SciELO - Scientific Electronic Library Online

 
vol.28 número1Models for Assessing the Complexity of Infrastructure Construction ProjectsCosts of Timber Houses in Different Standards and Productions in Brazil índice de autoresíndice de assuntospesquisa de artigos
Home Pagelista alfabética de periódicos  

Serviços Personalizados

Journal

Artigo

Indicadores

Links relacionados

  • Em processo de indexaçãoCitado por Google
  • Não possue artigos similaresSimilares em SciELO
  • Em processo de indexaçãoSimilares em Google

Compartilhar


Ingeniería

versão impressa ISSN 0121-750X

Resumo

CONTREAS-BRAVO, Leonardo Emiro; NIEVES-PIMIENTO, Nayive  e  GONZALEZ GUERRERO, Karolina. Predicción del rendimiento académico universitario mediante mecanismos de aprendizaje automático y métodos supervisados. ing. [online]. 2023, vol.28, n.1, e19514.  Epub 01-Mar-2023. ISSN 0121-750X.  https://doi.org/10.14483/23448393.19514.

Contexto:

En el sector educativo se han identificado variables que inciden considerablemente en el rendimiento academico de los estudiantes. En la ultima decada se han llevado a cabo investigaciones desde diversos campos como la psicologia, la estadistica y el analisis de datos con el fin de predecir el rendimiento academico.

Metodo:

La analitica de datos, especialmente a traves de herramientas de Machine Learning, permite predecir el rendimiento academico utilizando algoritmos de aprendizaje supervisado basados en variables academicas, demograficas y sociodemograficas. En este trabajo se seleccionan las variables mas influyentes en el transcurso de la vida academica de los estudiantes mediante metodos de filtro, embebidos, y de ensamble, asi como las caracteristicas mas importantes semestre a semestre utilizando algoritmos de Machine Learning (arbol de decision, KNN, SVC, Naive Bayes, LDA), implementados en el lenguaje Python.

Resultados:

Los resultados del estudio muestran que el KNN es el modelo que mejor predice el rendimiento academico para cada uno de los semestres, seguido de los arboles de decision, con valores de precision que oscilan alrededor del 80 y 78,5% en algunos semestres.

Conclusiones:

Con respecto a las variables, no se puede decir que el promedio academico semestral de un estudiante influya necesariamente en la prediccion del rendimiento academico del siguiente semestre. El analisis de estos resultados indica que la prediccion del rendimiento academico utilizando herramientas de Machine Learning es un enfoque promisorio que puede ayudar a mejorar la vida academica de los estudiantes y permitir a las instituciones y a los docentes adoptar acciones que ayuden al proceso de ensenanza-aprendizaje.

Palavras-chave : analisis de datos educativos; Machine Learning; educacion superior.

        · resumo em Inglês     · texto em Inglês     · Inglês ( pdf )