martes, 16 de agosto de 2016

Actividad 1 - Introducción MultiPoint para Docentes

En esta actividad se realiza una introducción al sistema operativo Microsoft MultiPoint Server 2012

El objetivo es que te familiarices con la interfaz de MultiPoint Server 2012, principalmente con el Panel de MultiPoint y el MultiPoint Manager a través de las lecturas de los contenidos y observaciones de vídeos en el que realizaras las siguientes operaciones:

Panel de MultiPoint (Primera Parte - Modulo 1)
  1. Accesando al Multipoint
  2. Ver escritorios
  3. Bloquear/desbloquear escritorio de estudiantes
  4. Limitar el acceso web
  5. Proyectar una estación en otras estaciones
  6. Ejecutar aplicaciones en una o mas estaciones
  7. Cerrar aplicaciones en una o mas estaciones
  8. Tomando el control de la sesión de un usuario
  9. Ver y cambiar el tamaño de las vistas en Miniatura de los escritorios
MultiPoint Manager (Segunda Parte - Modulo 2)
  1. Accesando al Multipoint
  2. Pantalla de Inicio
  3. Panel de Multipoint Manager
  4. Editar la configuración del servidor
  5. Reiniciar el equipo / Apagar el equipo
  6. Cambiar al Modo de consola / Cambiar al Modo de estación
  7. Habilitar o deshabilitar la protección de disco
  8. Reasignar todas las estaciones
  9. Agregar o quitar servidores Multipoint
  10. Administrar estaciones de usuario
  11. Identificar estaciones
  12. Suspender todas las estaciones
  13. Cerrar sesión
  14. Cambiar el nombre de la estación
  15. Archivos Privados / Archivos Públicos
  16. Compartir archivos a través de equipos/usuarios en MultiPoint Server
Recursos o materiales:
Descargamos los archivos con el vamos a trabajar. Los ficheros son archivos PDF con los que puedes practicar en el Laboratorio de Informática. Si no tienes el lector de PDF puedes descargar uno desde aquí (Adobe Reader)

sábado, 2 de julio de 2016

Integración de las TIC en la Práctica Pedagógica de los Docentes del Nivel Secundario

InvestigaciónLa Integración de las TIC en la Práctica Pedagógica de los Docentes del Nivel Secundario

Cuestionario 1A los directivos o gestores de las escuelas

Cuestionario 2 Al conjunto de profesores de las escuelas

viernes, 25 de marzo de 2016

10 consejos sobre redacción de textos en internet

Ofrecemos a continuación una serie de consejos generales útiles a la hora de redactar textos para la web.
  1. Sigue pautas de usabilidad: el diseño y el contenido de tus textos debe facilitar la localización de la información más significativa.
  2. Empieza por buscar un titular descriptivo y que incluya palabras clave para que los motores de búsqueda las localicen.
  3. Dentro del lead o entrada, situado en la parte superior de la página, escribe las conclusiones. Continua incluyendo la información de apoyo y después la de contexto. Estarás aplicando el modelo periodístico de la pirámide invertida pero adaptado a los nuevos medios.
  4. Teniendo en cuenta que el usuario escanea la página en busca de información, capta su atención con elementos destacados: ladillos, encabezados, listas, palabras en negrita… Sin embargo no abuses de las mayúsculas, son difíciles de leer y en internet equivalen a gritar.
  5. Redacta párrafos breves con una sola idea. Abandona las frases subordinadas y apuesta por estructuras sencillas y llenas de acción.
  6. El enlace es un importante aliado para tus textos. Además de ayudarte a segmentar la información extensa, el hipervínculo funciona como palabra clave para los buscadores de Google, Yahoo! o Bing. Y aún hay más, enlazar a fuentes fiables puede aumentar la credibilidad de tu información.
  7. Utiliza un diseño sencillo y ordenado. Si jerarquizas la información siguiendo los mismos elementos visuales —color, fuente y tipo de letra—, ayudas al usuario a situarse en la página. Con respecto a la sencillez, mejor no abuses de los tipos de fuente.
  8. Si quieres que tus textos sean visualizados desde cualquier dispositivo o navegador, utiliza fuentes disponibles en todos los ordenadores. Arial y Verdana son las más sencillas de leer. Dales un tamaño de fuente superior a 10.
  9. El contraste de colores entre el texto —colores oscuros— y el fondo —colores fríos— dará la impresión de limpieza visual.
  10. Internet se enriquece con la participación de la audiencia. Algunas fórmulas para ello son la apertura de noticias a los comentarios de lectores, las encuestas o la utilización de las redes sociales para difundir tus contenidos.
Fuente
CRISTINA GÓRRIZ DE LA CAL, "10 consejos sobre redacción de textos en internet," #EscribirEnInternet, Fundéu.  12/12/2013

