Análisis sobre las plataformas LMS considerando el deep learning y random forest

Análisis sobre las plataformas LMS considerando el deep learning y random forest Analysis of LMS platforms considering the deep learning and random forest Ricardo-Adán Salas-Rueda1 Instituto de Ciencias Aplicadas y Tecnología, Universidad Nacional Autónoma de México Resumen Hoy en día, los educadores se apoyan en la tecnología para ofrecer a los estudiantes nuevos ambientes de aprendizaje. El objetivo de este estudio mixto es analizar la percepción de los estudiantes sobre el uso de las plataformas LMS durante la postpandemia COVID-19 por medio los algoritmos deep learning y random forest. Los resultados del algoritmo deep learning señalan que el uso de las plataformas LMS afecta positivamente el análisis y uso de la información escolar, la autonomía y el intercambio de ideas durante el proceso de aprendizaje. Asimismo, el algoritmo random forest permitió la construcción de tres modelos sobre esta herramienta tecnológica considerando el perfil de los estudiantes. Las limitaciones de esta investigación cuantitativa y cualitativa son la muestra y las variables dependientes. Por consiguiente, las futuras investigaciones pueden analizar el uso de las plataformas LMS durante la postpandemia COVID-19 considerando el rol activo de los estudiantes, el desarrollo de habilidades y la asimilación del conocimiento en diversas escuelas, facultades e institutos. Las implicaciones de este estudio están relacionadas con el uso de las plataformas LMS para eliminar las barreras físicas, fomentar el aprendizaje personalizado y actualizar las actividades bajo la modalidad a distancia. En conclusión, los educadores deben de incluir las plataformas LMS en la planeación de los cursos con el propósito de facilitar el proceso de aprendizaje. Abstract Today, educators rely on technology to offer students new learning environments. The aim of this mixed study is to analyze the perception of the students about the use of the LMS platforms during the post-pandemic COVID-19 through the deep learning and random forest algorithms. The results of the deep learning algorithm indicate that the use of LMS platforms positively affects the analysis and use of the school information, autonomy and exchange of ideas during the learning process. Likewise, the random forest algorithm allowed the construction of three models on this technological tool considering the profile of the students. The limitations of this quantitative and qualitative research are the sample and dependent variables. Therefore, future research can analyze the use of the LMS platforms during the COVID-19 postpandemic considering the active role of the students, development of skills and assimilation of the knowledge in various schools, colleges and institutes. The implications of this study are related to the use of LMS platforms to eliminate the physical barriers, promote the personalized learning and update the activities in the distance modality. In conclusion, educators should include the LMS platforms in the planning of the courses in order to facilitate the learning process. Palabras clave / Keywords Tecnología, Enseñanza, Tecnología de la información, Método de enseñanza, Educación, Aprendizaje, Tecnología educacional, Enseñanza multimedia. Technology, Teaching, Information technology, Teaching methods, Education, Learning, Educational technology, Multimedia instruction. 