Estudio del rendimiento académico mediante la comparación de modelos de regresión y árboles de clasificación
DOI:
https://doi.org/10.36390/telos271.08Palabras clave:
Rendimiento Académico, Regresión Logística, Árboles De Clasificación, Matriz De ConfusiónResumen
Este artículo tiene como objetivo identificar los factores que afectan el rendimiento académico a partir de la comparación de los modelos de regresión y árboles de decisión para determinar los factores que involucra. La metodología adoptada es de naturaleza cuantitativa utilizando modelo de regresión y árboles de clasificación y la población estudiada incluye a los estudiantes de nivelación en la carrera de estadística, a quienes se les realizó un análisis exploratorio y descriptivo, empleando dos métodos estadísticos. Se emplearon dos técnicas de modelado: la regresión logística multinomial y los árboles de clasificación. Las variables evaluadas incluyeron factores sociodemográficos, rendimiento académico previo y características del entorno educativo. Los resultados mostraron que el modelo de regresión logística alcanzó una precisión del 100% con un área bajo la curva de 1, lo que indica una capacidad perfecta de clasificación. En comparación, el modelo de árbol de clasificación tuvo una precisión del 70.83% con un área bajo la curva de 0.7042, lo que refleja una capacidad moderada de clasificación. A partir de estos resultados, se identificaron factores clave que afectan el rendimiento académico, como los hábitos de estudio, el interés en la carrera y aspectos psicológicos. En conclusión, la regresión logística multinomial fue más eficaz y precisa para analizar las relaciones cuantitativas entre las variables que afectan el rendimiento académico, superando al método de árboles de clasificación.
Descargas
Referencias
Almeida, L., & Freire, D. (2024). Análisis de la satisfacción estudiantil de acuerdo con el nivel académico del profesorado de un Instituto de Educación Superior. Digital Publisher CEIT, 9(4), 596-611. https://doi.org/https://doi.org/10.33386/593dp.2024.4.2529
Álvarez, M., Ponce, M., Alban, J., & Zambrano , L. (2024). Revisión de modelos estadísticos para pronosticar el desempeño académico en estudiantes universitarios. Journal Scientific MQRInvestigar, 8(2), 3806-3823. https://doi.org/10.56048/MQR20225.8.2.2024.3806-3823
Berlanga, V., & Vila, R. (2014). Cómo obtener un Modelo de Regresión Logística Binaria con SPSS. Reire, 7(2), 105-118. http://www.ub.edu/ice/reire.htm
Borja, G., Martínez, J., Barreno, S., & Haro, O. (2021). Factores asociados al rendimiento académico: Un estudio de caso. Educare, 23(3), 54-68. https://portal.amelica.org/ameli/journal/375/3752842004/3752842004.pdf
Buenaño, N., Palacios, C., Soplapuco, J., & Reluz, F. (2023). Importancia de la motivación para el aprendizaje universitario: Una revisión integradora. Revista De Ciencias Sociales, 29(4), 371-385. https://produccioncientificaluz.org/index.php/rcs/article/view/41261/47527
Caro, N., Guardiola, M., & Ortiz, P. (2018). Árboles de clasificación como herramienta para predecir dificultades financieras en empresas Latinoamericanas a través de sus razones contables. Contaduría y Administración, 63(1), 1-14. https://doi.org/https://doi.org/10.22201/fca.24488410e.2018.1148
Carrasco, Y. (2018). Los estudiantes universitarios y el aspecto socioeconómico. Conciencia Digital, 1(2), 6-15. https://doi.org/10.33262/concienciadigital.v1i2.946
Contento, M. (2019). Estadística con Aplicaciones en R. Utadeo. https://www.utadeo.edu.co/sites/tadeo/files/node/publication/field_attached_file/libro_estadistica_con_aplicaciones_en_r_def_ago_11.pdf
Devincenzi, G., Rohde, G., Giraudo, M., Bonaffini, M., & Bernaola, G. (2017). El análisis del rendimiento académico a través de modelos matemáticos y estadísticos. Trim, 13, 59-72. https://dialnet.unirioja.es/descarga/articulo/7609224.pdf
Durán , C., Casadiegos , M., & Carrascal, A. (2021). Motivación en estudiantes universitarios como factor generador de la calidad educativa. Boletín Redipe, 10(13), 443-455. https://revista.redipe.org/index.php/1/article/download/1758/1673/2863
Espejel, M., & Jiménez, M. (2019). Nivel educativo y ocupación de los padres: Su influencia en el rendimiento académico de estudiantes universitarios. Ride, 10(19), 1-20. https://doi.org/10.23913/ride.v10i19.540
