueda et al., 2023).
A través del algoritmo árbol de decisión, los
investigadores construyen modelos predictivos con la finalidad de descubrir las
relaciones entre las variables independiente y dependiente (Skrbinjek &
Dermol, 2019; Zheng & Na, 2021). De hecho, este algoritmo machine learning
permite identificar las condiciones predictivas sobre los fenómenos educativos
considerando el perfil de los maestros y estudiantes (Skrbinjek & Dermol,
2019; Roslan & Chen, 2023; Zheng & Na, 2021).
De acuerdo con Salinda-Premadasa et al. (2019) se ha
incrementado el interés sobre la incorporación de los avances tecnológicos en
el proceso de enseñanza-aprendizaje. El objetivo de este estudio cuantitativo y
cualitativo es analizar las percepciones de los estudiantes sobre el uso de
Facebook y Google classroom por medio de los algoritmos deep learning y árbol de
decisión. Por consiguiente, las preguntas de investigación son:
§ ¿Cómo influye el
uso de Facebook y Google classroom para la motivación y participación en la
educación a distancia considerando el algoritmo deep learning?
§ ¿Cuáles son los
modelos predictivos sobre Facebook y Google classroom considerando el algoritmo
árbol de decisión?
§ ¿Cuál es la
opinión de los estudiantes sobre el uso de Facebook y Google classroom en el
campo educativo?
2. Revisión de
literatura
2.1. Facebook
La incorporación de las redes sociales como Facebook
en el campo educativo provocó que los estudiantes se motivaran durante la
realización de las actividades escolares (Jumaat et al., 2019; Kimmons et al.,
2021; Nagovitsyn et al., 2021). De hecho, esta herramienta tecnológica mejoró la
comprensión de los temas escolares en los cursos de Inglés
(Altakhaineh & Al-Jallad, 2018; Jumaat et al., 2019), Educación (Nagovitsyn
et al., 2021) y Psicología (Yotyodying et al., 2022).
En el curso Inglés, el uso de
Facebook desarrolló las habilidades gramaticales y de comunicación, facilitó la
adquisición de nuevo vocabulario y fomentó el debate de los temas escolares por
medio del intercambio de ideas entre los alumnos y el educador (Altakhaineh
& Al-Jallad, 2018). Del mismo modo, esta red social facilitó el proceso de
aprendizaje sobre el idioma Inglés a través de la
difusión de fotos y publicación de los comentarios (Jumaat et al., 2019).
En el curso de Educación, los estudiantes utilizaron
Facebook para compartir fotos y videos, publicar las noticias relacionadas con
el curso, discutir de forma grupal y trabajar colaborativamente (Nagovitsyn et
al., 2021). Del mismo modo, los estudiantes de Psicología se comunicaron y
participaron por medio de esta red social (Yotyodying et al., 2022).
Por último, las redes sociales como Facebook promueven
el aprendizaje a distancia y desarrollo de habilidades a través del envío de
mensajes públicos y privados, la publicación de comentarios y la consulta de
los recursos multimedia (Altakhaineh & Al-Jallad, 2018; Jumaat et al.,
2019; Yotyodying et al., 2022).
2.2. Google classroom
Actualmente, las plataformas en línea están
transformado la enseñanza debido a que los estudiantes consultan los recursos
digitales desde cualquier lugar, interactúan con los docentes en cualquier
momento y participan activamente durante el proceso de aprendizaje (Abuzant et
al., 2021; Albashtawi & Al-Bataineh, 2020). De acuerdo con Gupta y Pathania
(2021), Google classroom es un medio tecnológico que permite resolver las dudas
de los estudiantes de forma individual y grupal.
En el curso Lengua Extranjera, la incorporación de
Google classroom en las actividades escolares permitió el desarrollo de las
habilidades sobre la escritura y lectura, facilitó la consulta de información y
mejoró el rendimiento académico (Albashtawi & Al-Bataineh, 2020). Asimismo,
los estudiantes de este curso mencionan que esta herramienta tecnológica ayudó
a la realización de las tareas en la modalidad a distancia y permitió la
revisión de los recursos multimedia desde los dispositivos móviles (Albashtawi
& Al-Bataineh, 2020).
En la modalidad blended learning, el uso de Google
classroom mejoró la calidad del aprendizaje en el curso de programación y
facilitó el desarrollo de habilidades digitales (Abuzant et al., 2021). De hecho,
los estudiantes utilizaron esta plataforma en línea para revisar las fechas de
entrega de las actividades por medio del calendario y enviar las tareas desde
el teléfono inteligente (Abuzant et al., 2021).
Por último, las plataformas en línea como Google
classroom son utilizadas en el campo educativo para la revisión de los
contenidos escolares, participación de los estudiantes, entrega de tareas,
consulta de los recursos multimedia y realización de actividades (Abuzant et
al., 2021; Albashtawi & Al-Bataineh, 2020; Gupta & Pathania, 2021).
2.3. Uso de la Ciencia de datos en el campo educativo
La Ciencia de datos utiliza los algoritmos machine
learning para identificar nueva información, predecir los fenómenos, evaluar
las hipótesis de estudio y clasificar la información (Jia & Pang, 2018;
Roslan & Chen, 2023; Shen et al., 2023). En particular, el algoritmo deep
learning permite conocer la relación entre las variables independiente y
dependientes para predecir los fenómenos con gran exactitud (Gong et al., 2023;
Shen et al., 2023). Por otro lado, el algoritmo árbol de decisión permite
observar gráficamente las condiciones que afectan el proceso de
enseñanza-aprendizaje (Roslan & Chen, 2023; Zheng & Na, 2021).
Por ejemplo, Salas-Rueda et al. (2023) emplearon el
deep learning para identificar las relaciones existentes entre la tecnología
(uso de Moodle y los teléfonos inteligentes) y el proceso educativo (motivación
de los alumnos, asimilación del conocimiento y satisfacción) en el curso
Física. En este estudio, Salas-Rueda et al. (2023) identifican los modelos más
significativos para predecir estos fenómenos educativos.
De acuerdo con Muniasamy y Alasiry (2020), el deep
learning puede ser utilizado para modificar el comportamiento de los
estudiantes durante la consulta de los contenidos escolares debido a que este
algoritmo del machine learning facilita la personalización del aprendizaje por
medio de la predicción de los eventos. Asimismo, el algoritmo deep learning fue
utilizado para predecir el rendimiento académico de los estudiantes durante la
realización de los foros de discusión en las plataformas LMS (Badal &
Sungkur, 2023).
Por otro lado, Roslan y Chen (2023) explican que el
algoritmo árbol de decisión puede ser utilizado para predecir el rendimiento
académico de los estudiantes que cursan las asignaturas de Matemáticas e Inglés por medio de los aspectos demográficos y
psicológicos. Del mismo modo, este algoritmo machine learning fue utilizado en
el curso Lengua Extranjera con la finalidad de predecir el rendimiento
académico de los estudiantes durante la realización de los exámenes en línea
(Zheng & Na, 2021). Por último, los algoritmos machine
learning tienen un papel primordial para comprender y predecir los fenómenos
educativos relacionados con la incorporación de las herramientas tecnológicas
en el proceso de enseñanza-aprendizaje (Gong et al., 2023; Shen et al., 2023).
3. Metodología
Los objetivos particulares de este estudio cualitativo
y cuantitativo son (1) analizar el uso de Facebook y Google Classroom para la
motivación y participación en la educación a distancia por medio del algoritmo
deep learning (2) crear los modelos predictivos sobre estas herramientas
tecnológicas considerando el algoritmo árbol de decisión y (3) analizar las
percepciones de los estudiantes sobre el uso de Facebook y Google classroom.
3.1. Participantes
Los participantes son 54 estudiantes (42 hombres y 12
mujeres) de la Facultad de Ciencias en la Universidad Nacional Autónoma de México
(UNAM) durante el ciclo escolar 2022. La edad promedio es 22,981 años.
3.2. Procedimiento
La Figura 1 muestra el modelo utilizado en esta
investigación para analizar el uso de Facebook y Google classroom en el campo
educativo.
Figura 1
Modelo utilizado en este estudio
Las hipótesis de este estudio sobre el uso de Facebook
en el campo educativo son:
§ Hipótesis 1 (H1):
Facebook influye positivamente la motivación en la educación a distancia.
§ Hipótesis 2 (H2):
Facebook influye positivamente la participación en la educación a distancia.
Las hipótesis de este estudio sobre el uso de Google
classroom en el campo educativo son:
§ Hipótesis 3 (H3):
Google classroom influye positivamente la motivación en la educación a
distancia.
§ Hipótesis 4 (H4):
Google classroom influye positivamente la participación en la educación a
distancia.
Por otro lado, el algoritmo de árbol de decisión
permite construir los siguientes modelos predictivos:
§ Modelo Predictivo
1 (MP1) sobre Facebook, la motivación en la educación a distancia y el perfil
del participante.
§ Modelo Predictivo
2 (MP2) sobre Facebook, la participación en la educación a distancia y el
perfil del participante.