1 Autor de correspondencia: ricardo.sa[email protected]am.mx Revista Fuentes 2024, 26(2), 134-146 https://doi.org/10.12795/revistafuentes.2024.24123 Recibido: 2023-07-09 Revisado: 2023-09-01 Aceptado: 2023-11-03 First Online: 2023-12-15 Publicación Final: 2024-05-15 135 REVISTA FUENTES,26(2), 134-146 DOI: 10.12795/revistafuentes.2024.24123 1. Introducción Durante el COVID-19, las universidades tuvieron que adaptar su modelo de enseñanza bajo la modalidad a distancia con el propósito de continuar el proceso de aprendizaje (Al-Breiki & Al-Abri, 2022; Pham & Nguyen, 2023; Rabayah & Amira, 2022; Zhang, 2022). Por consiguiente, las plataformas LMS adquirieron gran relevancia para realizar esta transformación (Darma-Kotama et al., 2019; Mohamed-Amin & Paiman, 2022; Saleh et al., 2022; Sulaymani et al., 2022; Zacharis & Nikolopoulou, 2022). De hecho, la educación remota promueve el aprendizaje personalizado a través del uso de las Tecnologías de la Información y Comunicación (TIC) desde cualquier lugar (Al-Breiki & Al-Abri, 2022; Castañeda & Villar-Onrubia, 2023; Kassymova et al., 2023; Li & Meng, 2023; Sarker et al., 2023). Debido al virus SARS-CoV-2, los avances tecnológicos como las plataformas LMS, las redes sociales, los sistemas de videoconferencia y los videos en Internet facilitaron la restructuración del proceso educativo de forma remota (Alturise, 2020; Demir et al., 2022; Korotaeva & Kapustina, 2022; Leshchenko et al., 2023; Yalley, 2022). Por ejemplo, las plataformas LMS facilitaron la comprensión de los temas escolares y la comunicación entre los profesores y alumnos (Al-Breiki & Al-Abri, 2022; Alkabaa, 2022; Mpungose & Khoza, 2022; Prahani et al., 2022). Incluso, estas herramientas tecnológicas como Moodle y Google classroom permiten que los profesores administren los contenidos de los cursos de forma rápida y sencilla (Mohamed- Amin & Paiman, 2022; Rabayah & Amira, 2022; Sáiz-Manzanares et al., 2021). Las plataformas LMS permiten la realización de exámenes en línea, la participación colaborativa por medio de los foros de discusión, la entrega de tareas, la autonomía de los estudiantes durante el proceso de aprendizaje y la visualización de los contenidos de los cursos (Ortega-Ruipérez, 2022; Mpungose & Khoza, 2022; Su et al., 2021; Zacharis & Nikolopoulou, 2022). Por ejemplo, Moodle es una herramienta ideal para la educación STEM (Science, Technology, Engineering and Mathematics) debido a que esta plataforma LMS mejora el rendimiento académico, incrementa la satisfacción y permite la realización de los exámenes en línea (Gamage et al., 2022). Por consiguiente, las plataformas LMS son herramientas tecnológicas necesarias para la realización de la educación a distancia debido a que los estudiantes pueden comunicarse con los docentes, administrar las entregas de las actividades escolares y visualizar la información de los cursos en cualquier momento. El objetivo de este estudio mixto es analizar la percepción de los estudiantes sobre el uso de las plataformas LMS durante la postpandemia COVID-19 por medio los algoritmos deep learning y random forest. Las preguntas de investigación son: • ¿Cómo afecta el uso de las plataformas LMS para el análisis y uso de la información escolar, la autonomía y el intercambio de ideas durante el proceso de aprendizaje considerando el algoritmo deep learning? • ¿Cuáles son los modelos sobre el uso de las plataformas LMS considerando el algortimo random forest? • ¿Cuál es la percepción de los estudiantes sobre el uso de las plataformas LMS durante la postpandemia COVID-19? 1.1. Plataformas LMS Actualmente, los educadores emplean las plataformas LMS para lograr los objetivos de aprendizaje de los cursos presenciales y a distancia (Lamsyah et al., 2022; Mohamed-Amin & Paiman, 2022; Qin et al., 2022; Yalley, 2022). Por ejemplo, las plataformas LMS como Moodle y Canvas son utilizadas principalmente para realizar los debates escolares en los foros de discusión y descargar las lecturas, las presentaciones digitales y la información de los cursos (Alserhan & Yahaya, 2021; Binyamin et al., 2019; Mpungose & Khoza, 2022; Verawati et al., 2022; Zuev et al., 2021). En la Universidad de Malasia, los estudiantes del curso Lengua Extranjera utilizaron Google classroom para eliminar las barreras de tiempo y espacio (Mohamed-Amin & Paiman, 2022). Durante el COVID-19, el uso de Blackboard en el curso Ingeniería facilitó el aprendizaje e incrementó la calidad educativa en la modalidad a distancia (Alkabaa, 2022). Incluso, el uso de las plataformas LMS junto con las estrategias pedagógicas como el Aula invertida y Blended learning permiten mejorar la interacción durante el proceso educativo (Green & Chewning, 2020). En el curso Terapia ocupacional, la incorporación de Moodle y el Aula invertida propició la realización de actividades colaborativas y fomentó el rol activo (Sáiz-Manzanares et al., 2021). 