DOI:
https://doi.org/10.14483/22487638.24842Published:
2026-03-31Issue:
Vol. 30 No. 87 (2026): Enero - MarzoSection:
ResearchMinería de datos y redes sociales: predicción de la distracción en estudiantes de educación superior
Data Mining and Social Media: Predicting Distraction Among College Students
Keywords:
Data mining, Social media, Prediction, Student (en).Keywords:
Minería de datos, Redes sociales, Predicción, Estudiante (es).Downloads
Abstract (es)
Objetivo: las redes sociales, como herramientas emergentes de las últimas tres décadas, han evolucionado en paralelo con Internet. Estas plataformas ofrecen formas de interacción que pueden derivar en distracciones positivas como negativas, según el uso que se les dé. En el ámbito educativo, un uso inadecuado de estas plataformas digitales puede generar problemas de distracción y afectar negativamente el aprendizaje. En este contexto, la presente investigación desarrolla un modelo predictivo basado en minería de datos y aprendizaje automático, con el objetivo de identificar el grado de distracción en el proceso de enseñanza-aprendizaje.
Metodología: la base de conocimiento, construida a partir de una encuesta aplicada a más de 1000 estudiantes de educación superior, proporciona la información necesaria para entrenar algoritmos de aprendizaje automático capaces de predecir la probabilidad de que un estudiante sufra distracciones debido al uso de las redes sociales.
Resultados: los resultados obtenidos muestran que el modelo es capaz de detectar adecuadamente el 80 % de los casos de distracción, aunque existe margen para mejorar estos resultados mediante ajustes en la base de conocimiento.
Conclusiones: los hallazgos actuales demuestran un buen rendimiento en la predicción de distracciones relacionadas con el uso de las plataformas digitales, lo que permitiría anticipar el bajo rendimiento de estudiantes y proponer estrategias de mejora.
Abstract (en)
Objective: Social media platforms, as emerging tools over the last three decades, have evolved alongside the Internet. They offer forms of interaction that can lead to positive or negative distractions, depending on how they are used. In the educational context, the inappropriate use of these digital platforms can lead to distraction issues and negatively affect learning. In this context, this research develops a predictive model based on data mining and machine learning, aiming to identify the degree of distraction in the teaching-learning process.
Methodology: The knowledge base, constructed from a survey administered to over 1,000 higher education students, provides the necessary information to train machine learning algorithms capable of predicting the probability of a student experiencing distraction due to social media use.
Results: The results show that the model accurately detects 80% of distraction cases, although there is room for improvement through adjustments to the knowledge base.
Conclusions: The findings demonstrate good performance in predicting distractions related to the use of digital platforms, which would allow anticipating low academic performance in students and proposing intervention strategies.
References
[1] Y. Venugeetha, R. Ranjeet, y K. Rishabh, "Social Networking Sites in Daily Life: Benefits and Threats," en Artificial Intelligence and Communication Technologies. India: SCRS, 2022, pp. 51–64. doi: https://doi.org/10.52458/978-81-955020-5-9-5
[2] T. Sanwal, S. Yadav, S. Avasthi, A. Prakash, y M. Tyagi, "Social Media and Networking Applications in the Education Sector," en 2023 2nd Edition of IEEE Delhi Section Flagship Conference (DELCON). IEEE, feb. 2023, pp. 1–6. doi: https://doi.org/10.1109/DELCON57910.2023.10127547
[3] I. Milošević, D. Živković, S. Arsić, y D. Manasijević, "Facebook as virtual classroom - Social networking in learning and teaching among Serbian students," Telematics and Informatics, vol. 32, núm. 4, pp. 576–585, 2015. doi: https://doi.org/10.1016/j.tele.2015.02.003
[4] M. R. Buxarrais, "Redes sociales y educación," Education in the Knowledge Society (EKS), vol. 17, núm. 2, pp. 15–20, jul. 2016. doi: https://doi.org/10.14201/eks20161721520
[5] G. A. Flores Lagla, J. C. Chancusig Chisag, J. A. Cadena Moreano, O. A. Guaypatín Pico, y R. H. Montaluisa Pulloquinga, "La influencia de las redes sociales en los estudiantes universitarios," Boletín Redipe, vol. 6, núm. 4, pp. 56–64, oct. 2017.
[6] J. Chen, "Social Media Addiction and Consequences in Adolescents," Lecture Notes in Education Psychology and Public Media, vol. 7, núm. 1, pp. 291–296, may. 2023. doi: https://doi.org/10.54254/2753-7048/7/20220823
[7] Q. Du, "The Negative Impact of Social Media on Adolescents," Lecture Notes in Education Psychology and Public Media, vol. 6, núm. 1, pp. 305–309, may. 2023. doi: https://doi.org/10.54254/2753-7048/6/20220346
[8] H. Pang, "The Negative Impact of Social Media on People's Lives," en Proceedings of the 2021 International Conference on Social Development and Media Communication (SDMC 2021). Atlantis Press, 2022, pp. 554–557. doi: https://doi.org/10.2991/assehr.k.220105.102
[9] W. Frawley, G. Piatetsky-Shapiro, y C. Matheus, "Knowledge Discovery in Databases: An overview," AI Magazine, vol. 13, núm. 1, pp. 57–70, 1992. https://ojs.aaai.org/aimagazine/index.php/aimagazine/article/download/1011/929
[10] U. Fayyad, G. Piatetsky-Shapiro, y P. Smyth, "From data mining to knowledge discovery in databases," AI Magazine, vol. 17, núm. 3, pp. 37–53, 1996.