§ Modelo Predictivo
3 (MP3) sobre Google classroom, la motivación en la educación a distancia y el
perfil del participante.
§ Modelo Predictivo
4 (MP4) sobre Google classroom, la participación en la educación a distancia y
el perfil del participante.
3.3. Recolección de datos
La recolección de datos se realizó en la Universidad
Nacional Autónoma de México, Facultad de Ciencias, durante el mes de Mayo del 2022. La Tabla 1 muestra el instrumento de
medición, el cual consta de 6 preguntas cerradas (2 preguntas sobre el perfil
del estudiante y 4 preguntas sobre el uso de la tecnología) y 2 preguntas
abiertas sobre el uso de Facebook y Google classroom. Asimismo, las variables
independientes son Facebook y Google classroom. Por último, las variables
dependientes de este estudio son la motivación y participación en la educación
a distancia.
La Tabla 2 muestra la validación del cuestionario
sobre el uso de Facebook y Google classroom. Para validar los elementos del
instrumento de medición es necesario que el valor del Composite Reliability sea
> 0.700 y el valor del Factor de carga (Load factor) sea > 0.500.
Tabla 1
Cuestionario sobre Facebook y Google classroom
|
No. |
Variables de estudio |
Dimensión |
Pregunta |
Respuesta |
n |
% |
|
1 |
Estudiante |
Edad |
1. ¿Cuál es tu edad? |
|
|
|
|
20 años |
2 |
3.70% |
||||
|
21 años |
4 |
7.41% |
||||
|
22 años |
10 |
18.52% |
||||
|
23 años |
15 |
27.78% |
||||
|
24 años |
23 |
42.59% |
||||
|
Sexo |
2. Indica tu sexo |
|
|
|
||
|
Hombre |
42 |
77.78% |
||||
|
Mujer |
12 |
22.22% |
||||
|
2 |
Uso de Facebook y Google
classroom |
Uso de Facebook |
3. Facebook facilita el
aprendizaje |
|
|
|
|
Mucho (1) |
21 |
38.89% |
||||
|
Bastante (2) |
12 |
22.22% |
||||
|
Poco (3) |
13 |
24.07% |
||||
|
Muy poco (4) |
8 |
14.81% |
||||
|
Uso de Google classroom |
4. Google classroom facilita
el aprendizaje |
|
|
|
||
|
Mucho (1) |
29 |
53.70% |
||||
|
Bastante (2) |
19 |
35.19% |
||||
|
Poco (3) |
6 |
11.11% |
||||
|
Muy poco (4) |
0 |
0.00% |
||||
|
Motivación |
5. La tecnología incrementa
la motivación en la educación a distancia |
|
|
|
||
|
Mucho (1) |
17 |
31.48% |
||||
|
Bastante (2) |
21 |
38.89% |
||||
|
Poco (3) |
16 |
29.63% |
||||
|
Muy poco (4) |
0 |
0.00% |
||||
|
Participación |
6. La tecnología incrementa
la participación en la educación a distancia |
|
|
|
||
|
Mucho (1) |
18 |
33.33% |
||||
|
Bastante (2) |
15 |
27.78% |
||||
|
Poco (3) |
16 |
29.63% |
||||
|
Muy poco (4) |
5 |
9.26% |
||||
|
3 |
Percepción de los alumnos |
Facebook |
7. ¿Cuál es tu opinión
sobre Facebook? |
Abierta |
- |
- |
|
Google classroom |
8. ¿Cuál es tu opinión
sobre Google classroom? |
Abierta |
- |
- |
Tabla 2
Validación del cuestionario sobre Facebook y Google
classroom
|
Variable |
Dimensión |
Factor de carga |
Average Variance Extracted |
Composite Reliability |
|
Uso de Facebook y Google
classroom |
Facebook |
0.589 |
0.464 |
0.769 |
|
Google classroom |
0.523 |
|||
|
Motivación |
0.677 |
|||
|
Participación |
0.883 |
3.4 Análisis de datos
Este estudio utilizó la herramienta RapidMiner para
calcular los algoritmos deep learning y árbol de decisión (Ver Figura 2).
Figura 2
Herramienta RapidMiner
En el algoritmo deep learning, el 50%, 60% y 70% de la
muestra (sección de entrenamiento) permite calcular las regresiones lineales.
Las variables independientes son el uso de Facebook y Google classroom.
Asimismo, las variables dependientes son la Motivación y Participación. Por
otro lado, el 50%, 40% y 30% de la muestra (sección de evaluación) identifica
la exactitud de las regresiones lineales.
El perfil del estudiante (sexo y edad) y las variables
sobre Facebook, Google classroom, Motivación y Participación son utilizadas
para construir los modelos predictivos por medio del algoritmo árbol de
decisión. Las variables de objetivo son la Motivación y Participación en la
educación a distancia.
4. Resultados
La tecnología incrementa mucho (n = 17, 31.48%),
bastante (n = 21, 38.89%) y poco (n= 16, 29.63%) la motivación en la educación
a distancia (Ver Tabla 1). Asimismo, la tecnología incrementa mucho (n = 18,
33.33%), bastante (n = 15, 27.78%), poco (n = 16, 29.63%) y muy poco (n = 5,
9.26%) la participación en la educación a distancia. Por otro lado, la Tabla 3
muestra los resultados del algoritmo deep learning.
Tabla 3
Algoritmo deep learning
|
Entrenamiento |
Capas
ocultas |
Activación |
Ciclos |
Regresión
lineal |
Conclusión |
Valor
de p |
Error
al cuadrado |
|
|
H1 |
50% |
50, 50 |
Tanh |
10 |
y =
0.1588x + 2.0602 |
Aceptada:
0.1588 |
0.0000 |
0.7796 |
|
60% |
y =
0.0767x + 2.0001 |
Aceptada:
0.0767 |
0.0000 |
0.6593 |
||||
|
70% |
y =
0.0527x + 1.8774 |
Aceptada:
0.0527 |
0.0000 |
0.5490 |
||||
|
H2 |
50% |
50, 50 |
Tanh |
10 |
y =
0.0515x + 2.0102 |
Aceptada:
0.0515 |
0.0000 |
1.1815 |
|
60% |
y =
0.0924x + 1.9603 |
Aceptada:
0.0924 |
0.0000 |
1.0342 |
||||
|
70% |
y =
0.0387x + 1.9383 |
Aceptada:
0.0387 |
0.0000 |
1.1403 |
||||
|
H3 |
50% |
50, 50 |
Tanh |
10 |
y =
0.0879x + 1.8422 |
Aceptada:
0.0879 |
0.0000 |
0.5898 |
|
60% |
y =
0.0706x + 1.8666 |
Aceptada:
0.0706 |
0.0000 |
0.5791 |
||||
|
70% |
y =
0.0333x + 2.0289 |
Aceptada:
0.0333 |
0.0000 |
0.5715 |
||||
|
H4 |
50% |
50, 50 |
Tanh |
10 |
y =
0.9058x + 0.5269 |
Aceptada:
0.9058 |
0.0000 |
1.2588 |
|
60% |
y =
0.7498x + 0.8525 |
Aceptada:
0.7498 |
0.0000 |
1.0060 |
||||
|
70% |
y =
0.6485x + 0.9766 |
Aceptada:
0.6485 |
0.0000 |
1.0201 |
4.1. Facebook
La Tabla 1 indica que Facebook facilita mucho (n = 21,
38.89%), bastante (n = 12, 22.22%), poco (n = 13, 24.07%) y muy poco (n = 8,
14.81%) el aprendizaje. Asimismo, los valores del deep learning con el 50%
(0.1588), 60% (0.0767) y 70 % (0.0527) de la muestra señalan que la H1 es
aceptada. Por lo tanto, Facebook influye positivamente la motivación en la
educación a distancia. La Figura 3 muestra el MP1. Por ejemplo, si el
participante considera que Facebook facilita mucho el aprendizaje y tiene una
edad > 22.5 años entonces la tecnología incrementa mucho la motivación en la
educación a distancia.
Figura 3
MP1 sobre el uso de Facebook
Este modelo predictivo presenta 8 condiciones
predictivas donde la edad determina 6 condiciones y el sexo determina 2
condiciones. Por ejemplo, si el participante considera que Facebook facilita
poco el aprendizaje y es hombre entonces la tecnología incrementa poco la
motivación en la educación a distancia.
Los valores del deep learning con el 50% (0.0515), 60%
(0.0924) y 70 % (0.0387) señalan que la H2 es aceptada. Por lo tanto, Facebook
influye positivamente la participación en la educación a distancia. La Figura 4
muestra el MP2. Por ejemplo, si el participante considera que Facebook facilita
mucho el aprendizaje y tiene una edad ≤ 22.5 años entonces la tecnología
incrementa mucho la participación en la educación a distancia.
Figura 4
MP2 sobre el uso de Facebook
Este modelo predictivo presenta 8 condiciones predictivas
donde la edad determina 8 condiciones. Por ejemplo, si el participante
considera que Facebook facilita bastante el aprendizaje y tiene una edad >
22.5 años entonces la tecnología incrementa mucho la participación en la
educación a distancia.