sábado, 5 de marzo de 2016

Actividad 2. R


Esta es otra actividad se relaciona con lo visto en clase sobre el paquete de análisis R, para realizar análisis estadísticos. 



Unos investigadores desarrollan un nuevo entorno virtual de aprendizaje basado en Google Apps. Para evaluar la incidencia de la utilización de este nuevo entorno en las calificaciones de los estudiantes, durante dos años se realiza un estudio de caso con dos grupos de estudiantes: un grupo de control que utiliza Moodle y un grupo experimental que utiliza Google Apps; el reparto de sujetos entre ambos grupos se realiza siguiendo un criterio de paridad de sexo.

    
El registro del caso se recoge en el siguiente fichero: https://www.dropbox.com/s/d4egha6ag2hgt9i/Notas-2grupos-v3.csv?dl=0

Lo primero que vamos a hacer es cargar los datos.



Descargamos el fichero de datos con el que vamos a trabajar. El fichero es un archivo CSV con una estructura tabulada. Tal y como se puede observar, en el fichero constan los datos de 40 estudiantes de los cuales 20 utilizaron un entorno Moodle y 20 utilizaron un entorno Google Apps. Entre esos datos figuran el entorno, el sexo y la calificación final de cada estudiante. 

  

Abrimos la interfaz RStudio y cargamos el fichero de datos desde la cuadrícula superior derecha: Import Dataset → From text file.

 

A continuación, debemos indicar que nuestro contenido del fichero incluya una cabecera, utilizado entre las variables. Este es el resultado:

 

El proceso se realiza correctamente, y en la cuadrícula superior derecha se cargan los datos y visualizan las variables de trabajo.

 

SE PIDE:
1. Observar los datos y reflexionar acerca de la relación que existe entre las variables calificación, grupo y sexo.


Observando los datos y reflexionando acerca de la relación que existe entre las variables calificación, grupo y sexo, puedo decir que:
  • Las calificaciones del grupo Moodle son más altas en las hembras que en lo varones. 
  • Las calificaciones del grupo Google Apps son más altas en los varones que en las hembras.   
  • Las mayores calificaciones en los estudiantes del grupo Moodle la tienen las mujeres en relación con los varones. 
  • Las mayores calificaciones en los estudiantes del grupo Google Apps la tienen los varones en relación con las hembras. 
ación en forma de asociación: “La baja autoestima en los estudiantes influye en el bajo rendimiento académico.”
Relación en forma de covarianza: “A mayor tiempo dedicado al estudio, mayor probabilidad de obtener altas calificaciones.”
- See more at: http://elaboratumonografiapasoapaso.com/blog/como-establecer-la-relacion-entre-variables/#sthash.6HYN2ULM.dpuf
Relación en forma de asociación: “La baja autoestima en los estudiantes influye en el bajo rendimiento académico.”
Relación en forma de covarianza: “A mayor tiempo dedicado al estudio, mayor probabilidad de obtener altas calificaciones.”
- See more at: http://elaboratumonografiapasoapaso.com/blog/como-establecer-la-relacion-entre-variables/#sthash.6HYN2ULM.dpuf
Relación en forma de asociación: “La baja autoestima en los estudiantes influye en el bajo rendimiento académico.”
Relación en forma de covarianza: “A mayor tiempo dedicado al estudio, mayor probabilidad de obtener altas calificaciones.”
- See more at: http://elaboratumonografiapasoapaso.com/blog/como-establecer-la-relacion-entre-variables/#sthash.6HYN2ULM.dpuf
2. Dibujar en Excel o Google Sheets un gráfico de interacción (http://courses.washington.edu/smartpsy/interactions.htm) de las medias de las calificaciones combinando las variables grupo y sexo, es decir: Moodle-Male, Moodle-Female, GoogleApps-Male, GoogleApps-Female. ¿Coinciden los resultados mostrados en el gráfico con tus reflexiones del apartado anterior?  

