Modelos predictivos del rendimiento académico a partir de características de estudiantes de ingeniería

Autores/as

DOI:

https://doi.org/10.33010/ie_rie_rediech.v13i0.1426

Palabras clave:

aprendizaje automático, árbol de decisión, exactitud, k vecinos más cercanos, Naïve Bayes

Resumen

El objetivo de esta investigación es proponer una metodología para construir modelos predictivos del rendimiento académico mediante características de estudiantes de ingeniería de nuestro país y comparar los modelos utilizando diferentes métricas de evaluación. En este estudio participaron 228 estudiantes que forman parte de una universidad pública en México. Los datos fueron recabados al inicio del curso y, por medio de tres técnicas de aprendizaje automático, se construyeron los modelos predictivos. Se analizaron las características de cada modelo y se consiguió una exactitud de las predicciones de alrededor de 65%. El modelo con la técnica Naïve Bayes resultó el más adecuado para la mayoría de las métricas empleadas en el estudio, principalmente, para identificar estudiantes en peligro de reprobación. Además, se encontró que el promedio actual fue la característica más significativa para la predicción del rendimiento académico de los estudiantes participantes en el estudio. La metodología desarrollada puede ser replicada para otros cursos y las características de los estudiantes pueden recabarse al inicio del curso o antes, permitiendo la posibilidad de realizar estrategias de intervención para estudiantes en peligro de reprobación.

Biografía del autor/a

Andrés Rico Páez, Instituto Politécnico Nacional en Ciudad de México

Profesor Titular de la Escuela Superior de Ingeniería Mecánica y Eléctrica Unidad Zacatenco, Instituto Politécnico Nacional en Ciudad de México. Es ingeniero en Comunicaciones y Electrónica, maestro en Ciencias en la Especialidad de Ingeniería Eléctrica con opción en Comunicaciones y doctor en Tecnología Avanzada. Su área de investigación de interés incluye el análisis de datos educativos por medio de técnicas de inteligencia artificial, el uso de herramientas tecnológicas aplicadas a la educación y el estudio de sistemas de comunicaciones móviles inalámbricos. Ha publicado artículos de investigación en revistas nacionales e internacionales con arbitraje estricto. Es miembro del Sistema Nacional de Investigadores.

Nora Diana Gaytán Ramírez, Instituto Politécnico Nacional en Ciudad de México

Profesora del Centro de Estudios Científicos y Tecnológicos no. 11 “Wilfrido Massieu” del Instituto Politécnico Nacional en Ciudad de México. Es ingeniera en Comunicaciones y Electrónica, maestra en Tecnología Avanzada y doctora en Tecnología Avanzada. Cuenta con varios cursos de actualización docente. Su línea de investigación son los sistemas tutores inteligentes aplicados a la educación mediante inteligencia artificial. Ha publicado artículos de investigación en revistas con arbitraje estricto.

Citas

Castrillón, O. D., Sarache, W., y Ruiz-Herrera, S. (2020). Prediction of academic performance using artificial intelligence techniques. Formación Universitaria, 13(1), 93-102. https://doi.org/10.4067/S0718-50062020000100093

Contreras, L. E., Fuentes, H. J., y Rodríguez, I. (2020). Academic interruption model using automatic learning algorithms. International Journal of Mechanical and Production Engineering Research and Development (IJMPERD), 10(3), 16075-16086. http://www.tjprc.org/publishpapers/2-67-1602700574-IJMPERDJUN20201525.pdf

Cover, T., y Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21-27. http://dx.doi.org/10.1109/TIT.1967.1053964

Díaz, B., Meleán, R., y Marín, W. (2021). Rendimiento académico de estudiantes en educación superior: predicciones de factores influyentes a partir de árboles de decisión. Telos: Revista de Estudios Interdisciplinarios en Ciencias Sociales, 23(3), 616-639. https://doi.org/10.36390/telos233.08

Durairaj, M., y Vijitha, C. (2014). Educational data mining for prediction of student performance using clustering algorithms. International Journal of Computer Science and Information Technologies, 5(4), 5987-5991. https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.567.8824&rep=rep1&type=pdf

Estrada, R. I., Zamarripa, R. A., Zúñiga, P. G., y Martínez, I. (2016). Aportaciones desde la minería de datos al proceso de captación de matrícula en instituciones de educación superior particulares. Revista Electrónica Educare, 20(3), 1-21. http://www.redalyc.org/articulo.oa?id=194146862011

Gómez, D., Oviedo, R., y Martínez, E. (2011). Factores que influyen en el rendimiento académico del estudiante universitario. Educación y Humanidades, 5(2), 90-97. http://tecnociencia.uach.mx/numeros/v5n2/data/Factores_que_influyen_en_el_rendimiento_academico_del_estudiante_universitario.pdf

Gutiérrez, J. A., Garzón, J. y Segura, A. M. (2021). Factores asociados al rendimiento académico en estudiantes universitarios. Formación Universitaria, 14(1), 13-24. http://dx.doi.org/10.4067/S0718-50062021000100013

Han, J. (2012). Data mining: Concepts and techniques. Morgan Kaufmann Publishers.

Hernández, J., Ramírez, M., y Ferri, C. (2004). Introducción a la minería de datos. Pearson.

