Guía docente de Análisis de Datos en Educación Matemática (M05/56/1/3)

1. Construcción de instrumentos de evaluación en Educación Matemática. Principios de medición educativa. Cuestionarios y escalas. Pasos en la construcción. Fiabilidad, validez y sus tipos
2. Codificación y organización de datos. Deducción de variables y categorías a partir de cuestionarios y escalas. Codificación de datos cuantitativos y cualitativos. Organización de datos para su tratamiento estadístico
3. Análisis exploratorio de datos. Tablas de frecuencias y gráficas. Medidas de valor central y dispersión. Asociación y correlación. Tratamiento con software estadístico
4. Introducción a la inferencia estadística. Conceptos básicos sobre inferencia. Introducción a los contrastes de hipótesis e intervalos de confianza. Inferencia elemental para comparación de medias y proporciones y para el estudio de la asociación y correlación con software estadístico
5. Introducción a la Ciencia de Datos. Conceptos básicos de agrupamiento, asociación, clasificación, etc.

Cursar esta materia requiere:

• tener habilidad en el manejo de programas informáticos relacionados con el tratamiento y análisis de datos
• mostrar interés por la adquisición del método científico para el tratamiento, análisis e interpretación de la información basada en datos
• una asistencia mínima al 80% de las sesiones (presencial o virtual, según el formato de matriculación), siendo este requisito obligatorio en ambos formatos (salvo en caso de evaluación única final)

En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. Se deben seguir las recomendaciones contenidas en el documento de “Recomendaciones para el uso de la inteligencia artificial en la UGR” publicado en esta ubicación: https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia#contenido0

En la elaboración de los trabajos se recomienda seguir las recomendaciones contenidas en la “Guía del uso no sexista del lenguaje” publicado por el Vicerrectorado de Igualdad, Inclusión y Sostenibilidad de la Universidad de Granda y publicada en https://viics.ugr.es/sites/vic/viics/public/inline-files/Guia%20de%20Lenguaje.%20Maquetado.pdf

Se recomienda no cursar esta asignatura en caso de no poder seguir las clases de manera sincrónica (presencial o virtual, según el formato de matriculación).

El alumnado sabrá/comprenderá: 

• Los conceptos de validez y fiabilidad de un instrumento de evaluación y los métodos requeridos para evaluarla
• Las técnicas elementales de análisis exploratorio de datos 
• Los procedimientos de contraste de hipótesis y estimación por intervalos, así́ como los conceptos asociados 

El alumnado será́ capaz de: 

• Diseñar los pasos requeridos en la construcción de instrumentos de evaluación 
• Codificar datos obtenidos mediante cuestionarios y almacenarlos para su tratamiento en programas estadísticos
• Producir e interpretar gráficos y resúmenes estadísticos
• Realizar e interpretar contrastes de hipótesis e intervalos de confianza
• Realizar técnicas de análisis de datos propias de la Ciencia de Datos

• Introducción a la Ciencia de Datos
• Instrumentos para la evaluación y codificación
• Introducción al análisis exploratorio de datos
• Introducción a la inferencia estadística

Trabajo sobre una base de datos real para poner en práctica:

• Introducción a la Ciencia de Datos
• Instrumentos para la evaluación y codificación
• Introducción al análisis exploratorio de datos
• Introducción a la inferencia estadística

Lectura, revisión y exposición de trabajos bibliográficos acordados, con el propósito de establecer líneas principales de adquisición del método científico de tratamiento de la información basada en datos y exposición de resultados.

• Contreras, J. M., Molina, E. y Arteaga, P. (2010). Introducción a la programación estadística con R para profesores. Granada: Los autores. 
• Castañeda, M. B. (2010). Procesamiento de datos y análisis estadísticos utilizando SPSS: Un libro práctico para investigadores y administradores educativos. Porto Alegre; EDIPUCRS. 
• García, S., Luengo, J. y Herrera, F. (2015). Data preprocessing in data mining (pp. 195-243). Cham, Switzerland: Springer International Publishing.
• Guardia, J. (2008). Análisis de datos en psicología. Madrid: DeltA. 