 
 

domingo, 28 de febrero de 2016

Introducción a R.

Esta actividad se relaciona con lo visto en clase sobre el paquete de análisis R, para realizar comparaciones estadísticas. El objetivo es familiarizarnos con la interfaz de RStudio y los comandos de R a través de un ejemplo en el que realizaremos las siguientes operaciones:
  1. Carga de datos
  2. Filtrado de datos
  3. Representación gráfica
  4. Regresión lineal
  5. Análisis de diferencias entre grupos mediante t-student
Actividad:


Unos investigadores desarrollan un nuevo entorno virtual de aprendizaje basado en Google Apps. Para evaluar la incidencia de la utilización de este nuevo entorno en las calificaciones de los estudiantes, durante dos años se realiza un estudio de caso con dos grupos de estudiantes: un grupo de control que utiliza Moodle y un grupo experimental que utiliza Google Apps.


SE PIDE: para cada uno de los años, analizar si existen diferencias estadísticamente significativas entre las calificaciones de ambos grupos.


Para los dos años, vamos a realizar las siguientes operaciones:
  1. Carga de datos
  2. Filtrado de datos
  3. Representación gráfica
  4. Regresión lineal
  5. Análisis de diferencias entre grupos mediante t-student
  • Año 1:
1. Carga de datos.
Descargamos el fichero de datos con el que vamos a trabajar. El fichero es un archivo CSV con una estructura tabulada. Tal y como se puede observar, en el fichero constan los datos de 40 estudiantes de los cuales 20 utilizaron un entorno Moodle y 20 utilizaron un entorno Google Apps durante el Año 1. Entre esos datos figuran el grupo o entorno y la calificación final de cada estudiante.
Archivo Notas-2grupos-v1.csv

Abrimos la interfaz RStudio y cargamos el fichero de datos.

 


A continuación, debemos indicar que nuestro contenido del fichero incluya una cabecera, utilizado entre las variables. Este es el resultado:



2. Filtrado de datos. 

Para filtrar los sujetos por tipo grupo, escribimos los siguientes comandos en la consola de R:

> datosMoodle <-subset(Notas.2grupos.v1, grupo=="Moodle")
> datosGoogleApps <-subset(Notas.2grupos.v1, grupo=="Google Apps") 

Al ejecutar estos dos comandos, se crearan dos variables: datosMoodle y datosGoogleApps.
 



3. Representación gráfica.

Vamos a crear el "marco" sobre el que representar los puntos (los estudiantes). Es necesario definir unos ejes X, Y que abarque el rango de valores de las variables que se desea representar (nota). Para ello, introducimos el siguiente comando:

> plot(Notas.2grupos.v1$nota, ylab="nota", xlab="grupo", type="n")


A continuación, dibujamos sobre esos ejes los puntos que representan a los estudiantes de cada grupo (Moodle vs Google Apps).

> points(datosMoodle$nota ~ datosMoodle$nota, col="blue", cex=0.9)
> points(datosGoogleApps$nota ~ datosGoogleApps$nota, col="red", cex=0.9)
 


Análisis: A partir de la observación de las distribuciones de puntos de cada grupo, podemos inferir que conforme aumenta el tamaño de la red personal de los estudiantes, también lo hace la calificación final obtenida por éstos. Para confirmar este hecho, procedemos a ajustar cada una de las distribuciones de puntos a una recta mediante una regresión lineal simple.

