Predicción del rendimiento académico utilizando las primeras actividades académicas de estudiantes universitarios y técnicas de aprendizaje automático.
Resumen
El principal objetivo de este estudio es diseñar y evaluar modelos de predicción del rendimiento académico utilizando técnicas de aprendizaje automático y las primeras actividades académicas de estudiantes universitarios. Se recabaron las primeras calificaciones de actividades académicas de 260 estudiantes universitarios para entrenar técnicas de aprendizaje automático para predecir el rendimiento académico de 112 estudiantes y comparar con los resultados reales conseguidos terminado el curso. Se obtuvo una exactitud de las predicciones de casi 76% con tan solo pocas actividades académicas al inicio del curso, las cuales son frecuentemente registradas por los profesores facilitando que este tipo de estudio pueda ser replicado en diferentes cursos.
Citas
Cobo, A., Rocha, R. y Álvarez, Y. (2011). Selección de atributos predictivos del rendimiento académico de estudiantes en un modelo de B-Learning. Revista Electrónica de Tecnología Educativa, 37, 1-13. doi: 10.21556/edutec.2011.37.390
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. Recuperado de: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.567.8824&rep=rep1&type=pdf
Escamilla, M. y Heredia Y. (2019). Autodirección, habilidades de pensamiento y rendimiento académico en estudiantes normalistas. Diálogos sobre educación. Temas actuales en investigación educativa, 10(9). doi: 10.32870/dse.v0i19.492
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. Recuperado de: https://www.researchgate.net/publication/305335495_Factores_que_influyen_en_el_rendimiento_academico_del_estudiante_universitario
Gordillo, E., Martínez, J. y Valles, H. G. (2013). Rendimiento académico en escuelas de nivel medio superior. IE Revista de Investigación Educativa de la REDIECH, 4(6), 51 – 58. Recuperado de: https://www.rediech.org/ojs/2017/index.php/ie_rie_rediech/article/view/570
Han, J. (2012). Data Mining: Concepts and Techniques. Waltham, EUA: Morgan Kaufmann Publishers.
Hernández, J., Ramírez, M. y Ferri, C. (2004). Introducción a la minería de datos. Madrid, España: 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. Recuperado de: https://pag.org.mx/index.php/PAG/article/view/92/140
La Red, D., Karanik, M., Giovannini, M. y Pinto, N. (2015). Perfiles de Rendimiento Académico: Un Modelo basado en Minería de datos. Campus Virtuales, 4(1), 12-30. Recuperado de: http://uajournals.com/ojs/index.php/campusvirtuales/article/view/66
Márquez, C., Romero, C., y Ventura, S. (2012). Predicción del Fracaso Escolar mediante Técnicas de Minería de Datos. IEEE-RITA, 7(3), 109-117. Recuperado de http://rita.det.uvigo.es/201208/uploads/IEEE-RITA.2012.V7.N3.A1.pdf
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, 11, 36-42. doi: 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. doi: 10.1016/j.eswa.2013.08.042
Quinlan, J. (1993). C4.5: Programs for machine learning. San Francisco, E. U. A., Morgan Kaufmann.
Ramos, C. L. y Roque, R. V. (2021). La influencia docente y el rendimiento académico en estudiantes de una Universidad Pública Mexicana. Revista Dilemas Contemporáneos: Educación, Política y Valores, 8(7). Recuperado de: https://www.dilemascontemporaneoseducacionpoliticayvalores.com/index.php/dilemas/article/view/2755/2777
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. doi: 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. doi: 10.1002/widm.1075
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. doi: 10.1016/j.procs.2015.12.157
Sharma, G. y Vishwakarma, S. K. (2017). Analysis and Prediction of Student’s Academic Performance in University Courses. International Journal of Computer Applications, 160(4), 40-44. doi:10.5120/IJCA2017913045
Valero, S., Salvador, A., y García, M. (2010). Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos. En M. E. Prieto, J. M. Dodero y D. O. Villegas (Eds.)., Lecture Notes in Computer Science: Vol. Kaambal. Recursos digitales para la educación y la cultura. (pp. 33-39). Mérida, México. Recuperado de http://www.utim.edu.mx/~svalero/docs/e1.pdf
Witten, I., Frank, E. y Hall, M. (2005). Data Mining: Practical Machine Learning Tools and Techniques. Massachusetts, EUA: Morgan Kaufmann Publishers.
Xing, W., Guo, R., Petakovic, E., y Goggins, S. (2015). Participation-based student final performance prediction model through interpretable Genetic Programming: Integrating learning analytics, educational data mining and theory. Computers in Human Behavior, 47, 168-181. doi: 10.1016/j.chb.2014.09.034