• Arias, M. R. M., Lloreda, M. V. H. y Lloreda, M. J. H. (2014). Psicometría. Alianza Editorial.
• Budde, L., Frischemeier, D., Biehler, R., Fleischer, Y., Gerstenberger, D., Podworny, S., y Schulte, C. (2020). Data Science Education in Secondary School: How to Develop Statistical Reasoning When Exploring Data Using CODAP. Proceedings of the Roundtable conference of the International Association for Statistical Education (IASE). iase-web.org/Conference_Proceedings.php
• Etxeberría-Murgiondo, J. y Tejedor-Tejedor, F. J. (2005). Análisis descriptivo de datos en educación. Editorial La Muralla.
• García, S., Ramírez-Gallego, S., Luengo, J., Benítez, J. M., y Herrera, F. (2016). Big data preprocessing: methods and prospects. Big Data Analytics, 1(1), 1-22.
• Gehrke, M., Kistler, T., Lübke, K., Markgraf, N., Krol, B., y Sauer, S. (2021). Statistics education from a data‐centric perspective. Teaching Statistics, 43, S201-S215.
• Gould, R. (2021). Toward data-scientific thinking. Teaching Statistics, 43(S1), S11–S22. https://doi.org/10.1111/test.12267
• McDonald, R. P. (2013). Test theory: A unified treatment. Psychology Press.
• Molina-Muñoz, D., Contreras-García, J. M. y Molina-Portillo, E. (2023). Does the psychoemotional well-being of Spanish students influence their mathematics literacy? An evidence from PISA 2018. Frontiers in Psychology, 14, 1 – 10. https://doi.org/10.3389/fpsyg.2023.1196529
• Muthukrishnan, S. M., Govindasamy, M. K., y Mustapha, M. N. (2017). Systematic mapping review on student’s performance analysis using big data predictive model. Journal of fundamental and applied sciences, 9(4S), 730-758.
• Shapiro, B. R., Meng, A., O'Donnell, C., Lou, C., Zhao, E., Dankwa, B., y Hostetler, A. (2020, April). Re-Shape: A method to teach data ethics for data science education. In Proceedings of the 2020 CHI conference on human factors in computing systems (pp. 1-13).
• Song, I. Y., y Zhu, Y. (2016). Big data and data science: what should we teach? Expert Systems, 33(4), 364–373. https://doi.org/10.1111/exsy.12130
• Ubilla, F. M., y Gorgorió, N. (2021). From a source of real data to a brief news report: Introducing first-year preservice teachers to the basic cycle of learning from data. Teaching Statistics, 43, S110-S123.

Organización para la Cooperación y el Desarrollo Económico (OCDE). Programe for International Student Assessment (PISA). https://www.oecd.org/pisa/

• MD02 Sesiones de discusión y debate. 
• MD03 Resolución de problemas y estudio de casos prácticos 
• MD05 Preparación y presentación de los trabajos 
• MD06 Análisis de fuentes y documentos 
• MD07 Realización de trabajos en grupo 

El artículo 18 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que la convocatoria ordinaria estará basada preferentemente en la evaluación continua del estudiante, excepto para quienes se le haya reconocido el derecho a la evaluación única final.

Se considerarán dos casos:

• los estudiantes de modalidad presencial, deben asistir, al menos, al 80% de las sesiones. En otro caso, perderán el derecho a evaluación continua. 
• los estudiantes en modalidad virtual que se conectan en directo y participan activamente, al menos, al 80% de las sesiones mediante la videosala correspondiente, se les considerará asistentes sincrónicos.

La calificación final de la asignatura corresponde a: 

• [40%] Completitud y corrección de las prácticas propuestas
• [50%] Valoración de pruebas individuales
• [10%] Valoración del grado de implicación y actitud del alumnado manifestada en su participación en las consultas, exposiciones y debates; así como en la elaboración de los trabajos, individuales o en equipo, y en las sesiones de puesta en común

La calificación final deberá recoger la superación de los distintos apartados de la evaluación de manera independiente. En caso de no superar alguna de las partes, la nota que aparecerá en el expediente será la mínima de las notas.