De acuerdo con los estudiantes de la Facultad de
Ciencias, Facebook facilitó la comunicación entre los participantes del proceso
educativo.
“Facilita la comunicación con el grupo” (Estudiante 9,
24 años, hombre).
“Facilita la comunicación entre los compañeros”
(Estudiante 16, 22 años, hombre).
En la Universidad Nacional Autónoma de México,
Facebook mejoró las condiciones para la enseñanza y el aprendizaje.
“Es bueno. Estudias sin darte cuenta” (Estudiante 10,
24 años, hombre).
“Fomenta un mayor aprendizaje” (Estudiante 2, 23 años,
hombre).
Asimismo, Facebook es un medio tecnológico que los
estudiantes utilizan para resolver sus dudas durante el proceso educativo.
“También ayuda a aclarar dudas que tengan los alumnos
a menor tiempo de respuesta” (Estudiante 14, 23 años, hombre).
“Pueden apoyar bastante a la comunicación de los
alumnos, profesores y ayudantes” (Estudiante 29, 23 años, hombre).
La Figura 5 muestra que las palabras con mayor
frecuencia son comunicación (n = 14), redes (n = 12), sociales (n = 10), alumnos
(n = 8), aplicaciones (n = 8), compañeros (n = 8) y aprendizaje (n = 6).
Figura 5
Nube de palabras sobre Facebook
4.2. Google classsroom
Google classroom facilita mucho (n = 29, 53.70%),
bastante (n = 19, 35.19%) y poco (n = 6, 11.11%) el aprendizaje (Ver Tabla 1).
Los valores del deep learning con el 50% (0.0879), 60% (0.0706) y 70% (0.0333)
señalan que la H3 es aceptada. Por lo tanto, Google classroom influye
positivamente la motivación en la educación a distancia.
La Figura 6 muestra el MP3. Por ejemplo, si el
participante considera que Google classroom facilita mucho el aprendizaje y
tiene una edad > 23.5 años entonces la tecnología incrementa bastante la
motivación en la educación a distancia.
Figura 6
MP3 sobre el uso de Google classroom
Este modelo predictivo presenta 7 condiciones
predictivas donde la edad determina 7 condiciones. Por ejemplo, si el
participante considera que Google classroom facilita bastante el aprendizaje y
tiene una edad ≤ 22.5 años entonces la tecnología incrementa bastante la
motivación en la educación a distancia.
Los valores del deep learning con el 50% (0.9058), 60%
(0.7498) y 70% (0.6485) señalan que la H4 es aceptada. Por lo tanto, Google classroom
influye positivamente la participación en la educación a distancia.
La Figura 7 muestra el MP4. Por ejemplo, si el
participante considera que Google classroom facilita mucho el aprendizaje y
tiene una edad > 23.5 años entonces la tecnología incrementa mucho la
participación en la educación a distancia.
Figura 7
MP4 sobre el uso de Google classroom
Este modelo predictivo presenta 8 condiciones
predictivas donde la edad determina 8 condiciones. Por ejemplo, si el
participante considera que Google classroom facilita poco el aprendizaje y
tiene una edad > 22.5 años entonces la tecnología incrementa poco la
participación en la educación a distancia.
De acuerdo con los estudiantes de la Facultad de
Ciencias, Google classroom facilitó la entrega de actividades y tareas desde
cualquier lugar.
“Se usa para subir tareas” (Estudiante 4, 24 años,
hombre).
“Facilita la entrega de trabajos, proyectos y tareas,
además de que se puede subir material educativo” (Estudiante 6, 22 años,
hombre).
Asimismo, los estudiantes utilizaron Google classroom
para consultar las calificaciones de las actividades en cualquier momento y
conocer las fechas de realización de los exámenes en línea.
“Es útil para llevar un seguimiento de calificaciones”
(Estudiante 5, 23 años, hombre).
“Tengo un mayor control de las entregas y fechas de
exámenes, lo cual me facilita a organizar mis responsabilidades académicas y
personales” (Estudiante 7, 24 años, hombre).
En la Universidad Nacional Autónoma de México, Google
classroom facilitó la comunicación entre los participantes del proceso de
enseñanza-aprendizaje.
“Es de gran ayuda para la comunicación a distancia”
(Estudiante 3, 23 años, hombre).
“Es más fácil estar en contacto con los profesores”
(Estudiante 15, 24 años, mujer).
Por último, los estudiantes utilizaron Google
classroom para repasar los temas escolares desde cualquier lugar.
“Es una buena herramienta para tener un control de los
temas vistos y repasarlos cuando sea necesario” (Estudiante 2, 23 años,
hombre).
“Me agrada porque puedes tener la información
almacenada, bien estructurada, y también te permiten administrar las
calificaciones” (Estudiante 28, 24 años, hombre).
La Figura 8 muestra que las palabras con mayor
frecuencia son tareas (n =12), entrega (n = 8), información (n = 8), subir (n =
8), ayuda (n = 6), comunicación (n = 6), control (n = 6) y estudiante (n = 6).
Figura 8
Nube de palabras sobre Google classroom
5. Discusión
Las herramientas tecnológicas permiten innovar el
campo educativo a través de la realización de actividades y prácticas desde
cualquier lugar (Courtney et al., 2022; Deane & Clunie, 2021; Quesnelle
& Montemayor, 2020; Vachkova et al., 2022). Nagovitsyn et al. (2021) y
Abuzant et al. (2021) explican que los avances tecnológicos como Facebook y
Google classroom favorecen el aprendizaje debido a los estudiantes intercambian
las ideas y consultan los recursos multimedia en cualquier momento. En este
estudio, el 70.37% de los participantes piensa que la tecnología incrementa
mucho y bastante la motivación en la educación a distancia. Del mismo modo, el
61.11% de los estudiantes considera que la tecnología incrementa mucho y
bastante la participación en la educación a distancia. Por lo tanto, los alumnos y las alumnas tienen una opinión favorable sobre
estos aspectos.
5.1. Facebook
Las redes sociales como Facebook facilitan el
intercambio de información escolar entre el educador y los alumnos (Alshalawi,
2022; Deane & Clunie, 2021; Quesnelle & Montemayor, 2020). Según
Altakhaineh y Al-Jallad (2018), la incoporación de Facebook en el curso Inglés facilitó la adquisición de nuevo vocabulario y
desarrolló las habilidades gramaticales de los alumnos. De acuerdo con el 61.11%
de los estudiantes, Facebook facilita mucho y bastante el aprendizaje. Por lo
tanto, la mayoría de los participantes tienen una postura favorable sobre este
criterio.
Como lo mencionan Kimmons et al. (2021) y Nagovitsyn
et al. (2021), Facebook favorece la creación de nuevos espacios donde el alumno
está motivado durante el proceso educativo. De acuerdo con los estudiantes de
la Facultad de Ciencias, Facebook facilitó la comunicación entre los
participantes del proceso educativo. Los valores del deep learning sobre la H1
indican que Facebook influye positivamente la motivación en la educación a
distancia. De hecho, la función lineal más significativa para predecir estos
fenómenos educativos es y = 0.0527x + 1.8774 debido a que ésta tiene el error
al cuadrado más pequeño con 0.5490.
En el MP1, el algoritmo árbol de decisión indica que
el sexo y la edad de los participantes determinan la relación de Facebook y la
tecnología para la motivación en la educación a distancia. Por ejemplo, si el
participante considera que Facebook facilita mucho el aprendizaje y tiene una
edad > 22.5 años entonces la tecnología incrementa mucho la motivación en la
educación a distancia.
Jumaat et al. (2019) señalan que Facebook es una
herramienta innovadora para el campo educativo debido a que los educadores
comparten los contenidos y recursos multimedia desde cualquier lugar. En la
Universidad Nacional Autónoma de México, Facebook mejoró las condiciones para
la enseñanza y el aprendizaje. Los valores del deep learning sobre la H2
indican que Facebook influye positivamente la participación en la educación a
distancia. De hecho, la función lineal más significativa para predecir estos
fenómenos educativos es y = 0.0924x + 1.9603 debido a que ésta tiene el error
al cuadrado más pequeño con 1.0342.
En el MP2, el algoritmo árbol de decisión indica que
la edad de los participantes determina la relación de Facebook y la tecnología
para la participación en la educación a distancia. Por ejemplo, si el
participante considera que Facebook facilita mucho el aprendizaje y tiene una
edad ≤ 22.5 años entonces la tecnología incrementa mucho la participación
en la educación a distancia.
Nagovitsyn et al. (2021) señalan que Facebook es
utilizado en el campo educativo para compartir los recursos, fomentar el
debate, promover el rol activo de los alumnos y facilitar el trabajo
colaborativo en las modalidades presenciales y remota. Por último, Facebook es
un medio tecnológico que los estudiantes utilizan para resolver las dudas y
comunicarse con los educadores desde cualquier lugar.
