5 de julio de 2020

Evolución de las revistas españolas de Educación en JCR y SJR en el periodo 2015-2019

Por Alexis Moreno-Pulido
Responsable de Biblioteca
Biblioteca Campus Norte de la Universidad Nacional de Educación a Distancia (UNED)

El objetivo de este post es analizar la evolución de las revistas españolas de temática educativa que han conseguido posicionarse en las principales herramientas internacionales utilizadas para evaluar la actividad investigadora, en concreto en Journal Citation Reports (JCR) y Scimago Journal & Country Rank (SJR) durante el quinquenio 2015-2019.

Revistas incluidas en JCR y SJR y documentos publicados anualmente


En la Tabla 1 se presentan las revistas indexadas en las categorías Education & Educational Research, Education, Special, Education, Scientific Disciplines y Psychology, Educational de JCR y en las categorías Education y Developmental and Educational Psychology de SJR, cuyo país de edición es España. Por tanto, no se han incluido revistas como Cultura y Educación, editada por Taylor & Francis.

Tabla 1. Distribución de las revistas por bases de datos en el periodo 2015-2019.

Fuente 2015 2016 2017 2018 2019 Incremento (2015-2019)
JCR 7 7 7 8 8 14,3
SJR1 34 37 40 59 67 97,1

Nota 1: Se han eliminado las revistas indexadas en las dos categorías de SJR consideradas.

El análisis de la evolución de las revistas indizadas en estas dos herramientas durante el quinquenio 2015-2019 muestra cómo el número de revistas españolas presentes en SJR ha incrementado un 97 %, llegándose prácticamente a duplicarse, mientras que en JCR dicho incremento ha sido más moderado (14%).

En cuanto al número de trabajos publicados, la herramienta SJR proporciona información sobre el número total de documentos publicados anualmente durante el periodo de estudio (ver Tabla 2).

Tabla 2. Número de documentos y promedio en el lustro 2015-2019.

2015 2016 2017 2018 2019 Incremento (2015-2019)
Documentos 930 1128 1140 1775 1711 84,0
Promedio 37,3 30,5 28,5 30 25,5 -31,6

Fuente: SJR.

En este apartado, hay que destacar que se han detectado errores en el número de artículos publicados por varias revistas. Para ilustrar esta afirmación, en la edición 2019 de SJR se incluyen 21 revistas de la categoría Education y 2 en la categoría Developmental and Educational Psychology que han publicado menos de 15 trabajos en el último año. La consulta a la web de las revistas refleja que, en ocasiones, no se han indexado artículos individuales e, incluso, números completos en Scopus. Esta base de datos pone a disposición de los interesados un formulario web en el que puede solicitarse la adición de documentos, que afectan al cálculo de los principales indicadores bibliométricos considerados en la evaluación de la actividad investigadora (ver Figura 1).

Figura 1. Formulario para la solicitud de correcciones en la base de datos Scopus.


Distribución por cuartiles


En cuanto a la distribución por cuartiles de las ocho revistas indexadas en JCR en las categorías educativas objeto de estudio, hay que destacar que la revista Comunicar se ha mantenido en el primer cuartil en los últimos cinco años. Asimismo, tres revistas, Comunicar, Educación XX1 y Revista de Psicodidáctica se han posicionado en el primer cuartil en la última edición de la herramienta (2019).

Tabla 3. Distribución por cuartiles de las revistas con factor de impacto en JCR.



En cuanto a la herramienta SJR, en la Figura 2 se detallan los cuartiles en los que se posicionan las revistas educativas españolas. Hay que reseñar que no todas las revistas incluidas en los listados de SJR están clasificadas en un cuartil, por ejemplo, en el ranking del año 2019, siete de las 61 revistas listadas en la categoría Education, no están adscritas a un cuartil.

Figura 2. Distribución por cuartiles de las revistas españolas con factor de impacto en SJR.



Tan solo Comunicar, Revista de Psicodidáctica y Revista de Investigación Educativa se posicionan en el primer cuartil de su categoría en el año 2019.