136 REVISTA FUENTES,26(2), 134-146 www.revistascientificas.us.es/index.php/fuentes/index El Aula invertida, Flipped classroom, se apoya en las plataformas LMS para fomentar la participación y la autonomía desde cualquier lugar (Lamsyah et al., 2022). Bajo esta estrategia educativa, los estudiantes de Enfermería utilizaron Google classroom para realizar los exámenes, revisar las presentaciones de PowerPoint y observar los contenidos audiovisuales (Lamsyah et al., 2022). En el nivel educativo de Posgrado, el uso de la plataforma LMS llamada Teams y el sistema de videoconferencia Zoom facilitó la comprensión del Idioma inglés y la interacción entre el educador y los alumnos a través del debate de forma síncrona y asíncrona (Korotaeva & Kapustina, 2022). Incluso, Ortega- Ruipérez (2022) menciona que Moodle es una herramienta tecnológica ideal para realizar los exámenes en la modalidad a distancia. En la Universidad de Corea, el empleo de las plataformas LMS mejoraron los aspectos relacionados con la comunicación, el aprendizaje autónomo y el trabajo colaborativo (Tinmaz & Lee, 2020). En el curso Lengua extranjera, las plataformas LMS desarrollaron las habilidades gramaticales sobre el Idioma Inglés e incrementaron el rendimiento académico (Akay & Koral-Gumusoglu, 2020). Por otro lado, Ozkan et al. (2020) utilizaron el algoritmo de redes neuronales artificiales con la finalidad de predecir el comportamiento de los estudiantes durante el uso de las plataformas LMS por medio del rendimiento académico, el promedio global del participante y la carrera. En conclusión, la incorporación de las plataformas LMS como Google classroom, Blackboard, Moodle y Teams permitió la realización de las actividades escolares de forma virtual (Aitdaoud et al., 2023; Korotaeva & Kapustina, 2022; Lamsyah et al., 2022; Ortega-Ruipérez, 2022; Shurygin et al., 2021; Yamani et al., 2022). De hecho, estas herramientas tecnológicas mejoraron el aprendizaje de los cursos Enfermería (Lamsyah et al., 2022), Idioma Inglés (Korotaeva & Kapustina, 2022), Ingeniería (Alkabaa, 2022), Terapia Ocupacional (Sáiz-Manzanares et al., 2021) y Lengua Extranjera (Akay & Koral-Gumusoglu, 2020; Mohamed-Amin & Paiman, 2022). 1.2. Uso de la Ciencia de datos en el campo educativo La Ciencia de datos está adquiriendo gran relevancia para analizar los fenómenos educativos y tecnológicos (Chadaga et al., 2021; Fauszt et al., 2023; Sun et al., 2023). En particular, los algoritmos del machine learning tienen un papel fundamental para descubrir, clasificar y evaluar los eventos relacionados con el proceso de enseñanza-aprendizaje (Chadaga et al., 2021; Koyuncu et al., 2022; Sun et al., 2023). Con respecto al uso de las plataformas LMS en el proceso educativo, los algoritmos de regresión lineal, random forest y árbol de decisión fueron utilizados para predecir el rendimiento académico de los estudiantes (Koyuncu et al., 2022). Para establecer estos modelos predictivos se consideró el tiempo, el número de días y el número de contenidos utilizados en la plataforma LMS (Koyuncu et al., 2022). El algoritmo deep learning es utilizado para personalizar los contenidos escolares por medio del estilo de aprendizaje y el comportamiento del usuario en la interfaz web (Sun et al., 2023). Asimismo, Salas-Rueda (2023) usó este algoritmo del machine learning para analizar la incorporación