5.2. Google classsroom
Los Sistema de gestión de aprendizaje permiten la
comunicación entre los participantes del proceso educativo en las modalidades
presencial y virtual (Francom et al., 2021; Saidu & Al-Mamun, 2022). Incluso,
Google classroom es un medio tecnológico que facilita la resolución de dudas
(Gupta & Pathania, 2021). De acuerdo con el 88.89% de los alumnos, Google
classroom facilita mucho y bastante el aprendizaje. Por lo tanto, los
estudiantes tienen una postura favorable.
Como lo señalan Albashtawi y Al-Bataineh (2020), los
profesores usan Google classroom para crear nuevos espacios virtuales que
motivan a los estudiantes durante el proceso del aprendizaje a través de la
consulta de los materiales educativos en los dispositivos móviles. De acuerdo
con los estudiantes de la Facultad de Ciencias, Google classroom facilitó la
entrega de actividades y tareas desde cualquier lugar. Los valores del deep
learning sobre la H3 señalan que Google classroom influye positivamente la
motivación en la educación a distancia. De hecho, la función lineal más
significativa para predecir estos fenómenos educativos es y = 0.0333x + 2.0289
debido a que ésta tiene el error al cuadrado más pequeño con 0.5715.
En el MP3, el algoritmo árbol de decisión indica que
la edad de los participantes determina la relación de Google classroom y la
tecnología para la motivación en la educación a distancia. Por ejemplo, si el
participante considera que Google classroom facilita mucho el aprendizaje y tiene
una edad > 23.5 años entonces la tecnología incrementa bastante la
motivación en la educación a distancia.
Diversos autores (p. ej., Abuzant et al., 2021;
Albashtawi & Al-Bataineh, 2020; Gupta & Pathania, 2021) explican que
Google classroom es una herramienta educativa ideal para fomentar la
participación por medio la consulta de materiales educativos y realización de
las actividades escolares desde cualquier momento. En la Universidad Nacional
Autónoma de México, Google classroom facilitó la comunicación durante el
proceso de enseñanza-aprendizaje. Los valores del deep learning sobre la H4
señalan que Google classroom influye positivamente la participación en la
educación a distancia. De hecho, la función lineal más significativa para
predecir estos fenómenos educativos es y = 0.7498x + 0.8525 debido a que ésta
tiene el error al cuadrado más pequeño con 1.0060.
En el MP4, el algoritmo árbol de decisión indica que
la edad de los participantes determina la relación de Google classroom y la
tecnología para la participación en la educación a distancia. Por ejemplo, si
el participante considera que Google classroom facilita mucho el aprendizaje y
tiene una edad > 23.5 años entonces la tecnología incrementa mucho la
participación en la educación a distancia.
Albashtawi y Al-Bataineh (2020) explican que los
beneficios de Google classroom en el campo educativo son el desarrollo de
habilidades, el rol activo de los alumnos, la revisión de la información y el
incremento del rendimiento académico. Por último, los estudiantes de la UNAM
utilizaron Google classroom para consultar las calificaciones de las
actividades en cualquier momento y conocer las fechas de realización de los
exámenes en línea.
6. Conclusión
Las herramientas tecnológicas apoyan a los educadores
durante la reorganización de las actividades para mejorar el proceso de
enseñanza-aprendizaje. En este estudio, los resultados del algoritmo deep
learning señalan que Facebook y Google classroom influyen positivamente la
motivación y participación en la educación a distancia. Asimismo, el algoritmo
árbol de decisión facilitó la identificación de las condiciones predictivas
sobre el uso de estas herramientas tecnológicas considerando las
características de los estudiantes.
Las limitaciones son el tamaño de la muestra y las
variables dependientes de esta investigación. Por lo tanto, los futuros
trabajos pueden analizar la incorporación de Facebook y Google classroom en las
secundarias, preparatorias y universidades considerando los aspectos sobre el
desarrollo de habilidades y la asimilación del conocimiento.
La Ciencia de datos y los algoritmos machine learning
permiten descubrir información valiosa para comprender los fenómenos
educativos. En particular, los educadores usan el algoritmo deep learning para
conocer cómo influye los avances tecnológicos en el campo educativo. Del mismo
modo, el algoritmo árbol de decisión establece las condiciones predictivas
considerando el perfil de los participantes.
De hecho, estos algoritmos del machine learning son
utilizados para predecir el uso de la tecnología en el proceso educativo. En
este estudio, el algoritmo deep learning determinó las funciones lineales más
significativas para predecir los eventos relacionados con Facebook y Google
classroom, es decir, la función y = 0.0527x + 1.8774 para la hipótesis 1, la
función y = 0.0924x + 1.9603 para la hipótesis 2, la función y = 0.0333x +
2.0289 para la hipótesis 3 y la función y = 0.7498x + 0.8525 para la hipótesis
4. En el algoritmo árbol de decisión, las variables de objetivo sobre la
motivación y participación en la educación a distancia permitieron la
construcción de diversos modelos predictivos a través del sexo y la edad.
Asimismo, este estudio recomienda que las instituciones
educativas promuevan el uso de Facebook y Google classroom con la finalidad de
innovar las prácticas y actividades escolares. Del mismo modo, esta
investigación recomienda analizar las hipótesis por medio del algoritmo deep
learning con el propósito de evaluar con mayor exactitud los fenómenos
educativos.
En conclusión, los profesores pueden utilizar Facebook
y Google classroom para favorecer la creación de nuevas actividades escolares,
promover la participación de los alumnos desde cualquier lugar y motivar a los
participantes durante el aprendizaje bajo la modalidad a distancia.
Agradecimientos
Trabajo realizado con el apoyo del Programa
UNAM-DGAPA-PAPIME (PE400323). Se agradece a la Dra. Selene Marisol Martínez
Ramírez por el apoyo durante la realización de este estudio.
Use of deep learning to analyze Facebook and Google
classroom in the educational field
1. Introduction
Educational institutions seek new
technological alternatives to update the school practices and activities (Aidoo
et al., 2022; Gray, 2022; Zhou et al., 2022). In fact, teachers use social
networks and online platforms with the purpose of improving the learning and
teaching from anywhere (Carnevale et al., 2021; Kimmons et al., 2021; Lee et
al., 2022). Consequently, universities have increased the planning and
implementation of virtual educational spaces (Mailizar et al., 2022; Shoaib et
al., 2022; Torrado-Cespón & Díaz-Lage, 2022).
Information and Communication
Technologies (ICT) are used in the universities, middle schools and high
schools to improve the interaction between the students and teachers during the
educational process (Boylu et al., 2022; Erlina et al., 2022; Zhou et al., 2022).
For example, social networks facilitate the communication and discussion of the
school topics (Altakhaineh & Al-Jallad, 2018; Nagovitsyn et al., 2021;
Salinda-Premadasa et al., 2019). According to Jumaat et al. (2019), Facebook is
a technological tool that facilitates the learning of the school content in the
face-to-face and virtual modalities.
The new digital tools are
changing the functions and role of the participants during the execution of the
school activities (Carnevale et al., 2021; Duzgun, 2022; Gray, 2022). Learning
Management Systems facilitate the access to the course information,
interaction, and communication (Abuzant et al., 2021; Bervell et al., 2022).
According to Albashtawi and Al-Bataineh (2020), Google classroom is an online
platform that facilitates the innovation in the educational field.
Researchers rely on Data
science to analyze the use of technological tools in the school activities
through the machine learning algorithms (Nehyba & Stefanik, 2023; Ni &
Cheung, 2023; Roslan & Chen, 2023). Badal and Sungkur (2023) mention that
the machine learning techniques are supervised learning, unsupervised learning,
and reinforcement learning. In fact, Data science facilitates the discovery of
information for the purpose of predicting educational phenomena (Ni &
Cheung, 2023; Roslan & Chen, 2023). Some machine learning algorithms used
in the educational field are linear regression, deep learning, decision tree
and neural networks (Badal & Sungkur, 2023).
Currently, the deep learning
algorithm plays a fundamental role in the teaching-learning process because it
allows evaluating the research hypotheses with greater accuracy and making the
predictions of educational phenomena (Muniasamy & Alasiry, 2020;
Salas-Rueda et al., 2023). With the predictions of this machine learning
algorithm, Learning Management System can offer the personalized content to the
users (Muniasamy & Alasiry, 2020). Likewise, researchers can use the deep
learning to determine the relationship between the use of technological tools
and educational process (Salas-Rueda et al., 2023).
Through the decision tree
algorithm, researchers build the predictive models to discover the
relationships between the independent and dependent variables (Skrbinjek &
Dermol, 2019; Zheng & Na, 2021). In fact, this machine learning algorithm
allows the identification of the predictive conditions on educational phenomena
considering the profile of the teachers and students (Skrbinjek & Dermol,
2019; Roslan & Chen, 2023; Zheng & Na, 2021).