Tras proporcionar una visión general sobre la evolución del conjunto de revistas educativas, se procede a focalizar el análisis en el consorcio de revistas científicas Aula Magna 2.0., que está  integrado por: Bordón. Revista de Pedagogía, Educación XX1, Estudios sobre Educación, ETHE Journal, NAER, OCNOS, Píxel-Bit. Revista de Medios y Educación, Profesorado, REICE, RELIEVE, REP. Revista Española de Pedagogía, Revista Complutense de Educación, RIE. Revista de Investigación Educativa, RIED y Teoría de la Educación. Revista interuniversitaria.

Percentil, Índice h y promedio de citas por artículo.


En la Figura 3 se muestra la evolución del percentil CiteScore proporcionado por la base de datos Scopus para las revistas integradas en Aula Magna 2.0.

Figura 3. Evolución del percentil CiteScore en el periodo objeto de estudio.



Como se puede observar, en los años 2018 y 2019 se ha producido un incremento significativo en el percentil de la mayoría de revistas. En el año 2019, las revistas ETHE Journal (percentil 96), Educación XX1 (percentil 80) y NAER (percentil 75) igualan o superar el percentil 75.

Para el cálculo del índice h se ha recurrido a la colección principal de la Web of Science (WoS). En la Tabla 4 se aportan un conjunto de métricas sobre las revistas.

Tabla 4. Índice h y otras métricas de las revistas del consorcio en la colección principal de la WoS.

Índice h Número de citas Citas por año Citas por documento
Bordón 5 217 43 0,8
Educación XX1 10 496 99 2,3
Estudios sobre Educación 7 185 37 1
ETHE Journal 16 1006 201 5,8
NAER 9 462 92 4,4
OCNOS 7 178 35 1,7
Píxel-Bit 5 130 26 0,7
Profesorado 7 369 73 0.8
REICE 6 249 49 1,6
RELIEVE 7 217 43 2,6
Revista Española de Pedagogía 8 269 53 1,1
Revista Complutense de Educación 12 556 111 1,3
Revista de Investigación Educativa 8 387 77 2,4
RIED 12 636 127 3,8
Teoría de la Educación 5 111 22 0,6

Las revistas con mayor índice h son ETHE Journal (16), RIED (12), Revista Complutense de Educación (12) y Educación XX1 (10). Asimismo, estas revistas son las que mayor número de citas han obtenido.

Métricas alternativas


Por último, se ha analizado el Altmetric Attention Score disponible en la plataforma Altmetrics.com con el objetivo de conocer la atención promedio que han alcanzado los artículos publicados por las revistas estudiadas en el año 2019.

Tabla 5. Almetric Attention Score promedio de los trabajos publicados en el año 2019.

Altmetric Attention Score
Bordón 5,2
Educación XX1 5,4
Estudios sobre Educación 2,1
ETHE Journal 19,3
NAER N/D
OCNOS 3,7
Píxel-Bit 6,3
Profesorado 3,8
REICE 4
RELIEVE 7,2
Revista Española de Pedagogía 8
Revista Complutense de Educación 8
Revista de Investigación Educativa 3,2
RIED 21,1
Teoría de la Educación 6,1
Comunicar 11,2

Hay que destacar el Almetric Attention Score obtenido por la Revista Iberoamericana de Educación a Distancia, cuyas publicaciones captan la atención y el interés del público tal y como se desprende de las métricas procedentes de redes sociales generalistas y científicas. En este punto, conviene recordar que la revista Comunicar, que lidera todos los rankings educativos nacionales cuenta con un Altmetric Attention Score de, aproximadamente, 10 puntos por debajo de RIED.

El artículo con mayor puntuación fue publicado en RIED y lleva por título El debate sobre el pensamiento computacional en educación. En la Figura 4 se presentan las métricas principales obtenidas por dicho artículo.

Figura 4. Desglose de fuentes del artículo con mayor Altmetric Attention Score.