de Facebook y Google Classroom en la Facultad de Ciencias de la Universidad Nacional Autónoma de México. Incluso, la técnica árbol de decisión permitió identificar las condiciones predictivas sobre estas herramientas tecnológicas considerando la motivación y participación del alumnado (Salas-Rueda, 2023). Por último, los algoritmos del machine learning como regresión lineal, deep learning, árbol de decisión y random forest son ideales para descubrir información en el campo educativo y comprender la relación existente entre las variables de estudio (Chadaga et al., 2021; Koyuncu et al., 2022; Salas-Rueda, 2023; Sun et al., 2023). 2. Metodología Los objetivos particulares de este estudio mixto son (1) analizar la percepción de los estudiantes sobre el uso de las plataformas LMS para el análisis y uso de la información escolar, la autonomía y el intercambio de ideas durante el proceso de aprendizaje por medio del algoritmo deep learning, (2) usar el algoritmo random forest para construir los modelos sobre las plataformas LMS y (3) analizar la opinión de los estudiantes sobre el uso de las plataformas LMS durante la postpandemia COVID-19. Este estudio utilizó una muestra no probabilística y se apoyó en los alcances descriptivo, causal y correlacional para analizar el uso de las plataformas LMS. 137 REVISTA FUENTES,26(2), 134-146 DOI: 10.12795/revistafuentes.2024.24123 2.1 Participantes En este estudio, los participantes son 86 estudiantes de la Facultad de Ciencias en la Universidad Nacional Autónoma de México (UNAM). 2.2 Procedimiento La Figura 1 muestra el modelo utilizado para analizar la variable independiente (plataformas LMS) y las variables dependientes (análisis y uso de información, intercambio de ideas y autonomía). Figura 1. Modelo utilizado en este estudio. Los educadores emplean las plataformas LMS en las actividades y prácticas escolares con la finalidad de construir espacios virtuales para el aprendizaje (Akay & Koral-Gumusoglu, 2020; Demir et al., 2022; Korotaeva & Kapustina, 2022; Mohamed-Amin & Paiman, 2022). En esta investigación, las hipótesis sobre las plataformas LMS son: • Hipótesis 1 (H1): El uso de las plataformas LMS afecta positivamente la autonomía durante el proceso de aprendizaje • Hipótesis 2 (H2): El uso de las plataformas LMS afecta positivamente el análisis y empleo de la información escolar durante el proceso de aprendizaje • Hipótesis 3 (H3): El uso de las plataformas LMS afecta positivamente el intercambio de ideas durante el proceso de aprendizaje Por otro lado, el algoritmo random forest permitió la creación de los siguientes modelos sobre el uso de las plataformas LMS durante la postpandemia COVID-19: • Modelo predictivo 1 sobre la autonomía durante el proceso de aprendizaje, el perfil de los alumnos y las plataformas LMS • Modelo predictivo 2 sobre el análisis y uso de la información escolar durante el proceso de aprendizaje, el perfil de los alumnos y las plataformas LMS • Modelo predictivo 3 sobre el intercambio de ideas durante el proceso de aprendizaje, el perfil de los alumnos y las plataformas LMS 2.3 Recolección de datos En noviembre del 2022, se recuperó la información sobre el uso de las plataformas LMS durante la postpandemia COVID-19 en la Facultad de Ciencias, Universidad Nacional Autónoma de México a través de un cuestionario (Ver Tabla 1). Plataformas LMS Autonomía Análisis y el uso de la información Intercambio de ideas 138 REVISTA FUENTES,26(2), 134-146 www.revistascientificas.us.es/index.php/fuentes/index Tabla 1 Cuestionario sobre el uso de las plataformas LMS No. Variable de estudio Dimensión Pregunta Respuesta n % 1 Estudiantes Edad 1. ¿Cuál es tu edad? 21 años 4 4.65% 22 años 16 18.60% 23 años 36 41.86% 24 años 10 11.63% > 24 años 20 23.26% Sexo 2. Indica tu sexo Hombre 32 37.21% Mujer 54 62.79% 2 Tecnología Plataformas LMS 3. El uso de las plataformas LMS facilita la comprensión