According to Salinda-Premadasa
et al. (2019), teachers have increased their interest about the incorporation
of technological advances in the teaching-learning process. The aim of this
quantitative and qualitative study is to analyze the students' perceptions about
the use of Facebook and Google classroom through the deep learning and decision
tree algorithms. Therefore, the research questions are:
§ How does the use of Facebook and Google classroom influence the
motivation and participation in the distance education considering the deep
learning algorithm?
§ What are the predictive models on Facebook and Google classroom
considering the decision tree algorithm?
§ What is the opinion of the students about the use of Facebook and Google
classroom in the educational field?
2. Literature review
2.1. Facebook
The incorporation of social
networks such as Facebook in the educational field caused that students were
motivated during the realization of the school activities (Jumaat et al., 2019;
Kimmons et al., 2021; Nagovitsyn et al., 2021). In fact, this technological
tool improved the understanding of the school topics in the courses of English
(Altakhaineh & Al-Jallad, 2018; Jumaat et al., 2019), Education (Nagovitsyn
et al., 2021) and Psychology (Yotyodying et al., 2022).
In the English course, the use
of Facebook developed the grammar and communication skills, facilitated the
acquisition of new vocabulary, and encouraged the discussion of the school
topics through the exchange of ideas between the students and educator (Altakhaineh
& Al-Jallad, 2018). In the same way, this social network facilitated the
learning process about the English language through the dissemination of photos
and publication of the comments (Jumaat et al., 2019).
In the Education course, the
students used Facebook to share the photos and videos, display the news,
discuss the information, and work collaboratively (Nagovitsyn et al., 2021).
Similarly, the students of Psychology communicated and participated through
this social network (Yotyodying et al., 2022).
Lastly, social networks such
as Facebook promote the distance learning and development of the skills by
sending the public and private messages, posting the comments, and consulting
the multimedia resources (Altakhaineh & Al-Jallad, 2018; Jumaat et al., 2019;
Yotyodying et al., 2022).
2.2. Google classroom
Currently, online platforms
are transforming the teaching because students consult the digital resources
from anywhere, interact with teachers at any time and actively participate
during the educational process (Abuzant et al., 2021; Albashtawi & Al-
Bataineh, 2020). According to Gupta and Pathania (2021), Google classroom is a
technological means that allows resolving the doubts of the students
individually and collaboratively.
In the Foreign Language
course, the incorporation of Google classroom in the school activities allowed
the development of writing and reading skills, facilitated the consultation of
the information and improved the academic performance (Albashtawi & Al-Bataineh,
2020). Likewise, the students mention that this technological tool helped to
carry out the tasks in the distance modality and allowed the review of the
multimedia resources in the mobile devices (Albashtawi & Al-Bataineh,
2020).
In the blended learning
modality, the use of Google classroom improved the quality of the learning in
the Programming course and facilitated the development of the digital skills
(Abuzant et al., 2021). In fact, the students used this online platform to
check the due dates of the activities through the calendar and submit the tasks
from the smartphone (Abuzant et al., 2021).
Finally, online platforms such
as Google classroom are used in the educational field for the review of the
school content, participation of the students, sending the homework,
consultation of the multimedia resources and realization of the activities
(Abuzant et al. al., 2021; Albashtawi & Al-Bataineh, 2020; Gupta &
Pathania, 2021).
2.3. Use of Data science in
the educational field
Data science uses the machine
learning algorithms to identify new information, predict the phenomena, test
the study hypotheses, and classify the information (Jia & Pang, 2018;
Roslan & Chen, 2023; Shen et al., 2023). In particular, the deep learning
algorithm allows knowing the relationship between the independent and dependent
variables to predict the phenomena with great accuracy (Gong et al., 2023; Shen
et al., 2023). On the other hand, the decision tree algorithm allows to
graphically observe the conditions that affect the teaching-learning process
(Roslan & Chen, 2023; Zheng & Na, 2021).
For example, Salas-Rueda et
al. (2023) used the deep learning to identify the
relationships between technology (use of Moodle and smartphones) and the
educational process (motivation, knowledge assimilation and satisfaction) in
the Physics course. In this study, Salas-Rueda et al. (2023) identify the most
significant models to predict these educational phenomena.
According to Muniasamy and
Alasiry (2020), the deep learning can be used to modify the behavior of the
students during the consultation of the school content because this machine
learning algorithm facilitates the personalization of the learning through the
prediction of the events. Likewise, the deep learning algorithm was used to predict
the academic performance of the students during the realization of the
discussion forums on the LMS platforms (Badal & Sungkur, 2023).
On the other hand, Roslan and
Chen (2023) explain that the decision tree algorithm can be used to predict the
academic performance of the students, who took the Mathematics and English
courses, through demographic and psychological aspects. Similarly, this machine
learning algorithm was used in the Foreign Language course to predict the
academic performance during the realization of the online exams (Zheng &
Na, 2021). Lastly, the machine learning algorithms play a key role to
understand and predict the educational phenomena related to the incorporation
of technological tools in the teaching-learning process (Gong et al., 2023;
Shen et al., 2023).
3. Methodology
The particular aims of this
qualitative and quantitative study are (1) analyze the use of Facebook and
Google Classroom for the motivation and participation in the distance education
through the deep learning algorithm (2) create the predictive models on these
technological tools considering the decision tree algorithm and (3) analyze the
students' perceptions about the use of Facebook and Google classroom.
3.1. Participants
The participants are 54
students (42 men and 12 women) from the Faculty of Sciences at the National
Autonomous University of Mexico (NAUM) during the 2022 school year. The average
age is 22.981 years.
3.2. Procedure
Figure 1 shows the model used
in this research to analyze the incorporation of Facebook and Google classroom
in the educational field.
Figure 1
Model used in this study
The hypotheses of this study on
the use of Facebook in the educational field are:
§ Hypothesis 1 (H1): Facebook positively influences the motivation in the
distance education.
§ Hypothesis 2 (H2): Facebook positively influences the participation in
the distance education.
The hypotheses of this study
on the use of Google classroom in the educational field are:
§ Hypothesis 3 (H3): Google classroom positively influences the motivation
in the distance education.
§ Hypothesis 4 (H4): Google classroom positively influences the
participation in the distance education.´
On the other hand, the
decision tree algorithm allows building the following predictive models:
§ Predictive Model 1 (PM1) on Facebook, motivation in the distance
education and participant's profile.
§ Predictive Model 2 (PM2) on Facebook, participation in the distance
education and participant's profile.
§ Predictive Model 3 (PM3) on Google classroom, motivation in the distance
education and participant's profile.
§ Predictive Model 4 (PM4) on Google classroom, participation in the
distance education and participant's profile.
3.3. Data collection
Data collection was carried
out at the National Autonomous University of Mexico, Faculty of Sciences,
during the month of May 2022. Table 1 shows the measurement instrument, which
consists of 6 closed questions (2 questions about the profile of the students
and 4 questions about the use of technology) and 2 open questions about
Facebook and Google classroom. Likewise, the independent variables are Facebook
and Google classroom. Finally, the dependent variables of this study are
motivation and participation in the distance education.
Table 2 shows the validation
of the questionnaire on the use of Facebook and Google classroom. To validate
the elements of the measurement instrument, it is necessary that the value of
the Composite Reliability is > 0.700 and value of the Load Factor is >
0.500.
Table 1
Questionnaire
about Facebook and Google classroom
|
No. |
Study variables |
Dimension |
Question |
Answer |
n |
% |
|
1 |
Student |
Age |
1. What is your age? |
|
|
|
|
20 years |
2 |
3.70% |
||||
|
21 years |
4 |
7.41% |
||||
|
22 years |
10 |
18.52% |
||||
|
23 years |
15 |
27.78% |
||||
|
24 years |
23 |
42.59% |
||||
|
Sex |
2. Indicate your sex |
|
|
|
||
|
Man |
42 |
77.78% |
||||
|
Woman |
12 |
22.22% |
||||
|
2 |
Use of Facebook and Google
classroom |
Use of Facebook |
3. Facebook facilitates the learning |
|
|
|
|
Very much (1) |
21 |
38.89% |
||||
|
Much (2) |
12 |
22.22% |
||||
|
Little (3) |
13 |
24.07% |
||||
|
Very little (4) |
8 |
14.81% |
||||
|
Use of Google classroom |
4. Google classroom facilitates the learning |
|
|
|
||
|
Very much (1) |
29 |
53.70% |
||||
|
Much (2) |
19 |
35.19% |
||||
|
Little (3) |
6 |
11.11% |
||||
|
Very little (4) |
0 |
0.00% |
||||
|
Motivation |
5. Technology increases the motivation in the
distance education |
|
|
|
||
|
Very much (1) |
17 |
31.48% |
||||
|
Much (2) |
21 |
38.89% |
||||
|
Little (3) |
16 |
29.63% |
||||
|
Very little (4) |
0 |
0.00% |
||||
|
Participation |
6. Technology increases the participation in the
distance education |
|
|
|
||
|
Very much (1) |
18 |
33.33% |
||||
|
Much (2) |
15 |
27.78% |
||||
|
Little (3) |
16 |
29.63% |
||||
|
Very little (4) |
5 |
9.26% |
||||
|
3 |
Perception of the students |
Facebook |
7. What is your opinion about Facebook? |
Open |
- |
- |
|
Google classroom |
8. What is your opinion about Google classroom? |
Open |
- |
- |
Table 2
Validation of the questionnaire on Facebook and Google classroom
|
Variable |
Dimension |
Load
Factor |
Average
Variance Extracted |
Composite
Reliability |
|
Use of
Facebook and Google classroom |
Facebook |
0.589 |
0.464 |
0.769 |
|
Google
classroom |
0.523 |
|||
|
Motivation |
0.677 |
|||
|
Participation |
0.883 |
3.4 Data analysis
This study used the RapidMiner
tool to calculate the deep learning and decision tree algorithms (See Figure
2).