Esta publicación ha sido tuiteada por usuarios de Twitter de España, Argentina, Chile, México, Venezuela, Uruguay, Ecuador, Colombia y Perú, entre otros.
Cómo citar esta entrada:

Moreno-Pulido, A. (2020). Evolución de las revistas españolas de Educación en JCR y SJR en el periodo 2015-2019. Aula Magna 2.0. [Blog]. Recuperado de: https://cuedespyd.hypotheses.org/8319

---

Tomado de Aula Magna 2.0 con permiso de sus editores

3 de julio de 2020

Blockchain: privacidad, seguridad y legalidad en soluciones educativas

En esta revisión sistemática de la literatura se explora la importancia de la protección y seguridad de los datos personales en el campo de la educación mediante las promesas emergentes de los interesados en usar la tecnología blockchain.

Los resultados denotan que es importante entender las implicaciones y riesgos derivados de usar tecnologías emergentes en educación, su relación con la sociedad y la legalidad vigente.

La Analítica del Aprendizaje (proveniente del término en inglés Learning Analytics) procesa los datos de los estudiantes, incluso los estudiantes menores de edad.

El ciclo analítico consiste en recoger datos, almacenarlos durante largos períodos y utilizarlos para realizar análisis y visualizaciones.

A mayor cantidad de datos, mejores resultados en el análisis.

Este análisis puede ser descriptivo, predictivo e, incluso, prescriptivo, lo que implica la gestión, el tratamiento y la utilización de datos personales.

Pasos y resultados del proceso de revisión y mapeo

El contexto educativo es, por lo tanto, muy sensible, a diferencia de los contextos individuales en los que el análisis se utiliza a voluntad.

No está claro cómo están utilizando los datos de los estudiantes las empresas de tecnología que dan servicio en educación y a quiénes realmente se les beneficia, cómo esto afectará a los estudiantes en un futuro a corto y largo plazo, o qué nivel de privacidad o seguridad se aplica para proteger los datos de los estudiantes.

Por consiguiente, y en relación con lo expuesto, el análisis de datos educativos implica un contexto sensible y de fragilidad en la gestión y análisis de datos personales de los estudiantes, incluidos menores, en el que hay que maximizar las precauciones.

---

Amo, D. F., Alier, M., García-Peñalvo, F. J., Fonseca, D., y Casañ, M. J. (2020). Privacidad, seguridad y legalidad en soluciones educativas basadas en Blockchain: Una Revisión Sistemática de la Literatura. RIED. Revista Iberoamericana de Educación a Distancia, 23(2), pp. 213-236. doi: http://dx.doi.org/10.5944/ried.23.2.26388

1 de julio de 2020

Los mayores éxitos y retos en analítica del aprendizaje en España: SNOLA

Tal y como ocurre en otros campos de investigación, el desarrollo de la analítica del aprendizaje está influido por las redes de investigadores que contribuyen al mismo.

Este artículo describe una de estas redes: la Red Española de Analítica de Aprendizaje (SNOLA).


El artículo presenta las líneas de investigación de los miembros de SNOLA, así como los principales retos que la analítica del aprendizaje tiene que afrontar en los próximos años desde la visión de estos investigadores.

Este análisis está basado en datos de archivo de SNOLA y en una encuesta realizada a los actuales miembros de la red.

Aunque esta aproximación no cubre toda la actividad relacionada con analítica del aprendizaje en España, los resultados proporcionan una visión general representativa del estado de la investigación relacionada con analítica del aprendizaje en dicho contexto.

El artículo muestra cuáles son estas tendencias y los principales retos, entre los que se encuentran la necesidad de adoptar un compromiso ético con los datos, desarrollar sistemas que respondan a las necesidades de los usuarios y alcanzar mayor impacto institucional.

---

Martínez-Monés, A., Dimitriadis, Y., Acquila-Natale, E., Álvarez, A., CaeiroRodríguez, M., Cobos, R., Conde-González, M. A., García-Peñalvo, F. J., Hernández-Leo, D., Menchaca, I., Muñoz-Merino, P. J., Ros, S., y Sancho-Vinuesa, T. (2020). Achievements and challenges in learning analytics in Spain: The view of SNOLA. RIED. Revista Iberoamericana de Educación a Distancia, 23(2), pp.
187-212. doi: http://dx.doi.org/10.5944/ried.23.2.26541

29 de junio de 2020

El software de generación de dashboards, ¿puede ayudar en contextos educativos?