de los temas escolares Mucho (1) 18 20.93% Bastante (2) 42 48.84% Poco (3) 22 25.58% Muy poco (4) 4 4.65% Autonomía 4. Las herramientas tecnológicas facilitan la autonomía durante el proceso de aprendizaje Mucho (1) 44 51.16% Bastante (2) 34 39.53% Poco (3) 8 9.30% Muy poco (4) 0 0.00% Análisis y el uso de la información escolar 5. Las herramientas tecnológicas facilitan el análisis y uso de la información escolar durante el proceso de aprendizaje Mucho (1) 42 48.84% Bastante (2) 38 44.19% Poco (3) 4 4.65% Muy poco (4) 2 2.33% Intercambio de ideas 6. Las herramientas tecnológicas facilitan el intercambio de ideas durante el proceso de aprendizaje Mucho (1) 34 39.53% Bastante (2) 34 39.53% Poco (3) 14 16.28% Muy poco (4) 4 4.65% 3 Percepción de estudiantes Uso de las plataformas LMS 7. ¿Cuál es tu opinión sobre el uso de las plataformas LMS durante la postpandemia COVID-19? Abierta - - La Tabla 2 muestra la validación de este instrumento de medición. El valor del Alfa de Cronbach debe ser superior a 0.700, los valores del Factor de carga deben ser superiores a 0.500 y el valor de Composite Reliability debe ser superior a 0.700 para validar el cuestionario sobre el uso de las plataformas LMS en el campo educativo. Tabla 2 Validación del cuestionario Variable Dimensión Alfa de Cronbach Factor de carga Average Variance Extracted Composite Reliability Tecnología Plataformas LMS 0.767 0.555 0.608 0.858 Autonomía 0.827 Análisis y uso de la información 0.851 Intercambio de ideas 0.848 2.4 Análisis de datos Para calcular los algoritmos deep learning y random forest se utilizó la herramienta RapidMiner (Ver Figura 2). En el algoritmo deep learning, la sección de entrenamiento con el 70% y 80% de la muestra permite evaluar las hipótesis sobre el uso de las plataformas LMS durante la postpandemia COVID-19 por medio de la regresión lineal. Por otro lado, el algoritmo random forest empleó la edad y el sexo del participante para crear los modelos sobre el uso de esta herramienta tecnológica para el análisis y el uso de la información escolar, la autonomía y el intercambio de ideas durante el proceso de aprendizaje. Asimismo, la aplicación llamada Nube-de-palabras permitió identificar la frecuencia de las palabras sobre el uso de las plataformas LMS durante la postpandemia COVID-19. 139 REVISTA FUENTES,26(2), 134-146 DOI: 10.12795/revistafuentes.2024.24123 Figura 2. Herramienta RapidMiner. 3. Resultados El uso de las plataformas LMS facilita mucho (n = 18, 20.93%), bastante (n = 42, 48.84%), poco (n = 22, 25.58%) y muy poco (n = 4, 4.65%) la comprensión de los temas escolares (Ver Tabla 1). Por otro lado, los resultados del algoritmo deep learning señalan que el uso de las plataformas LMS afecta positivamente el análisis y uso de la información escolar, la autonomía y el intercambio de ideas durante el proceso de aprendizaje (Ver Tabla 3). 3.1 Autonomía de los estudiantes Las herramientas tecnológicas facilitan mucho (n = 44, 51.16%), bastante (n = 34, 39.53%) y poco (n = 8, 9.30%) la autonomía durante el proceso de aprendizaje (Ver Tabla 1). Los resultados del algoritmo deep learning con el 70% (0.303847974) y 80% (0.253332946) de la muestra indican que la Hipótesis 1 es aceptada, por lo tanto, el uso de las plataformas LMS afecta positivamente la autonomía durante el proceso de aprendizaje (Ver Tabla 3). Tabla 3 Algoritmo deep learning Hipótesis Entrenamiento Capas ocultas Activa ción Regresión lineal Conclusión Valor de p H1: LMS → autonomía 70% 50, 50 Tanh y = 0.303847974x + 0.917950317 Aceptada. 0.303847974 0.0000 80% y = 0.253332946x + 0.96984147 Aceptada. 0.253332946 0.0000 H2: LMS → información escolar 70% 50, 50 Tanh y = 0.323068727x + 0.829371098 Aceptada. 0.323068727 0.0000 80% y = 0.288839321x + 0.864362102 Aceptada. 0.288839321 0.0000 H3: LMS → intercambio de ideas 70% 50, 50 Tanh y = 0.304319032x + 1.180041461 Aceptada. 