Rendimiento académico de estudiantes en Educación Superior: predicciones de factores influyentes a partir de árboles de decisión

Autores/as

  • Brenda Díaz-Landa Universidad Nacional Jose Faustino Sanchez Carrión
  • Rosana Meleán-Romero Universidad del Zulia (LUZ)
  • William Marín-Rodriguez Universidad Nacional José Faustino Sánchez Carrión y Universidad San Pedro

DOI:

https://doi.org/10.36390/telos233.08

Resumen

El artículo tuvo como objetivo predecir el rendimiento académico de estudiantes de maestrías en educación, teniendo como autores principales a Camborda Zamudio (2014), Candia Oviedo (2019), Castrillón et al. (2020), Hussain et al. (2018), Yarlequé Wong (2019). Se empleó la técnica de árbol de decisión y minería de datos y herramientas que provee la inteligencia artificial para construir un modelo con el algoritmo J48 del software WEKA, teniendo en cuenta factores educacionales, familiares, socioeconómicos, de hábitos y costumbres. La muestra estuvo constituida por 237 estudiantes de una universidad pública en Perú, obteniendo mediante el coeficiente Kappa de Cohen un nivel de acierto del 66%. Los resultados dan cuenta de una metodología capaz de entrenar un sistema para clasificar a un estudiante, a partir de una de las categorías del rendimiento académico. Esta clasificación puede identificar a priori a los estudiantes con posibles problemas de rendimiento académico. Como resultado de ello, las medidas de acompañamiento y mitigación se pueden implementar de inmediato.

Palabras clave: rendimiento académico; árbol de decisión; minería de datos; predicción; software WEKA

Citas

Amaya Torrado, Yegny Karina; Barrientos Avendaño, Edwin; Heredia Vizcaíno, Diana Judith. (2014). Modelo predictivo de deserción estudiantil utilizando técnicas de minería de datos. Extraído de: https://dspace.redclara.net/handle/10786/759

Bravo Sanzana, Mónica; Salvo Garrido, Sonia; Muñoz Poblete, Carlos. (2015). Profiles of Chilean students according to academic performance in mathematics: An exploratory study using classification trees and random forests. Studies in Educational Evaluation, 44, Uk. (Pp. 50-59). https://doi.org/10.1016/j.stueduc.2015.01.002

Castrillón, Omar D.; Sarache, William; Ruiz-Herrera, Santiago. (2020). Prediction of academic performance using artificial intelligence techniques. Formación universitaria, 13(1), Chile. (Pp. 93-102). https://doi.org/10.4067/S0718-50062020000100093

Camborda Zamudio, Maria (2014). Aplicación de árboles de decisión para la predicción del rendimiento académico de los estudiantes de los primeros ciclos de la carrera de ingeniería civil de la Universidad Continental. Tesis para optar por el grado académico de Magíster en Ingeniería de Sistemas, Universidad Nacional del Centro del Perú, Escuela de Posgrado, Huancayo. Perú. Extraído de: http://repositorio.uncp.edu.pe/handle/20.500.12894/1477

Candia Oviedo, Dennis Iván (2019). Predicción del rendimiento académico de los estudiantes de la UNSAAC a partir de sus datos de ingreso utilizando algoritmos de aprendizaje automático. Tesis para obtener el grado académico de Maestro en Informática, Universidad Nacional de San Antonio Abad del Cusco, Escuela de Posgrado, Cusco, Perú. Extraído de: http://repositorio.unsaac.edu.pe/handle/20.500.12918/4120

Cerda, Jaime; Villarroel, Luis (2008). Evaluación de la concordancia inter-observador en investigación pediátrica: Coeficiente de Kappa. Revista chilena de pediatría, 79(1), Chile. (Pp. 54-58). https://dx.doi.org/10.4067/S0370-41062008000100008

Chávez Uribe, Alfonso. (2006). Bienestar psicológico y su influencia en el rendimiento académico de estudiantes de nivel medio superior. Tesis de maestría. Facultad de Psicología, Universidad de Colima, México.

Córdoba Fallas, Luis (2011). Weka. Minería de Datos. Recuperado de: http://cor-mineriadedatos.blogspot.com/2011/06/weka.html

Cuji, Blanca; Gavilanes, Wilma; Sanchez, Rina. (2017). Modelo predictivo de deserción estudiantil basado. Espacios, 55(38), Venezuela (Pp. 17). Obtenido de Espacios: https://www.revistaespacios.com/a17v38n55/a17v38n55p17.pdf

García Tinisaray, Daysi (2015). Construcción de un modelo para determinar el rendimiento académico de los estudiantes basado en learning analytics (análisis de aprendizaje) mediante el uso de técnicas multivariantes. Tesis doctoral, Universidad de Sevilla, Sevilla, España. Extraído de: https://idus.us.es/handle/11441/40436

Helal, Sumyea, Li, Jiuyong; Liu, Lin; Ebrahimie, Esmaeil; Dawson, Shane; Murray, Duncan J.; Long, Qi. (2018). Predicting academic performance by considering student heterogeneity. Knowledge-Based Systems, 161, Holanda. (Pp. 134-146). https://doi.org/10.1016/j.knosys.2018.07.042

Hernández Sampieri, Roberto; Fernández Collado, Carlos y Baptista Lucio, Pilar (2018). Metodología de la investigación. (Sexta ed.). McGraw Hill. México.