Fernández, S. (2022). Métodos de Regresión y Clasificación Basados en Árboles. Tesis de Grado en Ingeniería y Organización Industrial. Universidad de Valladolid. https://uvadoc.uva.es/bitstream/handle/10324/53822/TFG-I-2181.pdf?sequence=1
Garbanzo, G. (2014). Factores asociados al rendimiento académico tomando en cuenta el nivel socioeconómico: Estudio de regresión múltiple en estudiantes universitarios. Educare, 18(1), 119-154. https://www.scielo.sa.cr/pdf/ree/v18n1/a06v18n1.pdf
Gómez, M., Maza, A., & Rocha , D. (2019). Análisis estadísticos de los Estilos de aprendizaje y su relación con la evaluación del rendimiento académico. Revista Ingeniería desarrollo e innovación, 2(1), 50-79. http://dx.doi.org/10.32012/26195259/2019.v2i1.73
González, J., Agredo, J., Campo, M., Hernández, M., & Oviedo, N. (2023). El sentido de pertenencia y el compromiso estudiantil en el contexto de educación superior a distancia con mediación virtual. Revista Educación, 47(1), 1-19. https://www.redalyc.org/journal/440/44072432022/44072432022.pdf
Hernández, S., Fernández, C., & Baptista, P. (2014). Metodología de la Investigación. Mc Graw Hill. https://www.uca.ac.cr/wp-content/uploads/2017/10/Investigacion.pdf
Lizares, M. (2017). Comparación de modelos de clasificación: regresión logística y árboles de clasificación para evaluar el rendimiento académico. Tesis de Grado en Estadística. Universidad Nacional Mayor de San Marcos. https://cybertesis.unmsm.edu.pe/backend/api/core/bitstreams/47cd4eb4-855f-4410-80ce-c3ecb2df1d86/content
Martínez, J., Ferrás, Y., Bermúdez, L., Ortiz, Y., & Pérez, E. (2020). Rendimiento académico en estudiantes Vs factores que influyen en sus resultados: una relación a considerar. Edumecentro, 12(4), 105-121. http://scielo.sld.cu/pdf/edu/v12n4/2077-2874-edu-12-04-105.pdf
Montero, R. (2016). Modelos de regresión lineal múltiple. Documentos de Trabajo en Economía Aplicada. Universidad de Granada. http://www.ugr.es/~montero/matematicas/regresion_lineal.pdf
Mures, J., García , A., & Vallejo, E. (2005). Aplicación del Análisis Discriminante y Regresión Logística en el estudio de la morosidad en las entidades financieras. Comparación de resultados. Pecvnia, 1(1), 175-199. https://dialnet.unirioja.es/descarga/articulo/1281700.pdf
Norambuena, J., Badilla, M., & López, Y. (2022). Modelos predictivos basados en uso de analíticas de aprendizaje en educación superior: una revisión sistemática. Linguagem e Tecnologia, 15, 1-22. https://doi.org/10.35699/1983-3652.2022.36310
Pérez, J., & González, F. (2018). Árboles de clasificación vs regresión logística en el desarrollo de competencias genéricas en ingeniería. Computación y Sistemas, 22(4), 1519–1541. https://doi.org/10.13053/CyS-22-4-2804
Portillo, P., Marín, L., & Scarpellini, S. (2017). La edad y el rendimiento académico universitario. Revista de la Universidad de Zaragoza, 1(1), 28-34. https://doi.org/10.26754/CINAIC.2017.000001_002
Procel, M., & Sánchez, D. (2019). . Factores socioeconómicos que afectan el rendimiento académico de los estudiantes de nivelación de la Escuela Superior Politécnica de Chimborazo, período 2018-1S campus matriz. Investigación e innovación en la Enseñanza Superior. Nuevos contextos, nuevas ideas, 1(1), 1021-1031. https://rua.ua.es/dspace/bitstream/10045/98998/1/Investigacion-e-innovacion-en-la-ES_096.pdf
Real, R., Guevara, A., Morales, I., Chibas, E., Cañete, E., Carballo, M., . . . Noldin, A. (2024). Factores asociados al rendimiento académico en estudiantes universitarios de Latinoamérica en 2023. Investigación en Educación Médica, 13(51), 42-52. https://doi.org/10.22201/fm.20075057e.2024.51.23580
Reyes, N., Meneses, A., & Díaz, A. (2022). Planificación y gestión del tiempo académico de estudiantes universitarios. Formación Universitaria, 15(1), 57-72. http://dx.doi.org/10.4067/S0718-50062022000100057
Rodríguez, D. (Junio de 2023). Análisis de Datos y Machine Learning. Tesis de Grado en Estadística. Universidad de Salamanca. https://gredos.usal.es/bitstream/handle/10366/157350/TFG%20Damia%CC%81n%20Rodri%CC%81guez%20Go%CC%81mez.pdf?sequence=1&isAllowed=y
Román, M. (2013). Factores asociados al abandono y la deserción escolar en América Latina: Una mirada en conjunto. REICE. Revista Iberoamericana sobre Calidad, Eficacia y Cambio en Educación, 11(2), 33-59. https://www.redalyc.org/pdf/551/55127024002.pdf


.png)