0.304319032 0.0000 80% y = 0.340082964x + 0.954119195 Aceptada. 0.340082964 0.0000 La Figura 3 muestra el modelo sobre la autonomía durante el proceso de aprendizaje, el perfil de los alumnos y las plataformas LMS. Por ejemplo, si el participante piensa que el uso de las plataformas LMS facilita mucho la comprensión de los temas escolares y es mujer entonces las herramientas tecnológicas facilitan mucho la autonomía durante el proceso de aprendizaje. (b) Random forest (a) Deep learning 140 REVISTA FUENTES,26(2), 134-146 www.revistascientificas.us.es/index.php/fuentes/index Figura 3. Modelo predictivo 1 sobre la autonomía y las plataformas LMS. El algoritmo random forest establece 9 condiciones donde el sexo y la edad de los participantes determinan la relación entre el uso de las plataformas LMS y la autonomía. El sexo determina 4 condiciones. Por ejemplo, si el participante piensa que el uso de las plataformas LMS facilita mucho la comprensión de los temas escolares y es hombre entonces las herramientas tecnológicas facilitan bastante la autonomía durante el proceso de aprendizaje. Por otro lado, la edad determina 4 condiciones. Por ejemplo, si el participante piensa que el uso de las plataformas LMS facilita bastante la comprensión de los temas escolares y tiene 23 años entonces las herramientas tecnológicas facilitan bastante la autonomía durante el proceso de aprendizaje. 3.2 Análisis y uso de la información escolar Las herramientas tecnológicas facilitan mucho (n = 42, 48.84%), bastante (n = 38, 44.19%), poco (n = 4, 4.65%) y muy poco (n = 2, 2.33%) el análisis y uso de la información escolar durante el proceso de aprendizaje (Ver Tabla 1). Los resultados del algoritmo deep learning con el 70% (0.323068727) y 80% (0.288839321) de la muestra indican que la Hipótesis 2 es aceptada, por lo tanto, el uso de las plataformas LMS afecta positivamente el análisis y empleo de la información escolar durante el proceso de aprendizaje (Ver Tabla 3). La Figura 4 muestra el modelo sobre el análisis y uso de la información escolar durante el proceso de aprendizaje, el perfil de los alumnos y las plataformas LMS. Por ejemplo, si el participante piensa que el uso de las plataformas LMS facilita bastante la comprensión de los temas escolares y es mujer entonces las herramientas tecnológicas facilitan bastante el análisis y empleo de la información escolar durante el proceso de aprendizaje. Figura 4. Modelo predictivo 2 sobre la información escolar y las plataformas LMS. 141 REVISTA FUENTES,26(2), 134-146 DOI: 10.12795/revistafuentes.2024.24123 El algoritmo random forest establece 9 condiciones donde el sexo y la edad de los participantes determinan la relación entre el uso de las plataformas LMS y la información escolar. El sexo determina 2 condiciones. Por ejemplo, si el participante piensa que el uso de las plataformas LMS facilita bastante la comprensión de los temas escolares y es hombre entonces las herramientas tecnológicas facilitan mucho el análisis y empleo de la información escolar durante el proceso de aprendizaje. La edad determina 5 condiciones. Por ejemplo, si el participante piensa que el uso de las plataformas LMS facilita poco la comprensión de los temas escolares y tiene una edad > 24 años entonces las herramientas tecnológicas facilitan poco el análisis y empleo de la información escolar durante el proceso de aprendizaje. 