4. Regresión lineal. 

El comando lm calcula los parámetros del modelo:

> lmMoodle <- lm(datosMoodle$nota ~ datosMoodle$nota) 
> lmGoogleApps <- lm(datosGoogleApps$nota ~ datosGoogleApps$nota) 
Finalmente, representamos cada una de las rectas sobre la gráfica utilizando el comando abline, al cual se le pasan como parámetros los coeficientes de la recta, y el color y el grosor que se desean utilizar para dibujarla.

> abline(lmMoodle, col="blue", lwd=2)
> abline(lmGoogleApps, col="red", lwd=2)
 

5. Análisis de diferencias entre grupos mediante t-student.


En la figura anterior, podemos observar que la nube de puntos correspondiente al grupo de estudiantes que utilizó el entorno Google Apps tiene una calificación final mayor y calificaciones mejores que el grupo de estudiantes que utilizaron el entorno Moodle. Calculamos la media para hacernos una idea de la medida en que dichos indicadores varían.

Media de la calificación final en cada grupo:

> with(Notas.2grupos.v1, tapply(nota, list(grupo), mean))
Google Apps      Moodle 
       7.25        6.25

Por lo tanto, un estudiante que utilizó el entorno Google Apps obtuvo, de media, 1 pto. más (sobre 100) que un estudiante que utilizó el entorno Moodle. No parece una diferencia significativa.

Finalmente, queremos saber si las diferencias observadas entre grupos en la calificación final son ESTADISTICAMENTE significativas.

Ejecutamos el comando para realizar el test de t de student.

> t.test(datosMoodle$nota, datosGoogleApps$nota)

Y obtenemos los resultados del análisis:
 
En este caso, p-value = 0.007427 =  0.7427% por lo que el riesgo a equivocarnos es pequeño.

Por tanto, en lo que respecta a la calificación final concluimos que:
  • en este estudio concreto no percibimos una diferencia significativa entre los valores de las medias de cada grupo.
  • la diferencia entre las calificaciones de los estudiantes de uno y otro grupo es estadísticamente significativa.

  • Año 2:
1. Carga de datos.
Descargamos el fichero de datos con el que vamos a trabajar. El fichero es un archivo CSV con una estructura tabulada. Tal y como se puede observar, en el fichero constan los datos de 40 estudiantes de los cuales 20 utilizaron un entorno Moodle y 20 utilizaron un entorno Google Apps durante el Año 2. Entre los datos figuran el grupo o entorno y la calificación final de cada estudiante. 

Abrimos la interfaz RStudio y cargamos el fichero de datos.



2. Filtrado de datos. 

Antes de filtrar los sujetos por grupos, vemos que en este fichero, el delimitador o separador (#) que contiene las columnas, no es leido por RStudio.

Modificamos el separador por "# "en la consola de R y ejecutamos:
> Notas.2grupos.v2 <- read.csv("C:/Users/Wagner Abreu/Desktop/[BT01-BT02] Tarea evaluable T2/Notas-2grupos-v2.csv", sep="#")
 
 
 
 
Ahora podemos filtrar los grupos:
 


Calculamos la media para hacernos una idea de la medida en que dichos indicadores varían de un grupo a otro.
Media de la calificación final en cada grupo:
> with(Notas.2grupos.v2, tapply(nota, list(grupo), mean))
Google Apps      Moodle 
       7.25        6.55 
 
Podemos observar en este caso, que un estudiante que utilizó Google Apps obtuvo, de media, 0.71 pto. más que un estudiante que utilizó el entorno Moodle.

Para estar seguros de nuestro estudio, hacemos una prueba de t-student para ver el grado de confianza.


 
En este último caso, p-value = 0.08832 =  8.832% por lo que el riesgo a equivocarnos es grande.

Por tanto, en lo que respecta a la calificación final concluimos que:
  • en este estudio concreto percibimos una diferencia significativa entre los valores de las medias de cada grupo.
  • la diferencia entre las calificaciones de los estudiantes de uno y otro grupo no es estadísticamente significativa.
Análisis final