Bodega de datos adaptable con base en el factor de investigación del modelo de acreditación institucional del CNA
Resumen
Uno de los principales desafíos de las instituciones de educación superior es mejorar continuamente la calidad educativa. En Colombia, el Consejo Nacional de Acreditación se encarga de evaluar si una institución está brindando educación de alta calidad. Una de las etapas para obtener el reconocimiento de alta calidad requiere la presentación de un informe de autoevaluación con datos cuantitativos por parte de la institución. Esta etapa es muy exigente para las instituciones porque require el manejo de datos extraídos de diversas fuentes. Las bodegas de datos son una solución alternativa ya que permiten centralizar información de diversas fuentes y apoyar la toma de decisiones. Este artículo propone modelos dimensionales adaptables a la disponibilidad de fuentes de información para las
instituciones y se enfoca en los procesos investigativos. La metodología de investigación utilizada es el Patrón de Investigación Iterativa, donde se observó el
problema a través de la revisión de estudios relacionados e informes de autoevaluación presentados al Consejo Nacional de Acreditación por instituciones públicas. Posteriormente, los requisitos del modelo fueron creados y validados por un grupo de expertos en acreditación de calidad institucional. Luego se desarrolló la solución y se propusieron seis modelos de investigación dimensional adaptables utilizando la metodología MiPymes, los cuales son validados a través de un grupo focal de expertos en modelado dimensional de bodegas de datos que consider que el grado de adaptabilidad de los modelos a los requerimientos es del 100%.
Palabras clave
bodegas de datos, Modelado Dimensional, Lineamientos de calidad, Investigación, Educación Superior
Referencias
- CESU, Acuerdo 03 de 2014, Consejo Nacional de Acreditación (NAC). Colombia, p. 32, 2014.
- J. E. Martínez, S. Tobón, A. Romero, “Problemáticas relacionadas con la acreditación de la calidad de la educación superior en América Latina,” Innovación Educativa, vol. 17, no. 73, pp. 79–96, 2017.
- G. E. Silva Peñafiel, V. M. Zapata Yánez, K. P. Morales Guamán, L. M. Toaquiza Padilla, “Análisis de metodologías para desarrollar Data Warehouse aplicado a la toma de decisiones,” Ciencia Digital, vol. 3, no. 3.4., pp. 397–418, 2019. https://doi.org/10.33262/cienciadigital.v3i3.4..922 DOI: https://doi.org/10.33262/cienciadigital.v3i3.4..922
- IBM, Engineering Lifecycle Management - Data Warehouse, 2022. https://www.ibm.com/docs/en/elm/6.0?topic=overview-data-warehouse
- R. Kimball, M. Ross, The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling, 3d ed. John Wiley & Sons, Inc., 2013.
- W. Camilo, L. Mera, Modelo Dimensional para Proyectos y Grupos de Investigación de la VRI de la Universidad del Cauca, Grade Thesis, Universidad del Cauca, 2022.
- E. K. A. Miranda, E. L. I. Suryani, “Implementation of Data Warehouse, Data Mining and Dashboard for Higher Education,” Journal of Theoretical and Applied Information Technology, vol. 64, no. 3, pp. 710–717, 2014.
- F. Di Tria, E. Lefons, F. Tangorra, “Academic Data Warehouse Design Using a Hybrid Methodology,” Computer Science and Information Systems, vol. 12, no. 1, pp. 135–160, 2015. https://doi.org/10.2298/CSIS140325087D DOI: https://doi.org/10.2298/CSIS140325087D
- S. Gorbea Portal, M. Madera Jaramillo, “Diseño de un data warehouse para medir el desarrollo disciplinar en instituciones académicas,” Investigación Bibliotecológica, vol. 31, pp. 161–181, 2017. https://doi.org/10.22201/iibi.0187358xp.2017.72.57828 DOI: https://doi.org/10.22201/iibi.0187358xp.2017.72.57828
- D. Solodovnikova, L. Niedrite, A. Niedritis, “Architecture Enabling Adaptation of Data Integration Processes for a Research Information System,” Foundations of Computing and Decision Sciences, vol. 43, no. 2, pp. 129–149, 2018. https://doi.org/10.1515/fcds-2018-0008 DOI: https://doi.org/10.1515/fcds-2018-0008
- F. Medina, F. Fariña, W. Castillo-Rojas, “Data Mart para obtención de indicadores de productividad académica en una universidad Data Mart to obtain indicators of academic productivity in a university,” Ingeniare. Revista Chilena de Ingeniería, vol. 26, pp. 88–101, 2018. https://doi.org/10.4067/S0718-33052018000500088 DOI: https://doi.org/10.4067/S0718-33052018000500088
- E. V. F. Lapura, J. K. J. Fernandez, M. J. K. Pagatpat, D. D. Dinawanao, “Development of a University Financial Data Warehouse and its Visualization Tool,” Procedia Computer Science, vol. 135, pp. 587–595, 2018. https://doi.org/10.1016/j.procs.2018.08.229 DOI: https://doi.org/10.1016/j.procs.2018.08.229
- M. E. Mendoza, L. Durán, N. Rivera, “MBD 1.0. Metodología de Desarrollo de Bodegas de Datos Para Micro, Pequeñas y Medianas Empresas,” UIS Ingenierías, vol. 9, no. 1, pp. 85–101, 2010.
- K. S. Pratt, “Design Patterns for Research Methods: Iterative Field Research,” AAAI Spring Symposium: Experimental Design for Real, no. 1994, pp. 1–7, 2009
- Congreso Nacional de Colombia, Ley 30 de Diciembre 28 de 1992, 1992. https://www.mineducacion.gov.co/1621/articles-86437_Archivo_pdf.pdf
- B. Kitchenham, P. Brereton, “A systematic review of systematic review process research in software engineering,” Information and Software Technology, vol. 55, no. 12, pp. 2049–2075, 2013. https://doi.org/10.1016/j.infsof.2013.07.010 DOI: https://doi.org/10.1016/j.infsof.2013.07.010
- ISO/IEC, International Standard ISO/IEC 25010, 2011.