Hacia una innovación de proceso de evaluación docente sostenible: Revisión Sistemática de Aplicaciones de IA, Ciencia de Datos y PLN en Educación Superior
DOI:
https://doi.org/10.55965/setp.6.11.a1Resumen
Contexto. La evaluación docente en universidades públicas multicampus depende aún de promedios y encuestas cerradas, limitadas para captar la complejidad del desempeño académico. Ante ello, este estudio presenta una revisión sistemática (2019–2024) sobre el uso de la Inteligencia Artificial (IA) y el Procesamiento de Lenguaje Natural (PLN) en procesos de evaluación docente universitaria, siguiendo como innovaciones de proceso enunciadas en el Manual de Oslo, alineadas con los Objetivos de Desarrollo Sostenibles (ODS) 4 y 9.
Problema. Los sistemas tradicionales en instituciones de alta matrícula presentan baja precisión analítica, escaso aprovechamiento de datos cualitativos y retroalimentación tardía. Ante esto, se plantea la pregunta de investigación: ¿qué técnicas y algoritmos reporta la literatura para el análisis integrado de datos cuantitativos y cualitativos en la evaluación docente universitaria?
Objetivo. Analizar críticamente el uso de la ciencia de datos y la IA —especialmente el PLN— para mejorar la retroalimentación docente, superando las limitaciones de los enfoques tradicionales y promover procesos evaluativos oportunos, profundos y escalables.
Metodología. Se siguió el protocolo PRISMA mediante búsquedas con operadores booleanos en Scopus, Web of Science, IEEE Xplore y ERIC. Tras aplicar criterios de inclusión y un proceso de revisión por pares en dos fases, se analizaron 17 estudios publicados entre 2019 y 2024.
Hallazgos. Las técnicas como el análisis de sentimientos, el modelado de tópicos (LDA) y modelos de lenguaje de gran escala (LLM) —notablemente DistilBERT, con precisiones cercanas al 93%— superan consistentemente a los métodos tradicionales en la gestión de grandes volúmenes de información.
Originalidad. Radica en la integración de literatura dispersa sobre IA y PLN en educación superior bajo un marco de innovación de procesos, articulando rigor técnico, empírico y ético.
Conclusiones y Limitaciones. Se concluye que los modelos avanzados de IA y PLN poseen un alto potencial para transformar la evaluación en redes universitarias latinoamericanas al permitir retroalimentación personalizada. No obstante, persisten desafíos en la interpretabilidad de modelos, mitigación de sesgos, escasez de datos etiquetados en español y resistencia institucional, lo que abre relevantes líneas para futuras investigaciones y desarrollos aplicados.
Descargas
Citas
Arriaga-Cárdenas, O. G., Lara-Magaña, P. del C., & Pasciuta-Marco, P. D. (2022). Los centros públicos de investigación, como eje central de la innovación y la educación en México. Revista científica et Scientia et PRAXIS, 2(04), 66–81. https://doi.org/10.55965/setp.2.coed.a3 DOI: https://doi.org/10.55965/setp.2.coed.a3
Das, S., Roy, S., Bose, R., Acharjya, P. P., & Mondal, H. (2022). Analysis of student sentiment dynamics to evaluate teachers’ performance in online courses using machine learning. In 2022 International Conference on Applied Artificial Intelligence and Computing (ICAAIC) (pp. 668–673). IEEE. https://doi.org/10.1109/ICAAIC53929.2022.9792958 DOI: https://doi.org/10.1109/ICAAIC53929.2022.9792958
Esparza, G. G., de-Luna, A., Zezzatti, A. O., Hernandez, A., Ponce, J., Álvarez, M., Cossio, E., & de Jesus Nava, J. (2018). A sentiment analysis model to analyze students reviews of teacher performance using support vector machines. In 14th International Conference Distributed Computing and Artificial Intelligence (Vol. 14, pp. 157–164). Springer Nature. https://doi.org/10.1007/978-3-319-62410-5_19 DOI: https://doi.org/10.1007/978-3-319-62410-5_19
Fargues, M., Kadry, S., Lawal, I. A., Yassine, S., & Rauf, H. T. (2023). Automated analysis of open-ended students’ feedback using sentiment, emotion, and cognition classifications. Applied Sciences, 13(4), 2061. https://doi.org/10.3390/app13042061 DOI: https://doi.org/10.3390/app13042061
Hu, X., Yang, Y., Wu, X., & Li, Y.(2020). Text analysis of teaching evaluation based on machine learning. In Proceedings of the 10th International Workshop on Computer Science and Engineering (WCSE 2020). WCSE. https://doi.org/10.18178/wcse.2020.06.004 DOI: https://doi.org/10.18178/wcse.2020.06.004
Martínez Téllez, M. Á., & Celaya Lozano, A. (2023). Evaluación institucional de contenidos y proyectos de investigación en un CPI: Caso de estudio (2013-2022). Scientia et PRAXIS, 3(05), 51–77. https://doi.org/10.55965/setp.3.coed1.a3 DOI: https://doi.org/10.55965/setp.3.coed1.a3