3.3 Intercambio de ideas Las herramientas tecnológicas facilitan mucho (n = 34, 39.53%), bastante (n = 34, 39.53%), poco (n = 14, 16.28%) y muy poco (n = 4, 4.65%) el intercambio de ideas durante el proceso de aprendizaje (Ver Tabla 1). Los resultados del algoritmo deep learning con el 70% (0.304319032) y 80% (0.340082964) de la muestra indican que la Hipótesis 3 es aceptada, por lo tanto, el uso de las plataformas LMS afecta positivamente el intercambio de ideas durante el proceso de aprendizaje (Ver Tabla 3). La Figura 5 muestra el modelo sobre el intercambio de ideas durante el proceso de aprendizaje, el perfil de los alumnos y las plataformas LMS. Por ejemplo, si el participante piensa que el uso de las plataformas LMS facilita bastante la comprensión de los temas escolares y tiene una edad de 23 años entonces las herramientas tecnológicas facilitan bastante el intercambio de ideas durante el proceso de aprendizaje. Figura 5. Modelo predictivo 3 sobre el intercambio de ideas y las plataformas LMS. El algoritmo random forest establece 9 condiciones donde el sexo y la edad de los participantes determinan la relación entre el uso de las plataformas LMS y el intercambio de ideas. El sexo determina 4 condiciones. Por ejemplo, si el participante piensa que el uso de las plataformas LMS facilita mucho la comprensión de los temas escolares y es hombre entonces las herramientas tecnológicas facilitan mucho el intercambio de ideas durante el proceso de aprendizaje. La edad determina 4 condiciones. Por ejemplo, si el participante piensa que el uso de las plataformas LMS facilita bastante la comprensión de los temas escolares y tiene 22 años entonces las herramientas tecnológicas facilitan bastante el intercambio de ideas durante el proceso de aprendizaje. 3.4 Percepción de los estudiantes De acuerdo con los participantes, las plataformas LMS son utilizadas para administrar las actividades escolares como las tareas, los exámenes en línea y las presentaciones digitales de los cursos. • “Ayudan mucho para organizar los contenidos de las materias, las tareas y las calificaciones” (Estudiante 2, 23 años, hombre). 142 REVISTA FUENTES,26(2), 134-146 www.revistascientificas.us.es/index.php/fuentes/index • “Pueden ayudar a que el alumno y profesor tenga una mejor organización sobre el curso” (Estudiante 7, 21 años, mujer). En la Facultad de Ciencias, los estudiantes consideran que las plataformas LMS son herramientas digitales indispensables para establecer la comunicación y conocer los temas de las asignaturas. • “Muy útiles para mantener la comunicación y revisar los temas de curso o clase, al igual para visualizar las asignaciones” (Estudiante 3, 24 años, hombre). • “Son útiles ya que se complementan las actividades que se realizan en esas plataformas con lo que estudias en clase” (Estudiante 11, 23 años, mujer). Asimismo, las plataformas LMS es un medio tecnológico donde el profesor y los estudiantes pueden intercambiar ideas, debatir los temas de los cursos y controlar las entregas escolares. • “Facilitan la comunicación y el intercambio de información entre el alumno y docente” (Estudiante 8, 23 años, mujer). • “Son útiles para mantener la cercanía en el ámbito académico y definir bien horarios de entregas” (Estudiante 23, 22 años, mujer). En la Universidad Nacional Autónoma de México, los estudiantes consideran que las plataformas LMS son herramientas necesarias para realizar las actividades bajo la modalidad a distancia. • “Facilitan las clases a distancia” (Estudiante 10, > 24 años, hombre). • “Excelentes plataformas para el proceso educativo” (Estudiante 16, 23 años, mujer). La aplicación Nube-de-palabras determina que las palabras con mayor frecuencia sobre las plataformas LMS son: útiles (14), tareas (12), comunicación (10), facilitan (10), plataformas (10), clase (8), ayudan (6), curso (6) y docente (6). La Figura 6 muestra esta nube de palabras. Figura 6. Nube de palabras sobre las plataformas LMS. La Tabla 4 muestra las correlaciones de Pearson sobre el uso de las plataformas LMS durante la postpandemia COVID-19. La correlación más significativa sobre esta herramienta tecnológica se ubica en el intercambio de ideas con 0.338. Tabla 4 Correlaciones de Pearson Plataformas LMS Autonomía Análisis y uso de la información Intercambio de ideas Plataformas LMS 1 - - - Autonomía 0.335 1 - - Análisis y uso de la información 0.272 0.614 1 - Intercambio de ideas 0.338 0.562 0.661 1