Los datos son cruciales para mejorar la toma de decisiones y obtener mayores beneficios en cualquier tipo de actividad.

Sin embargo, la gran cantidad de información generada debido a las nuevas tecnologías ha convertido el análisis de los datos y la generación de conocimiento a partir de ellos en una tarea compleja.

Numerosas herramientas han surgido para facilitar esta generación de conocimiento, como es el caso de los dashboards o paneles de información.

Aunque los paneles de control sean herramientas muy potentes, su efectividad puede verse afectada por un mal diseño o por no tener en cuenta el contexto en el que se encuadran.

Por ello, es necesario diseñar y crear paneles de control a medida en función de la audiencia y dominio de los datos.

Crear paneles de control personalizados puede ser muy beneficioso, pero también un proceso costoso en lo que al tiempo y recursos se refiere.

Este trabajo presenta una aplicación del paradigma de líneas de productos software para generar paneles de control adaptados a cualquier contexto de manera más sencilla, reutilizando tanto componentes software como conocimiento.

Diagrama de características del software de paneles de control
Uno de los contextos que puede verse especialmente favorecido por este enfoque es el contexto educativo, donde la analítica del aprendizaje y el análisis de datos sobre el rendimiento de los estudiantes se está popularizando.

Contar con paneles de control personalizables para cualquier rol (estudiante, profesor, administrador, etc.) puede mejorar los procesos de toma de decisiones, mostrando a cada usuario la información que más le interesa de la forma que mejor le permita comprenderla.

---

Vázquez-Ingelmo, A., y Therón, R. (2020). Beneficios de la aplicación del paradigma de líneas de productos software para generar dashboards en contextos educativos. RIED. Revista Iberoamericana de Educación a Distancia, 23(2), pp. 169-185. doi: http://dx.doi.org/10.5944/ried.23.2.26389

26 de junio de 2020

Predicción temprana de deserción mediante aprendizaje automático en cursos profesionales en línea

A pesar de las ventajas del e-learning, esta modalidad de aprendizaje es proclive a la deserción.

Estudios anteriores mostraron que se pueden aplicar técnicas de aprendizaje automático a los registros de interacciones entre estudiantes y la plataforma para predecir el abandono.

En esa línea, este trabajo intenta encontrar modelos predictivos de deserción en cursos virtuales que duran entre seis y dieciséis semanas, utilizando registros de Moodle correspondientes a las dos primeras.

Se evaluó la sensibilidad, especificidad y precisión de los modelos, pero se priorizó más en qué medida dichos modelos facilitaban evitar la deserción mediante acciones de retención efectivas en costo.

Específicamente, se usaron datos de varias cohortes de cuatro cursos de temáticas y duraciones distintas, dictados por la Secretaría de Extensión de la Universidad Tecnológica Nacional de la República Argentina, Regional Buenos Aires, entre febrero de 2018 y octubre de 2019.

Se usaron distintos algoritmos para generar modelos predictivos y optimizarlos hacia la mitigación de la pérdida económica causada por la deserción.

Programa recursivo
Se analizó si alguno en particular generaba los mejores modelos para todos los cursos.

Se estudió si convenía construir modelos separados por curso o bien uno para todo el conjunto de los datos de los cuatro cursos.

Como conclusión, se encontró que sí es posible construir modelos predictivos exitosos y que el algoritmo que produjo los mejores modelos fue una red neuronal en tres de los cuatro cursos.

Asimismo, resultó mejor el modelo que ajustó cada uno por separado.

---

Urteaga, I., Siri, L., y Garófalo, G. (2020). Predicción temprana de deserción mediante aprendizaje automático en cursos profesionales en línea. RIED. Revista Iberoamericana de Educación a Distancia, 23(2), pp. 147-167. doi: http://dx.doi.org/10.5944/ried.23.2.26356