Figure 2
RapidMiner Tool
In the deep learning
algorithm, 50%, 60% and 70% of the sample (training section) allows to
calculate the linear regressions. The independent variables are the use of
Facebook and Google classroom. Likewise, the dependent variables are Motivation
and Participation. On the other hand, 50%, 40% and 30% of the sample
(evaluation section) identify the accuracy of the linear regressions.
The student's profile (sex and
age) and the variables about Facebook, Google classroom, Motivation and
Participation are used to build the predictive models through the decision tree
algorithm. The objective variables are Motivation and Participation in the
distance education.
4. Results
Technology increases very much
(n = 17, 31.48%), much (n = 21, 38.89%) and little (n= 16, 29.63%) the
motivation in the distance education (See Table 1). Likewise, technology
increases very much (n = 18, 33.33%), much (n = 15, 27.78%), little (n = 16, 29.63%)
and very little (n = 5, 9.26%) the participation in the distance education. On
the other hand, Table 3 shows the results of the deep learning algorithm.
Table 3
Deep learning algorithm
|
Hypothesis |
Training |
Hidden layers |
Activation |
Cycles |
Linear regression |
Conclusion |
p-value |
Error squared |
|
H1 |
50% |
50, 50 |
Tanh |
10 |
y = 0.1588x + 2.0602 |
Accepted: 0.1588 |
0.0000 |
0.7796 |
|
60% |
y = 0.0767x + 2.0001 |
Accepted: 0.0767 |
0.0000 |
0.6593 |
||||
|
70% |
y = 0.0527x + 1.8774 |
Accepted: 0.0527 |
0.0000 |
0.5490 |
||||
|
H2 |
50% |
50, 50 |
Tanh |
10 |
y = 0.0515x + 2.0102 |
Accepted: 0.0515 |
0.0000 |
1.1815 |
|
60% |
y = 0.0924x + 1.9603 |
Accepted: 0.0924 |
0.0000 |
1.0342 |
||||
|
70% |
y = 0.0387x + 1.9383 |
Accepted: 0.0387 |
0.0000 |
1.1403 |
||||
|
H3 |
50% |
50, 50 |
Tanh |
10 |
y = 0.0879x + 1.8422 |
Accepted: 0.0879 |
0.0000 |
0.5898 |
|
60% |
y = 0.0706x + 1.8666 |
Accepted: 0.0706 |
0.0000 |
0.5791 |
||||
|
70% |
y = 0.0333x + 2.0289 |
Accepted: 0.0333 |
0.0000 |
0.5715 |
||||
|
H4 |
50% |
50, 50 |
Tanh |
10 |
y = 0.9058x + 0.5269 |
Accepted: 0.9058 |
0.0000 |
1.2588 |
|
60% |
y = 0.7498x + 0.8525 |
Accepted: 0.7498 |
0.0000 |
1.0060 |
||||
|
70% |
y = 0.6485x + 0.9766 |
Accepted: 0.6485 |
0.0000 |
1.0201 |
4.1. Facebook
Table 1 indicates that
Facebook facilitates very much (n = 21, 38.89%),
much (n = 12, 22.22%), little (n = 13, 24.07%) and little (n = 8, 14.81%) the
learning. Likewise, the values of deep learning with 50%
(0.1588), 60% (0.0767) and 70% (0.0527) of the sample indicate that H1 is
accepted. Therefore, Facebook positively influences the motivation in the
distance education. Figure 3 shows the PM1. For example, if the participant
considers that Facebook facilitates very much the learning and has an age >
22.5 years then technology increases very much
the motivation in the distance education.
Figure 3
PM1 on the use of Facebook
This predictive model presents
8 conditions where the age determines 6 conditions and sex determines 2
conditions. For example, if the participant considers that Facebook facilitates
little the learning and is a man then technology increases little
the motivation in the distance education.
The deep learning values with
50% (0.0515), 60% (0.0924) and 70% (0.0387) of the sample indicate that H2 is
accepted. Therefore, Facebook positively influences the participation in the
distance education. Figure 4 shows the PM2. For example, if the participant
considers that Facebook facilitates very much the learning and has an age ≤
22.5 years then technology increases very much
the participation in the distance education.
Figure 4
PM2 about the use of Facebook
This predictive model presents
8 conditions where the age determines 8 conditions. For example, if the participant
considers that Facebook facilitates much the learning and has an age > 22.5
years then technology increases very much
the participation in the distance education.
According to the students of
the Faculty of Sciences, Facebook facilitated the communication between the
participants in the educational process.
"It facilitates the
communication with the group" (Student 9, 24 years, man).
"It facilitates the
communication between the classmates" (Student 16, 22 years, man).
At the National Autonomous
University of Mexico, Facebook improved the conditions for the teaching and
learning.
"It's good. I study by using it” (Student 10, 24 years, man).
"It encourages greater
the learning" (Student 2, 23 years, man).
Likewise, Facebook is a
technological medium that students use to solve their doubts during the
educational process.
"It also helps to clarify
the doubts that we have with a shorter response time" (Student 14, 23
years, man).
"It can greatly support
the communication of the students, teachers and assistants" (Student 29,
23 years, man).
Figure 5 shows that the words
with the highest frequency are communication (n = 14), networks (n = 12),
social (n = 10), students (n = 8), applications (n = 8),
colleagues (n = 8) and learning (n = 6).
Figure 5
Word cloud about Facebook
4.2.
Google classsroom
Google
classroom facilitates very much (n = 29, 53.70%), much (n = 19, 35.19%)
and little (n = 6, 11.11%) the learning (See Table 1). The deep learning values
with 50% (0.0879), 60% (0.0706) and 70% (0.0333) of the sample indicate that H3
is accepted. Therefore, Google classroom positively influences the
motivation in the distance education.
Figure
6 shows the PM3. For example, if the participant considers that Google
classroom facilitates very much the learning and has an age ≤ 22.5 years
then technology increases little the motivation in
the distance education.
Figure 6
PM3 about the use of Google classroom
This
predictive model presents 7 conditions where the age determines 7 conditions.
For example, if the participant considers that Google classroom facilitates
much the learning and has an age ≤ 22.5 years then technology
increases much the motivation in the distance education.
The
deep learning values with 50% (0.9058), 60% (0.7498) and 70%
(0.6485) of the sample indicate that H4 is accepted. Therefore, Google
classroom facilitates the learning. Figure 7 shows the PM4. For example, if the
participant considers that Google classroom facilitates very much the learning
and has an age > 23.5 years then technology increases very much the
participation in the distance education.
Figure 7
PM4 about the use of Google classroom
This
predictive model presents 8 conditions where the age determines 8 conditions.
For example, if the participant considers that Google classroom facilitates
little the learning and has an age > 22.5 years then technology
increases little the participation in the distance education.
According
to the students of the Faculty of Sciences, Google classroom improved the
delivery of the activities and tasks from anywhere.
"It
is used to upload the tasks" (Student 4, 24 years, man).
"It
facilitates the delivery of work, projects and tasks. In addition, I can be
uploaded the educational material " (Student 6, 22 years, man).
Likewise,
the students used Google classroom to consult the grades of the activities at
any time and know the dates of the online exams.
“It
is useful to keep the track of the grades” (Student 5, 23 years, man).
“I
have the control of the exam, deliveries and dates which helps me to organize
my academic and personal responsibilities” (Student 7, 24 years, man).
At
the National Autonomous University of Mexico, Google classroom facilitated the
communication between the participants of the teaching-learning process.
"It
helps to carry out the distance communication" (Student 3, 23 years, man).
"It's
easier to be in contact with the teachers" (Student 15, 24 years, woman).
Lastly,
the students used Google classroom to review the school topics from anywhere.
"It
is a good tool to keep the track of the topics seen and review them when it is
necessary" (Student 2, 23 years, man).
"I
like it because I can have the information stored and well structured. Also, It allows me to manage the grades" (Student 28, 24
years, man).
Figure
8 shows that the words with the highest frequency are tasks (n = 12), delivery
(n = 8), information (n = 8), upload (n = 8), help (n = 6), communication (n =
6), control (n = 6) and student (n = 6).
Figure 8
Word cloud about Google classroom
5. Discussion
Technological
tools allow the innovation in the educational field by carrying out the
activities and practices from anywhere (Courtney et al., 2022; Deane &
Clunie, 2021; Quesnelle & Montemayor, 2020; Vachkova et al., 2022).