Nikolić, N., Grljević, O., & Kovačević, A. (2020). Aspect-based sentiment analysis of reviews in the domain of higher education. The Electronic Library, 38(1), 44–64. https://doi.org/10.1108/EL-06-2019-0140 DOI: https://doi.org/10.1108/EL-06-2019-0140
Okoye, K., Arrona-Palacios, A., Camacho-Zuñiga, C., Achem, J. A. G., Escamilla, J., & Hosseini, S. (2022). Towards teaching analytics: A contextual model for analysis of students’ evaluation of teaching through text mining and machine learning classification. Education and Information Technologies, 27(3), 3891–3933. https://doi.org/10.1007/s10639-021-10751-5 DOI: https://doi.org/10.1007/s10639-021-10751-5
Okoye, K., Daruich, S. D. N., de La O, J. F. E., Castano, R., Escamilla, J., & Hosseini, S. (2023). A text mining and statistical approach for assessment of pedagogical impact of students’ evaluation of teaching and learning outcome in education. IEEE Access, 11, 9577–9596. https://doi.org/10.1109/ACCESS.2023.3239779 DOI: https://doi.org/10.1109/ACCESS.2023.3239779
Peng, H., Zhang, Z., & Liu, H. (2022). A sentiment analysis method for teaching evaluation texts using attention mechanism combined with CNN-BLSTM model. Scientific Programming, 2022, 1–9. https://doi.org/10.1155/2022/8496151 DOI: https://doi.org/10.1155/2022/8496151
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 DOI: https://doi.org/10.25100/iyc.v26i2.13759
Ponmalar, S. P., V. S., Srithar, V., Morankar, G., Jebaseelan, S. D. S., & Harikrishnan, R. (2024). AI-driven CASGN framework for evaluating descriptive answers in online education. In 2024 International Conference on Innovative Computing, Intelligent Communication and Smart Electrical Systems (ICSES) (pp. 1–8). IEEE. https://doi.org/10.1109/ICSES63760.2024.10910723 DOI: https://doi.org/10.1109/ICSES63760.2024.10910723
Pramod, D., Bharathi, S. V., & Raman, R. (2022). Faculty effectiveness prediction using machine learning and text analytics. In 2022 IEEE Technology and Engineering Management Conference (TEMSCON EUROPE) (pp. 40-47). IEEE. https://doi.org/10.1109/TEMSCONEUROPE54743.2022.9801997 DOI: https://doi.org/10.1109/TEMSCONEUROPE54743.2022.9801997
Pu, X., Yan, G., Yu, C., Mi, X., & Yu, C. (2021). Sentiment analysis of online course evaluation based on a new ensemble deep learning mode: Evidence from Chinese. Applied Sciences, 11(23), 11313. https://doi.org/10.3390/app112311313 DOI: https://doi.org/10.3390/app112311313
Resuello, J. L., Feliscuzo, L. S., & Pantaleon, C. B. (2024). Text mining student comments for teaching performance evaluation using VADER and Latent Dirichlet Allocation algorithm. In 2024 International Conference Automatics and Informatics (ICAI) (pp. 260–265). IEEE. https://doi.org/10.1109/ICAI63388.2024.10851580 DOI: https://doi.org/10.1109/ICAI63388.2024.10851580
Santamaria-Velasco, C. A., Montiel-Méndez, O. J. M.-M., & Montañez-Moya, G. S. (2024). Liderazgo transformacional y emprendimiento en estudiantes: Una vía hacia el desarrollo educativo sostenible. Scientia et PRAXIS, 4(08), 90–119. https://doi.org/10.55965/setp.4.08.uady.a4 DOI: https://doi.org/10.55965/setp.4.08.uady.a4
Shaik, T., Tao, X., Dann, C., Quadrelli, C., Li, Y., & O’Neill, S. (2022). Educational decision support system adopting sentiment analysis on student feedback. In 2022 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT) (pp. 377–383). IEEE. https://doi.org/10.1109/WI-IAT55865.2022.00062 DOI: https://doi.org/10.1109/WI-IAT55865.2022.00062
Shuqin, H., & Raga, R. C. (2024). A deep learning model for student sentiment analysis on course reviews. IEEE Access, 12(2169–3536), 136747–136758. https://doi.org/10.1109/ACCESS.2024.3463793 DOI: https://doi.org/10.1109/ACCESS.2024.3463793
Vera-Noriega, J. Á., Borbón-Morales, C. G., Mejía-Trejo, J., & Durazo-Salas, F. F. (2023). Relación y comparación entre las variables de clima organizacional, satisfacción y calidad de vida en una empresa de ventas por teléfono en el noroeste de México. Scientia et PRAXIS, 3(05), 83–109. https://doi.org/10.55965/setp.3.05.a4 DOI: https://doi.org/10.55965/setp.3.05.a4
Wu, Y., Ming, Z., Allen, J. K., & Mistree, F. (2023). Evaluation of students’ learning through reflection on doing based on sentiment analysis. Journal of Mechanical Design, 145(3). https://doi.org/10.1115/1.4056495 DOI: https://doi.org/10.1115/1.4056495
Yuan, H., & Hernandez, A. A. (2023). Sentiment analysis of student evaluation of teaching based on Bi-LSTM algorithm. In 2023 IEEE 15th International Conference on Advanced Infocomm Technology (ICAIT) (pp. 417–422). IEEE. https://doi.org/10.1109/ICAIT59485.2023.10367267 DOI: https://doi.org/10.1109/ICAIT59485.2023.10367267
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Cristian Ulises Barenca-Sotelo, Ma. Del Rocío Maciel-Arellano, Víctor Manuel Larios-Rosillo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