Hussain, Sadiq; Abdulaziz Dahan, Neama; Ba-Alwi, Fadl Mutaher; Ribata, Najoua. (2018). Educational data mining and analysis of students’ academic performance using weka. Indonesian Journal of Electrical Engineering and Computer Science, 9(2), Indonesia. (Pp. 447-459). https://doi.org/10.11591/ijeecs.v9.i2.pp447-459

Katarya, Rahul; Gaba, Jalaj; Garg, Aryan; Verma, Varsha. (2021). A review on machine learning based student’s academic performance prediction systems. 2021 International Conference on Artificial Intelligence and Smart Systems (ICAIS), (Pp. 254-259). Coimbatore, India: IEEE. https://doi.org/10.1109/ICAIS50930.2021.9395767

Kumar Yadav, Surjeet; Baharadwaj, Brijesh; Pal, Saurabh. (2012). Data Mining Applications: A comparative Study for Predicting Student’s performance. International Journal of Innovative Technology & Creative Engineering, 1 (1), UK (Pp. 13-19). https://arxiv.org/abs/1202.4815v2

Mandelman, Samuel D.; Barbot, Baptiste; Grigorenko, Elena L. (2016). Predicting academic performance and trajectories from a measure of successful intelligence. Learning and Individual Differences, 51, UK (Pp. 387-393). https://doi.org/10.1016/j.lindif.2015.02.003

Menacho Chiok, Cesar Higinio (2017). Predicción del rendimiento académico aplicando técnicas de minería de datos. Anales Científicos, 78(1), Perú. (Pp. 26-33). http://dx.doi.org/10.21704/ac.v78i1.811

Microsoft. (2019). Data Mining Concepts. Recuperado el 27 de diciembre de 2019. https://docs.microsoft.com/en-us/analysis-services/data-mining/data-mining-concepts

Miguéis, Vera; Freitas, Ana; Garcia, Paulo; Silva, André. (2018). Early segmentation of students according to their academic performance: A predictive modelling approach. Decision Support Systems, 115, Holanda. (Pp. 36-51). https://doi.org/10.1016/j.dss.2018.09.001

Ministerio de Educación. (2009). Cómo rinden los estudiantes peruanos en comunicación y matemática: Resultados de la evaluación nacional 2009 informe descriptivo. Lima.

Ministerio de Educación. (2016). Currículo Nacional de la Educación Básica. Lima.

Mitchell, Tom (2000). Decision Tree Learning. Extraído de https://bit.ly/2GqqYNq

Orihuela Maita, Gerson Yovanni. (2019). Aplicación de Data Science para la predicción del Rendimiento Académico de los Estudiantes de la Facultad de Ingeniería de Sistemas de la Universidad Nacional del Centro del Perú. Tesis de pregrado. Universidad Nacional del Centro del Perú, Facultad de Ingeniería de Sistemas, Huancayo, Perú. Extraído de: http://repositorio.uncp.edu.pe/handle/20.500.12894/5837

Redondo Rojo, Jesus M. (1997). La dinámica escolar: de la diferencia a la desigualdad. Revista de Psicología, 6, Chile. (Pp. Pág. 7-18). https://doi.org/10.5354/0719-0581.1997.18656

Timarán-Pereira, Ricardo; Caicedo-Zambrano, Javier; Hidalgo-Troya, Arsenio. (2019). Árboles de decisión para predecir factores asociados al desempeño académico de estudiantes de bachillerato en las pruebas Saber 11°. Revista de Investigación, Desarrollo e Innovación, 9 (2), Colombia. (Pp. 363-378). https://doi.org/10.19053/20278306.v9.n2.2019.9184

Urbina-Nájera, Argelia. (2021). Variables que influyen en el rendimiento de los estudiantes de posgrado: Una perspectiva desde la analítica del aprendizaje. Telos: Revista de Estudios Interdisciplinarios en Ciencias Sociales, 23 (1), Venezuela. (Pp.36-50). DOI: www.doi.org/10.36390/telos231.04

Valencia Cárdenas, Marisol; Correa Morales, Juan Carlos; Díaz Serna, Francisco Javier. (2015). Métodos estadísticos clásicos y bayesianos para el pronóstico de demanda. Un análisis comparativo. Revista de la Facultad de Ciencias, 4 (1), Colombia. (Pp. 52-67). https://doi.org/10.15446/rev.fac.cienc.v4n1.49775

Witten, Ian; Frank, Eibe; Hall, Mark; Pal, Christopher. (2016). Data mining: Practical Machine Learning Tools and Techniques. 4th ed. Morgan Kauffman. USA.

Yamao, Eiriku. (2018). Predicción del rendimiento académico mediante minería de datos en estudiantes del primer ciclo de la escuela profesional de Ingeniería de Computación y Sistemas de la Universidad de San Martín de Porres, Lima-Perú. Tesis de maestría. Universidad de San Martin de Porres, Lima, Perú. Extraído de https://repositorio.usmp.edu.pe/handle/20.500.12727/3555

Yarlequé Wong, Rocio. (2019). Estilos de aprendizaje en el rendimiento académico de los estudiantes del primer grado de primaria de la institución educativa N° 20320 Domingo Mandamiento Sipan, Huacho, 2018. Tesis de maestría. Universidad Nacional José Faustino Sánchez Carrión, Huacho, Perú. Extraído de: http://repositorio.unjfsc.edu.pe/handle/UNJFSC/3104

Publicado

2021-09-01