Nagovitsyn et al. (2021) and Abuzant et al. (2021) explain that technological
advances such as Facebook and Google classroom favor the learning because
students exchange the ideas and consult the multimedia resources at any time.
In this study, 70.37% of the participants think that technology increases very
much and much the motivation in the distance education. In the same way, 61.11%
of the students consider that technology increases very much and much the
participation in the distance education. Therefore, these students have a
favorable opinion.
5.1.
Facebook
Social
networks such as Facebook facilitate the exchange of the school information
between the educator and students (Alshalawi, 2022; Deane & Clunie, 2021;
Quesnelle & Montemayor, 2020). According to Altakhaineh and Al-Jallad
(2018), the incorporation of Facebook in the English course facilitated the
acquisition of new vocabulary and developed the grammatical skills of the
students. According to 61.11% of the students, Facebook facilitates very much and much the learning. Therefore, most of the
participants have a favorable position on this criterion.
As
mentioned by Kimmons et al. (2021) and Nagovitsyn et al. (2021), Facebook
favors the creation of new spaces where the student is motivated during the
educational process. According to the students of the Faculty of Sciences,
Facebook facilitated the communication between the participants of the
educational process. The deep learning values on H1 indicate that
Facebook positively influences the motivation in the distance education. In
fact, the most significant linear function for predicting these educational
phenomena is y = 0.0527x + 1.8774 because it has the smallest squared error at
0.5490.
In
the PM1, the decision tree algorithm indicates that the sex and age of the
participants determine the relationship between Facebook and technology for
motivation in the distance education. For example, if the participant considers that
Facebook facilitates very much the learning and has an age > 22.5 years then
technology increases very much the motivation in the distance education.
Jumaat
et al. (2019) point out that Facebook is an innovative tool for the educational
field because educators share the content and multimedia resources from
anywhere. At the National Autonomous University of Mexico, Facebook improved
the conditions for teaching and learning. The deep learning values on
H2 indicate that Facebook positively influences the participation in the
distance education. In fact, the most significant linear function for
predicting these educational phenomena is y = 0.0924x + 1.9603 because it has
the smallest squared error at 1.0342.
In the
PM2, the decision tree algorithm indicates that the age of the participants
determines the relationship of Facebook and technology for participation in the
distance education. For example, if the participant considers that Facebook
facilitates very much the learning and has an age ≤ 22.5 years then technology
increases very much the participation in the distance education.
Nagovitsyn
et al. (2021) point out that Facebook is used in the educational field to share
the resources, encourage the debate, promote the active role of the students,
and facilitate the collaborative work in the face-to-face and remote
modalities. Finally, Facebook is a technological medium that students use to
answer the questions and communicate with educators from anywhere.
5.2.
Google classsroom
Learning
management systems allow the communication between the participants of the
educational process in the face-to-face and virtual modalities (Francom et al.,
2021; Saidu & Al-Mamun, 2022). Even, Google classroom is a technological
means that facilitates the resolution of the doubts (Gupta & Pathania,
2021). According to 88.89% of the students, Google classroom facilitates very much and much the learning. Therefore, these students
have a favorable position.
As
Albashtawi and Al-Bataineh (2020) point out, teachers use Google classroom to
create new virtual spaces that motivate the students during the learning
process by consulting the educational materials on mobile devices. According to
the students of the Faculty of Sciences, Google classroom facilitated the
delivery of the activities and tasks from anywhere. The values of
deep learning on H3 indicate that Google classroom positively influences the
motivation in the distance education. In fact, the most significant linear
function for predicting these educational phenomena is y = 0.0333x + 2.0289
because it has the smallest squared error at 0.5715.
In
the PM3, the decision tree algorithm indicates that the age of the participants
determines the relationship of Google classroom and technology for motivation
in the distance education. For example, if the participant considers that
Google classroom facilitates very much the learning and has an age ≤ 22.5
years then technology increases little the motivation in
the distance education.
Various
authors (e.g., Abuzant et al., 2021; Albashtawi & Al-Bataineh, 2020; Gupta
& Pathania, 2021) explain that Google classroom is an ideal educational
tool to encourage the participation through the consultation of the educational
materials and school activities at any time. At the National Autonomous
University of Mexico, Google classroom facilitated the communication during the
teaching-learning process. The deep learning values on H4
indicate that Google classroom positively influences the participation in the
distance education. In fact, the most significant linear function for
predicting these educational phenomena is y = 0.7498x + 0.8525 because it has
the smallest squared error at 1.0060.
In
the PM4, the decision tree algorithm indicates that the age of the participants
determines the relationship of Google classroom and technology for
participation in the distance learning. For example, if the participant
considers that Google classroom facilitates very much the learning and has an
age > 23.5 years then technology increases very much the
participation in the distance education.
Albashtawi
and Al-Bataineh (2020) explain that the benefits of Google classroom in the
educational field are the development of skills, active role of the students,
review of the information and increase of the academic performance. Finally,
the students used Google classroom to consult the grades of the activities at
any time and find out the dates of the online exams.
6. Conclusion
Technological
tools support educators during the reorganization of the activities to improve
the teaching-learning process. In this study, the results of the deep learning
algorithm indicate that Facebook and Google classroom positively influence the
motivation and participation in the distance education. Likewise, the decision
tree algorithm facilitated the identification of the predictive conditions on
the use of these technological tools considering the characteristics of the
students.
The
limitations are the sample size and dependent variables of this research.
Therefore, future works can analyze the incorporation of Facebook and Google
classroom in the middle schools, high schools and universities considering the
aspects about the development of skills and assimilation of knowledge.
Data
science and machine learning algorithms allow the discovery of valuable
information to understand the educational phenomena. Educators use the deep
learning algorithm to find out how technological advances influence the
educational field. In the same way, the decision tree algorithm establishes the
predictive conditions considering the profile of the participants.
In
fact, these machine learning algorithms are used to predict the use of
technology in the educational process. In this study, the deep learning
algorithm determined the most significant linear functions to predict the
events related to Facebook and Google classroom, that is, the function y =
0.0527x + 1.8774 for hypothesis 1, the function y = 0.0924x + 1.9603 for
hypothesis 2, the function y = 0.0333x + 2.0289 for hypothesis 3 and the
function y = 0.7498x + 0.8525 for hypothesis 4. In the decision tree algorithm,
the objective variables on motivation and participation in the education a
distance allowed the construction of various predictive models through the sex
and age.
Likewise,
this study recommends that educational institutions promote the use of Facebook
and Google classroom to innovate the school practices and activities. In the
same way, this research recommends analyzing the hypotheses through the deep
learning algorithm to evaluate the educational phenomena more accurately.
In
conclusion, teachers can use Facebook and Google classroom to encourage the
creation of new school activities, promote the participation of the students
from anywhere and motivate the participants during the distance learning.
Acknowledgment
This
work was supported by UNAM-DGAPA-PAPIME(PE400323). Also, thanks to PhD
Selene Marisol Martínez Ramírez for her support during the conduct of this
study.
References
Abuzant, M., Ghanem, M., Abd-Rabo, A., & Daher, W.
(2021). Quality of Using Google Classroom to Support the Learning Processes in
the Automation and Programming Course. International
Journal of Emerging Technologies in Learning, 16(6), 72-87. https://doi.org/10.3991/ijet.v16i06.18847
Aidoo, B., Vesterinen, V. M.,
Macdonald, M. A., Gísladóttir, B., & Pétursdóttir, S. (2022). Perceptions
of Ghanaian Student Teachers on Benefits and Challenges of the Flipped
Classroom: A Case Study. Contemporary
Educational Technology, 14(4),
ep377. https://doi.org/10.30935/cedtech/12163
Albashtawi, A. H., &
Al-Bataineh, K. B. (2020). The Effectiveness of Google Classroom Among EFL
Students in Jordan: An Innovative Teaching and Learning Online Platform. International Journal of Emerging
Technologies in Learning, 15(11),
78-88. https://doi.org/10.3991/ijet.v15i11.12865
Alshalawi, A. S. (2022). The
Influence of Social Media Networks on Learning Performance and Students’
Perceptions of Their Use in Education: A Literature Review. Contemporary Educational Technology, 14(4), ep378. https://doi.org/10.30935/cedtech/12164
Altakhaineh, A. R. M., &
Al-Jallad, M. Z. (2018). The Use of Twitter and Facebook in Teaching Mechanics
of Writing to Arabic-Speaking EFL Learners. International
Journal of Emerging Technologies in Learning, 13(9), 4-14. https://doi.org/10.3991/ijet.v13i09.8457
Badal, Y. T., & Sungkur,
R. K. (2023). Predictive modelling and analytics of students’ grades using
machine learning algorithms. Education and Information Technologies, 28,
3027-3057. https://doi.org/10.1007/s10639-022-11299-8
Bervell, B., Umar, I. N.,
Masood, M., Kumar, J. A., Armah, J. K., & Somuah, B. A. (2022). Promoting
Voluntary Use Behavior of Learning Management Systems Among Tutors for Blended
Learning in Distance Higher Education. Contemporary
Educational Technology, 14(4),
ep379. https://doi.org/10.30935/cedtech/12193
Boylu, E., Isik, P. &
Isik, O. F. (2022). Covid-19 pandemic and emergency distance turkish teaching. Turkish Online Journal of Distance Education,
23(4), 212-234. https://doi.org/10.17718/tojde.1182784
Carnevale,
S., Di Napoli, I., Esposito, F., & Arcidiacono, C. (2021). Drawingvoice 2.0: classroom joint designing and
Facebook interactions to develop reflexivity and awareness. Educational Technology Research and
Development, 69, 2939-2962. https://doi.org/10.1007/s11423-021-10042-3
Courtney, S. A., Miller, M. E.
