Barra lateral del artículo
El presente estudio propone una metodología empírica para identificar las dimensiones más valoradas de la práctica docente en educación superior, mediante un enfoque mixto que combina análisis cualitativo y cuantitativo. Se analizaron más de 89000 comentarios estudiantiles recopilados durante las evaluaciones docentes en la Universidad de Cuenca (periodo 2024–2025). Utilizando técnicas avanzadas de procesamiento del lenguaje natural, específicamente análisis de sentimiento y modelado estructural de temas (Structural Topic Modeling, STM), se procesó un amplio corpus textual. El análisis se centró en los comentarios positivos dirigidos a docentes destacados según una evaluación integral previa, con el objetivo de detectar patrones recurrentes en la percepción estudiantil. Como resultado, se identificaron cuatro dimensiones clave de valoración estudiantil: conocimiento disciplinar, gestión comunicativa, habilidades socioemocionales y metodología de enseñanza. Estas dimensiones reflejan fortalezas docentes percibidas por los estudiantes y presentan variabilidad significativa según contextos disciplinares y niveles académicos. Por ejemplo, mientras el conocimiento disciplinar es prioritario en áreas técnicas, las habilidades socioemocionales predominan en ciencias sociales y salud. Estos hallazgos destacan que las valoraciones estudiantiles constituyen una fuente de información cualitativa esencial, que supera las limitaciones de las métricas numéricas tradicionales al ofrecer un análisis más profundo y contextualizado. Finalmente, la metodología propuesta aporta a las instituciones de educación superior una herramienta práctica para identificar fortalezas específicas del profesorado y para diseñar programas formativos personalizados basados en evidencia, que facilitan una mejora continua y contextualizada de la calidad educativa.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Referencias
Álvarez-Álvarez, C., Falcon, S. Students’ preferences with university teaching practices: analysis of testimonials with artificial intelligence. Education Tech Research Dev 71, 1709–1724 (2023). https://doi.org/10.1007/s11423-023-10239-8
Chen, Y., & Hoshower, L. B. (2003). Student evaluation of teaching effectiveness: An assessment of student perception and motivation. Assessment & Evaluation in Higher Education, 28(1), 71–88. https://doi.org/10.1080/02602930301683
Gencoglu, B., Helms-Lorenz, M., Maulana, R., Jansen, E. P. W. A., & Gencoglu, O. (2023). Machine and expert judgments of student perceptions of teaching behavior in secondary education: Added value of topic modeling with big data. Computers & Education, 193, 104682. https://doi.org/10.1016/j.compedu.2022.104682
Hayat, F., Shatnawi, S., & Haig, E. (2024). Comparative analysis of topic modelling approaches on student feedback. En Proceedings of the 16th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management (KDIR2024) (pp. 226-233). SciTePress. https://doi.org/10.5220/0012890400003838
Hu, Y., Zhang, S., Sathy, V., Panter, A., & Bansal, M. (2022). SETSum: Summarization and Visualization of Student Evaluations of Teaching. En Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies: System Demonstrations (pp. 71–89). Association for Computational Linguistics. https://doi.org/10.18653/v1/2022.naacl-demo.9
Marsh, H. W. (2007). Do university teachers become more effective with experience? A multilevel growth model of students’ evaluations of teaching over 13 years. Journal of Educational Psychology, 99(4), 775–790. https://doi.org/10.1037/0022-0663.99.4.775
Muhammad, A., Wiratunga, N., & Lothian, R. (2016). Contextual sentiment analysis for social media genres. Knowledge-Based Systems, 108, 92–101. https://doi.org/10.1016/j.knosys.2016.05.032
Prottasha, N. J., As Sami, A., Kowsher, M., Murad, S. A., Bairagi, A. K., Masud, M., & Baz, M. (2022). Transfer learning for sentiment analysis using BERT based supervised fine-tuning. Sensors, 22(11), 4157. https://doi.org/10.3390/s22114157
Roberts, M. E., Stewart, B. M., & Airoldi, E. M. (2014). Structural topic models for open-ended survey responses. American Journal of Political Science, 58(4), 1064–1082. https://doi.org/10.1111/ajps.12103
Roberts, M. E., Stewart, B. M., & Tingley, D. (2019). stm: An R package for structural topic models. Journal of Statistical Software, 91(2), 1–40. https://doi.org/10.18637/jss.v091.i02
Spooren, P., Brockx, B., & Mortelmans, D. (2013). On the validity of student evaluation of teaching: The state of the art. Review of Educational Research, 83(4), 598–642. https://doi.org/10.3102/0034654313496870
Sun, J., & Yan, L. (2023). Using topic modeling to understand comments in student evaluations of teaching. Discover Education, 2(25). https://doi.org/10.1007/s44217-023-00051-0
Wankmüller, S., & Heumann, C. (2021). How to estimate continuous sentiments from texts using binary training data. En Proceedings of the Conference on Natural Language Processing (KONVENS 2021) (pp. 131–139). German Society for Computational Linguistics & Language Technology. https://aclanthology.org/2021.konvens-1.16/