[11] J. Hernández Orallo, Ma. J. Ramírez Quintana, y C. Ferri Ramírez, Introducción a la minería de datos. Madrid: Pearson Educación, 2004.
[12] S. R. Timarán-Pereira, I. Hernández-Arteaga, S. J. Caicedo-Zambrano, y A. Hidalgo-Troya, "El proceso de descubrimiento de conocimiento en bases de datos," en Descubrimiento de patrones de desempeño académico con árboles de decisión en las competencias genéricas de la formación profesional. Bogotá, Colombia: Universidad Cooperativa de Colombia, 2016, pp. 63–86. doi: https://doi.org/10.16925/9789587600490
[13] R. Thomas y R. Gupta, "A Survey on Machine Learning Approaches and Its Techniques," en 2020 IEEE International Students' Conference on Electrical, Electronics and Computer Science (SCEECS). IEEE, 2020, pp. 1–6. doi: https://doi.org/10.1109/SCEECS48394.2020.190
[14] A. Sharma, A. Kaur, y A. Semwal, "Supervised and Unsupervised Prediction Application of Machine Learning," en 2022 International Conference on Cyber Resilience (ICCR). IEEE, 2022, pp. 1–5. doi: https://doi.org/10.1109/ICCR56254.2022.9996063
[15] V. Gupta, V. K. Mishra, P. Singhal, y A. Kumar, "An Overview of Supervised Machine Learning Algorithm," en 2022 11th International Conference on System Modeling & Advancement in Research Trends (SMART). IEEE, 2022, pp. 87–92. doi: https://doi.org/10.1109/SMART55829.2022.10047618
[16] A. Nenkova y K. McKeown, "Automatic Summarization," Foundations and Trends in Information Retrieval, vol. 5, núm. 2–3, pp. 103–233, 2011. doi: https://doi.org/10.1561/1500000015
[17] Google, "Google Forms," Google LLC. Consultado: el 8 de mar. de 2024. [En línea]. Disponible en: https://www.google.com/intl/es_mx/forms/about/
[18] IBM Corp., IBM SPSS Statistics for Windows, versión 28.0. Armonk, NY: IBM Corp., 2021.
[19] F. Pedregosa et al., "Scikit-learn: Machine Learning in Python," Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.
[20] E. Cowles y E. Nelson, An Introduction to Survey Research. New York: Business Expert Press, 2015.
[21] O. Loyola-González, J. F. Martínez-Trinidad, J. A. Carrasco-Ochoa, y M. García-Borroto, "Study of the impact of resampling methods for contrast pattern based classifiers in imbalanced databases," Neurocomputing, vol. 175, pp. 935–947, 2016. doi: https://doi.org/10.1016/j.neucom.2015.04.120
[22] A. Masood, A. Luqman, Y. Feng, y A. Ali, "Adverse consequences of excessive social networking site use on academic performance: Explaining underlying mechanism from stress perspective," Computers in Human Behavior, vol. 113, art. 106476, 2020. doi: https://doi.org/10.1016/j.chb.2020.106476
[23] M. Kolhar, R. N. A. Kazi, y A. Alameen, "Effect of social media use on learning, social interactions, and sleep duration among university students," Saudi Journal of Biological Sciences, vol. 28, núm. 4, pp. 2216–2222, 2021. doi: https://doi.org/10.1016/j.sjbs.2021.01.010
[24] N. Andleeb, S. Rafique, y Quratulain, "Use of Social Media Tools by Undergraduates: Students and Teachers' Perspective," Journal of Social Sciences Review, vol. 3, núm. 1, pp. 758–767, mar. 2023. doi: https://doi.org/10.54183/jssr.v3i1.218
[25] C. Shane-Simpson y T. Bakken, "Students' fear of missing out predicts in-class social media use," Teaching of Psychology, vol. 51, núm. 2, pp. 141–150, 2024. doi: https://doi.org/10.1177/00986283211060752
[26] M. O. Sagabala, S. M. A. Regidor, M. C. M. Dela Torre, y A. M. M. Monteza, "A Qualitative Inquiry on the Behavior of English Major Students Towards Social Media Distractions," European Journal of Education Studies, vol. 10, núm. 8, 2023. doi: https://doi.org/10.46827/ejes.v10i8.4907
How to Cite
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Download Citation
License
Copyright (c) 2026 Alan Ramírez-Noriega, Yobani Martínez-Ramírez, Juan Francisco Figueroa Pérez, Carolina Tripp-Barba, Marcos Adrián Murillo-Corrales
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Esta licencia permite a otros remezclar, adaptar y desarrollar su trabajo incluso con fines comerciales, siempre que le den crédito y concedan licencias para sus nuevas creaciones bajo los mismos términos. Esta licencia a menudo se compara con las licencias de software libre y de código abierto “copyleft”. Todos los trabajos nuevos basados en el tuyo tendrán la misma licencia, por lo que cualquier derivado también permitirá el uso comercial. Esta es la licencia utilizada por Wikipedia y se recomienda para materiales que se beneficiarían al incorporar contenido de Wikipedia y proyectos con licencias similares.