La evaluación extraordinaria consistirá en una prueba individual, que integrará los contenidos teóricos y prácticos necesarios para acreditar la adquisición de las competencias generales y específicas contempladas en esta Guía Docente. La prueba adoptará un formato abierto, pudiendo incluir varias de las siguientes modalidades: prueba escrita, exposición oral, presentación, resolución de casos prácticos u otros formatos equivalentes.

Calificación de la prueba:

• Si un/a estudiante hubiese superado alguno de los apartados (1) o (2) que conforman la evaluación ordinaria de la asignatura, sólo deberá superar las pruebas que se refieran a los apartados no superados en dicha convocatoria. La calificación final deberá recoger la superación de manera independiente de los apartados (1) y (2) descritos en la evaluación ordinaria, siendo el peso de cada uno de ellos: (1) 50% y (2) 50%.
• En caso de que el/la estudiante no haya superado ninguno de los apartados contemplados en la evaluación ordinaria, la prueba individual de carácter teórico-práctico realizada en la convocatoria extraordinaria tendrá un valor del 100 % sobre la calificación final.

En cualquier caso, la calificación final deberá recoger la superación de los distintos apartados de la evaluación de manera independiente. En caso de no superar alguna de las partes, la nota que aparecerá en el expediente será la mínima de las notas.

De acuerdo al procedimiento establecido en los artículos 6 y 8 de la Normativa de Evaluación y de Calificación de los/las estudiantes de la Universidad de Granada aprobada por Consejo de Gobierno el 26 de octubre de 2016 (Enlace), el alumnado podrá acogerse, mediante petición formulada al director del departamento, a una evaluación única final que incluirá las pruebas teóricas y prácticas necesarias para acreditar que han adquirido las competencias descritas en esta Guía Docente.

La prueba adoptará un formato abierto, pudiendo incluir una o varias de las siguientes modalidades: prueba escrita, exposición oral, presentación, resolución de casos prácticos u otros formatos equivalentes.

Calificación de la prueba: 

• La prueba individual de carácter teórico-práctico realizada en la evaluación única final tendrá un valor del 100 % sobre la calificación final, debiendo recoger la superación de los distintos apartados de la evaluación de manera independiente. En caso de no superar alguna de las partes, la nota que aparecerá en el expediente será la mínima de las notas.

Siguiendo las indicaciones recogidas en la nueva Normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada, cuya entrada en vigor está vigente desde noviembre de 2016, destacamos lo recogido en el artículo 15 sobre la originalidad de los trabajos presentados por los alumnos:

1. La Universidad de Granada fomentará el respeto a la propiedad intelectual y transmitirá a los estudiantes que el plagio es una práctica contraria a los principios que rigen la formación universitaria. Para ello procederá a reconocer la autoría de los trabajos y su protección de acuerdo con la propiedad intelectual según establezca la legislación vigente. 
2. El plagio, entendido como la presentación de un trabajo u obra hecho por otra persona como propio o la copia de textos sin citar su procedencia y dándolos como de elaboración propia, conllevará automáticamente la calificación numérica de cero en la asignatura en la que se hubiera detectado, independientemente del resto de las calificaciones que el estudiante hubiera obtenido. Esta consecuencia debe entenderse sin perjuicio de las responsabilidades disciplinarias en las que pudieran incurrir los estudiantes que plagien. 
3. Los trabajos y materiales entregados por parte de los estudiantes tendrán que ir firmados con una declaración explícita en la que se asume la originalidad del trabajo, entendida en el sentido de que no ha utilizado fuentes sin citarlas debidamente.

Cualquier elemento de esta guía podrá ser adaptado para atender a la diversidad del alumnado teniendo en cuenta los informes facilitados por los tutores NEAE y siempre siguiendo la normativa de la UGR (https://www.ugr.es/sites/default/files/2017-09/NCG1114.pdf)

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).

The jamovi project (2024). jamovi (Version 2.5) [Computer Software]. Retrieved from https://www.jamovi.org

R Core Team (2022). R: A language and environment for statistical computing [Computer Software]. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/.