Análisis de preguntas abiertas en la evaluación del desempeño docente utilizando Minería de Texto en R y Chat GPT
DOI:
https://doi.org/10.17268/scien.inge.2025.03.03Palabras clave:
Minería de Texto, chat GPT, Desempeño docente, Preguntas abiertas, Análisis automatizado de textoResumen
Este estudio analiza comparativamente las aplicaciones de Minería de Texto en R y el modelo de lenguaje ChatGPT para el procesamiento de respuestas abiertas en evaluaciones del desempeño docente en la Universidad Nacional (UNA) de Costa Rica. Se emplearon datos simulados basados en evaluaciones históricas del estudiantado, garantizando la confidencialidad. El análisis en R incluyó técnicas de tokenización, frecuencia de términos, asociación de palabras y análisis de sentimientos, mientras que ChatGPT se utilizó para la interpretación semántica, la generación de resúmenes y la categorización automática de fortalezas y áreas de mejora. Los resultados evidencian que R ofrece precisión estadística y capacidad para explorar patrones textuales, mientras que ChatGPT destaca por su flexibilidad interpretativa y su potencial para automatizar la generación de reportes analíticos. La correlación alta entre ambos enfoques en la detección de emociones y temas clave demuestra la complementariedad de sus resultados. Se concluye que la integración de herramientas de minería de texto y modelos de lenguaje puede optimizar el análisis cualitativo en contextos educativos, promoviendo procesos de evaluación más objetivos, eficientes y basados en evidencia. Este enfoque ofrece un marco replicable para fortalecer la gestión académica y la mejora continua de la docencia universitaria.
Citas
A Fuller, K., Morbitzer, K. A., Zeeman, J. M., M Persky, A., C Savage, A., & McLaughlin, J. E. (2024). Explor-ing the use of ChatGPT to analyze student course evaluation comments. BMC Medical Education, 24(1), 423. https://doi.org/10.1186/s12909-024-05316-2
Buenano-Fernandez, D., Gonzalez, M., Gil, D., & Lujan-Mora, S. (2020). Text mining of open-ended ques-tions in self-assessment of university teachers: An LDA topic modeling approach. IEEE Access: Practical Innovations, Open Solutions, 8, 35318–35330. https://doi.org/10.1109/access.2020.2974983
Caballero, J. & Enciso, J. E. (2022). Minería de texto aplicado en preguntas abiertas sobre evaluación docen-te: Enfoque de modelado de tópicos con LDA. Recuperado de: http://hdl.handle.net/10554/63615
Dang, S., & Ahmad, P. H. (2014). Text mining: Techniques and its application. International Journal of En-gineering & Technology Innovation, 1(4), 22–25.
Gómez, L. F., & Valdés, M. G. (2019). La evaluación del desempeño docente en la educación superior. Propósitos y Representaciones, 7(2), 479–515.
Hotho, A., Nürnberger, A., & Paaß, G. (2005). A brief survey of text mining. Journal of Language Technolo-gy and Computational Linguistics, 20(1), 19–62.
Liu, B. (2010). Sentiment analysis: A multi-faceted problem. IEEE Intelligent Systems, 25(3), 76–80.
Liu, B. (2022). Sentiment analysis and opinion mining. Springer Nature.
Li, L., Ma, Z., Fan, L., Lee, S., Yu, H., & Hemphill, L. (2024). ChatGPT in education: a discourse analysis of worries and concerns on social media. Education and Information Technologies, 29(9), 10729–10762. https://doi.org/10.1007/s10639-023-12256-9
Mamo, Y., Crompton, H., Burke, D., & Nickel, C. (2024). Higher education faculty perceptions of ChatGPT and the influencing factors: A sentiment analysis of X. TechTrends : For Leaders in Education & Train-ing, 68(3), 520–534. https://doi.org/10.1007/s11528-024-00954-1
Martínez, S., & García, J. (2017). Aproximación al concepto de desempeño docente, una revisión conceptu-al sobre su delimitación. Congreso Nacional de Investigación Educativa. http://www.comie.org.mx/congreso/memoriaelectronica/v14/doc/2657.pdf
Meléndez, N., Briceño, M., Giberton, J., & Lucente, R. (2023). MINERÍA DE TEXTO APLICADO AL ANÁLISIS DE SENTIMIENTOS PARA LA BÚSQUEDA DE PATRONES DE MOTIVACIÓN EN PRO-GRAMA DE ACTUALIZACIÓN DOCENTE. Revista Académica Creatividad e Innovación En Edu-cación, 2(1), 32–40. https://doi.org/10.47300/2953-3015-v2i1-03
Montenegro-Rueda, M., Fernández-Cerero, J., Fernández-Batanero, J. M., & López-Meneses, E. (2023). Im-pact of the implementation of ChatGPT in education: A systematic review. Computers, 12(8), 153.
Montoya, J., Arbesú, I., Contreras, G., & Conzuelo, S. (2014). Evaluación de la docencia universitaria en México, Chile y Colombia: Análisis de experiencias. Revista Iberoamericana de Evaluación Educativa, 7(2e), 15–42. https://revistas.uam.es/riee/article/view/3111
Ngai, E. W., & Lee, P. T. Y. (2016). A review of the literature on applications of text mining in policy making.
Pacheco, M. L. C., Ibarra, I., Iñiguez, M. E., Lee, H., & Sánchez, C. V. (2018). La evaluación del desempeño docente en la educación superior. Revista Digital Universitaria (RDU), 19(6), 1–11. https://doi.org/10.22201/codeic.16076079e.2018.v19n6.a2
Peña-Torres, J. A. (2024). Towards an improved of teaching practice using Sentiment Analysis in Student Evaluation. Ingeniería y Competitividad, 26(2). https://doi.org/10.25100/iyc.v26i2.13759
Radford, A., Narasimhan, K., Salimans, T., & Sutskever, I. (2018). Improving language understanding by generative pre-training. https://www.mikecaptain.com/resources/pdf/GPT-1.pdf
Rodriguez Siu, J. L., Rodríguez Salazar, R. E., & Fuerte Montaño, L. (2021). Habilidades blandas y el des-empeño docente en el nivel superior de la educación. Propósitos y Representaciones, 9(1).
Wang, Z., Xie, Q., Feng, Y., Ding, Z., Yang, Z., & Xia, R. (2023). Is ChatGPT a good sentiment analyzer? A preliminary study. arXiv. https://arxiv.org/abs/2304.04339
Wellein, M. G., Ragucci, K. R., & Lapointe, M. (2009). A peer review process for classroom teaching. Ameri-can Journal of Pharmaceutical Education, 73(5), 1–7. https://doi.org/10.5688/aj730579
Zhang, Y., Chen, M., & Liu, L. (2015). A review on text mining. In 2015 6th IEEE International Conference on Software Engineering and Service Science (ICSESS) (pp. 681–685).
Zhang, W., Li, X., Deng, Y., Bing, L., & Lam, W. (2022). A survey on aspect-based sentiment analysis: Tasks, methods, and challenges. IEEE Transactions on Knowledge and Data Engineering, 35(11), 11019–11038.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado
