Análisis comparativo de técnicas de estimación en el análisis de redes aplicado a la investigación en docencia universitaria

Abstract

El objetivo del estudio fue examinar el desempeño de cuatro métodos de estimación de redes (EBICglasso, huge, TMFG, LoGo) y tres algoritmos de detección de comunidades (walktrap, leiden, spinglass) en bases de datos de investigación educativa. Empleó un diseño experimental basado en datos con simulaciones Monte Carlo. A partir de dos conjuntos de datos provenientes de escalas ordinales tipo Likert con características compartidas, se generaron 988,800 casos a través de diversos tamaños de muestra. Finalmente, fueron un total de 192 modelos estimados a través cuatro métodos de estimación de redes bajo dos estrategias de conversión de datos (normal y no paranormal). Se realizó un análisis de clústeres para cada modelo, lo que dio lugar a 576 redes únicas. El análisis final, replicado para dos variables, resultó en 1,152 estimaciones. Las conclusiones indican que una cuidadosa selección de configuraciones mejora la replicabilidad y consistencia, además que las configuraciones iniciales de estimación son cruciales para obtener resultados precisos. El diseño de modelos dinámicos y complejos a través del análisis de redes psicométricas puede conducir a nuevos paradigmas pedagógicos y andragógicos, lo que permitirá optimizar los mecanismos educativos y comprender el desarrollo integral de los estudiantes.