S., & Gisondo, M. J. (2022). The Impact of COVID-19 on Teachers’
Integration of Digital Technology. Contemporary
Educational Technology, 14(4),
ep387. https://doi.org/10.30935/cedtech/12420
Deane, J. A., & Clunie, G.
(2021). Healthcare professionals in research (HPiR) Facebook community: a
survey of U.K. doctoral and postdoctoral healthcare professionals outside of
medicine. BMC Medical Education, 21, 236. https://doi.org/10.1186/s12909-021-02672-1
Duzgun, S. (2022). Exploring
teachers’ views on emotion transfer in virtual classrooms during emergency
remote teaching. Turkish Online Journal
of Distance Education, 23(4),
1-19. https://doi.org/10.17718/tojde.1182741
Erlina, N., Prayekti, P. &
Wicaksono, I. (2022). Atomic physics teaching materials in blended learning to
improve self-directed learning skills in distance education. Turkish Online Journal of Distance Education,
23(4), 20-38. https://doi.org/10.17718/tojde.1182747
Francom, G. M., Schwan, A.,
& Nuatomue, J. N. (2021). Comparing Google Classroom and D2L Brightspace
Using the Technology Acceptance Model. TechTrends,
65, 111-119. https://doi.org/10.1007/s11528-020-00533-0
Gong, D., Yang, H.H., &
Wu, D. (2023). Relationships between Teaching Presence, Connected Classroom
Climate, and Deep Learning within the Rotational Synchronous Teaching Model. Education
and Information Technologies, 28, 1715-1733. https://doi.org/10.1007/s10639-022-11207-0
Gray, C. M. (2022). Building
an Ethnographic Toolbox: Engaging Analog and Digital Tools in Virtual and
Physical Spaces. TechTrends 66, 56-67. https://doi.org/10.1007/s11528-021-00680-y
Gupta, A., & Pathania, P.
(2021). To study the impact of Google Classroom as a platform of learning and
collaboration at the teacher education level. Education and Information Technologies, 26, 843-857. https://doi.org/10.1007/s10639-020-10294-1
Jia, S., & Pang, Y.
(2018). Teaching Quality Evaluation and Scheme Prediction Model Based on
Improved Decision Tree Algorithm. International Journal of Emerging
Technologies in Learning, 13(10), 146-157. https://doi.org/10.3991/ijet.v13i10.9460
Jumaat, N. F., Ahmad, N.,
Samah, N. A., Ashari, Z. M., Ali, D. F., & Abdullah, A. H. (2019). Facebook
as a Platform of Social Interactions for Meaningful Learning. International Journal of Emerging
Technologies in Learning, 14(4),
151-159. https://doi.org/10.3991/ijet.v14i04.9363
Kimmons, R., Rosenberg, J.,
& Allman, B. (2021). Trends in Educational Technology: What Facebook,
Twitter, and Scopus Can Tell us about Current Research and Practice. TechTrends, 65, 125-136. https://doi.org/10.1007/s11528-021-00589-6
Lee, A. R., Baıley, D.,
& Almusharraf, N. (2022). South korean university students’ views of online
learning during the covid-19 pandemic. Turkish
Online Journal of Distance Education, 23(4),
39-52. https://doi.org/10.17718/tojde.1182753
Mailizar,
M., Umam, K., & Elisa, E. (2022). The
Impact of Digital Literacy and Social Presence on Teachers’ Acceptance of
Online Professional Development. Contemporary
Educational Technology, 14(4),
ep384. https://doi.org/10.30935/cedtech/12329
Muniasamy, A., & Alasiry,
A. (2020). Deep Learning: The Impact on Future eLearning. International
Journal of Emerging Technologies in Learning, 15(1), 188-199. https://doi.org/10.3991/ijet.v15i01.11435
Nagovitsyn, R. S., Valeeva, R.
A., Osipov, A. Y., Kudryavtsev, M. D., & Zakharova, L. V. (2021).
Upbringing of Student Teachers in Extracurricular Activities in the Context of
Distance Learning. International Journal
of Emerging Technologies in Learning, 16(8),
61-76. https://doi.org/10.3991/ijet.v16i08.19103
Nehyba, J., & Stefanik, M.
(2023). Applications of deep language models for reflective writings. Education
and Information Technologies, 28, 2961-2999. https://doi.org/10.1007/s10639-022-11254-7
Ni, A., & Cheung, A.
(2023). Understanding secondary students’ continuance intention to adopt
AI-powered intelligent tutoring system for English learning. Education and
Information Technologies, 28, 3191-3216. https://doi.org/10.1007/s10639-022-11305-z
Quesnelle, K. M., &
Montemayor, J. R. (2020). A Multi-Institutional Study Demonstrating
Undergraduate Medical Student Engagement with Question-Type Facebook Posts. Medical Science Educator, 30, 111-115. https://doi.org/10.1007/s40670-019-00910-2
Roslan, M.H.B., & Chen, C.
J. (2023). Predicting students’ performance in English and Mathematics using
data mining techniques. Education and Information Technologies, 28,
1427-1453. https://doi.org/10.1007/s10639-022-11259-2
Saidu, M. K., & Al-Mamun,
M. A. (2022). Exploring the Factors Affecting Behavioural Intention to Use
Google Classroom: University Teachers’ Perspectives in Bangladesh and Nigeria. TechTrends, 66,
681-696. https://doi.org/10.1007/s11528-022-00704-1
Salas-Rueda,
R. A., Ramírez-Ortega, J., Martínez-Ramírez, S. M., & Alvarado-Zamorano, C.
(2023). Uso de los algoritmos Machine Learning para analizar Moodle y los
teléfonos inteligentes en el proceso educativo de la Física. Texto Livre,
16, e41293. https://doi.org/10.35699/1983-3652.2023.41293
Salinda-Premadasa,
H. K., Kapila-Tharanga, R. M., Waruni-Thiranagama, A., & Niroshan Walpita,
C. (2019). Remodeling the educational
usage of Facebook in smart-mobile age. Education
and Information Technologies, 24,
41-61. https://doi.org/10.1007/s10639-018-9759-6
Shen, G., Yang, S., &
Huang, Z. (2023). The prediction of programming performance using student
profiles. Education and Information Technologies, 28, 725-740. https://doi.org/10.1007/s10639-022-11146-w
Shoaib, M., Sayed, N., Amara,
N., Latif, A., Azam, S., & Muhammad, S. (2022). Prediction of an
educational institute learning environment using machine learning and data
mining. Education and Information
Technologies, 27, 9099-9123. https://doi.org/10.1007/s10639-022-10970-4
Skrbinjek, V., & Dermol,
V. (2019). Predicting students’ satisfaction using a decision tree. Tertiary
Education and Management, 25, 101-113. https://doi.org/10.1007/s11233-018-09018-5
Torrado-Cespón, M., &
Díaz-Lage, J. M. (2022). Gamification, Online Learning and Motivation: A
Quantitative and Qualitative Analysis in Higher Education. Contemporary Educational Technology, 14(4), ep381. https://doi.org/10.30935/cedtech/12297
Vachkova, S. N., Petryaeva, E.
Y., Tsyrenova, M. G., Shukshina, L. V., Krasheninnikova, N. A., & Leontev,
M. G. (2022). Competitive Higher Education Teacher for the Digital World. Contemporary Educational Technology, 14(4), ep391. https://doi.org/10.30935/cedtech/12553
Yotyodying, S., Dettmers, S.,
Erdal, K., & Jonkmann, K. (2022). Educational usage of Facebook and
academic achievement in distance university students: Mediated by basic needs
satisfaction. Education and Information
Technologies, 27, 4905-4924. https://doi.org/10.1007/s10639-021-10804-9
Zheng, Z., & Na, K. S.
(2021). A Data-Driven Emotion Model for English Learners Based on Machine
Learning. International Journal of Emerging Technologies in Learning, 16(8),
34-46. https://doi.org/10.3991/ijet.v16i08.22127
Zhou, M., Dzingirai, C., Hove,
K., Chitata, T, & Mugandani, R. (2022). Adoption, use and enhancement of
virtual learning during COVID-19. Education
and Information Technologies, 27,
8939-8959. https://doi.org/10.1007/s10639-022-10985-x