Juárez, A., Cortés, J., y Coronilla, U. (2014). Aplicación de la inteligencia artificial en la sistematización de procesos educativos. Caso: sistema de detección de riesgo escolar en ESCOM. Revista Iberoamericana de Producción Académica y Gestión Educativa, 1(1), 140-163. https://pag.org.mx/index.php/PAG/article/view/92/140

Kumar, V., y Chadha, A. (2011). An empirical study of the applications of data mining techniques in higher education. International Journal of Advanced Computer Science and Applications, 2(3), 80-84. http://dx.doi.org/10.14569/IJACSA.2011.020314

Márquez, C., Cano, A., Romero, C., y Ventura, S. (2012). Predicting student failure at school using genetic programming and different data mining approaches with high dimensional and imbalanced data. Applied Intelligence, 38(3), 315-330. http://dx.doi.org/10.1007/s10489-012-0374-8

Martínez, A., Hernández, L. I., Carillo, D., Romualdo, Z., y Hernández, C. P. (2013). Factores asociados a la reprobación estudiantil en la Universidad de la Sierra Sur, Oaxaca. Temas de Ciencia y Tecnología, 17(51), 25-33. https://www.utm.mx/edi_anteriores/temas51/T51_1Ensayo3-FactAsocReprobacion.pdf

Mendoza, A. A., y Herrera, R. J. (2013). Propuesta para la predicción del rendimiento académico de los estudiantes de la universidad del Atlántico, basado en la aplicación del análisis discriminante [Ponencia]. Encuentro Internacional de Educación en Ingeniería, Cartagena de Indias, Colombia. https://acofipapers.org/index.php/eiei/article/view/1442

Montero, E., Villalobos, J., y Valverde, A. (2007). Factores institucionales, pedagógicos, psicosociales y sociodemográficos asociados al rendimiento académico en la Universidad de Costa Rica: un análisis multinivel. Revista Electrónica de Investigación y Evaluación Educativa, 13(2), 215-234. https://www.redalyc.org/articulo.oa?id=91613205

Mueen, A., Zafar, B., y Manzoor, U. (2016). Modeling and predicting students’ academic performance using data mining techniques. International Journal of Modern Education and Computer Science, 8(11), 36-42. http://dx.doi.org/10.5815/ijmecs.2016.11.05

Peña, A. (2014). Review: Educational data mining: A survey and a data mining-based analysis of recent works. Expert Systems with Applications, 41(4),1432-1462. https://doi.org/10.1016/j.eswa.2013.08.042

Quinlan, J. (1993). C4.5: Programs for machine learning. Morgan Kaufmann.

Ridgell, S. D., y Lounsbury, J. W. (2004). Predicting academic success: general intelligence, “big five” personality traits, and work drive. College Student Journal, 38(4), 607-618. https://psycnet.apa.org/record/2004-22470-015

Romero, C., y Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (applications and reviews), 40(6), 601-618. https://doi.org/10.1109/TSMCC.2010.2053532

Romero, C., y Ventura, S. (2012). Data mining in education. Wiley Interdisciplinary Reviews: Data mining and knowledge discovery, 3(1), 12-27. https://doi.org/10.1002/widm.1075

Salal, Y. K., Abdullaev, S. M., y Kumar, M. (2019). Educational data mining: Student performance prediction in academic. International Journal of Engineering and Advanced Technology, 8(4C), 54-59. https://www.researchgate.net/publication/332369964_Educational_Data_Mining_Student_Performance_Prediction_in_Academic

Sánchez, D. (2009). Agentes inteligentes: diseño e implementación para la enseñanza de la física [Tesis de doctorado]. Centro de Investigación en Ciencia Aplicada y Tecnología Avanzada, IPN. Repositorio DSpace Tesis IPN. https://tesis.ipn.mx/bitstream/handle/123456789/8108/AGEINTEL.pdf?sequence=1&isAllowed=y

Shahiri, A. M., Husain, W., y Rashid, N. (2015). A review on predicting student’s performance using data mining techniques. Procedia Computer Science, 72, 414-422. https://doi.org/10.1016/j.procs.2015.12.157

Tapasco, O. A., Ruiz, F. J., Osorio, D., y Ramírez, D. (2020). El historial académico de secundaria como factor predictor del rendimiento universitario. Caso de estudio. Revista Colombiana de Educación, 1(81), 147-170. https://doi.org/10.17227/rce.num81-753

Timarán, R., Calderón, A., y Jiménez, J. (2013). Descubrimiento de perfiles de deserción estudiantil con técnicas de minería de datos. Revista Vínculos, 10(1), 373-383. https://doi.org/10.14483/2322939X.4687

Torres, P. C., y Cobo, J. K. (2017). Tecnología educativa y su papel en el logro de los fines de la educación. Educere, 21(68), 31-40. https://dialnet.unirioja.es/servlet/articulo?codigo=6560961

Witten, I., Frank, E., y Hall, M. (2005). Data mining: Practical machine learning tools and techniques. Morgan Kaufmann Publishers.

Descargas

Publicado

2022-04-20

Cómo citar

Rico Páez, A., & Gaytán Ramírez, N. D. (2022). Modelos predictivos del rendimiento académico a partir de características de estudiantes de ingeniería. IE Revista De Investigación Educativa De La REDIECH, 13, e1426. https://doi.org/10.33010/ie_rie_rediech.v13i0.1426

Número

Sección

Reportes de investigación