This paper shows the results of a research of the application of data envelopment analysis (DEA) together with artificial neural networks (ANN) of higher education institutions in Colombia during the years 2011-2013, for the purpose of evaluating the technical efficiency of Colombian higher education institutions and subsequently carry out predictions, based on a group of management indicators. Information provided by the Ministry of National Education was used as data source. The results show that this two-stage approach provides the DEA with the predictive potential that it otherwise lacks, enhancing its evaluative qualities; this is also evident in the various research papers consulted. The results also show that 50% of the models built have correct classification rates of 64.58% and 58.33% for training and validation datasets, respectively.
Objetivo: Revisar que aprendizaje automático está transformando la forma que las grandes empresas desarrollan las relaciones con sus clientes, diseñan sus productos y gestionan los recursos humanos. Lo anterior como resultado de una transformación digital que consecuentemente generará ventajas competitivas para aquellas empresas que rápidamente puedan adaptar sus estrategias de negocios a los últimos desarrollos tecnológicos. Sin embargo, está demostrado que las PYMES acogen lentamente las innovaciones tecnológicas, asumiendo de esta forma un riesgo de perder las oportunidades que el Aprendizaje Automático les ofrece. Resultados y Conclusiones: Se identificaron y describieron las oportunidades que el Aprendizaje Automático ofrece a las PYMES, relacionando las dimensiones de negocio y tecnología. En primer lugar, se desarrolla una revisión de literatura. Después, se describe en detalle las diferentes perspectivas en las cuales la adopción de un proceso de toma de decisiones mejorado conlleva a un mejoramiento del desempeño organizacional. Finalmente se dan recomendaciones para el desarrollo de procesos de toma decisiones basados en Aprendizaje Automático.
RESUMENCuando se busca una mayor precisión en el análisis de decisiones complejas, se hace necesario recurrir a diferentes técnicas de la Investigación de Operaciones, particularmente en la Teoría de decisiones. Sin embargo, la mayoría de estas pueden ser inadecuadas para manejar desempates de elecciones o disparidad en decisiones grupales por determinadas razones. En este artículo ampliamos los casos de aplicación del esquema metodológico del Proceso de jerarquía analítica (AHP) para abordar problemas en consensos de expertos. Primero, se verifica que esta sea una técnica que garantice el conjunto de preferencias necesarias en un juicio de expertos, luego, aplicamos un procedimiento de priorización usando la media geométrica, para verificar, alcanzar y mejorar el nivel de consenso de grupo por medio de esta técnica de decisión. Finalmente, se ilustra el esquema desarrollado mediante un caso de aplicación en el sector de la logística industrial, llegando a resultados positivos que señalan su efectividad y aplicabilidad dentro del campo de la Teoría de decisiones.Palabras clave: Proceso de jerarquía analítica, teoría de decisiones, investigación de operaciones. ABSTRACTWhen finely analyzing complex decisions, it is necessary to use several methods of operational research, decision theory in particular. However, these normally cannot handle election tie-breakers or disagreement in group decisions for certain reasons. In this article, we extend the range of the methodological scheme of the analytical hierarchy process (AHP) to address problems in reaching consensus among experts. First, we verify that it is a technique that guarantees the necessary set of preferences in an expert judgment; then we apply a prioritization procedure with the geometric mean to verify, reach and improve the level of consensus of the group via this technique. Finally, through a case of application in the industrial logistics sector, the scheme developed is illustrated, reaching positive results that indicate its effectiveness and applicability within the field of the Decision Theory.
This research uses a three-phase method to evaluate and forecast the academic efficiency of engineering programs. In the first phase, university profiles are created through cluster analysis. In the second phase, the academic efficiency of these profiles is evaluated through Data Envelopment Analysis. Finally, a machine learning model is trained and validated to forecast the categories of academic efficiency. The study population corresponds to 256 university engineering programs in Colombia and the data correspond to the national examination of the quality of education in Colombia in 2018. In the results, two university profiles were identified with efficiency levels of 92.3% and 97.3%, respectively. The Random Forest model presents an Area under ROC value of 95.8% in the prediction of the efficiency profiles. The proposed structure evaluates and predicts university programs’ academic efficiency, evaluating the efficiency between institutions with similar characteristics, avoiding a negative bias toward those institutions that host students with low educational levels.
Se propone un método para clasificar programas universitarios de ingeniería industrial, colocando especial atención a las relaciones entre las asignaturas del plan de estudio y las 12 áreas de conocimiento planteadas en el cuerpo de competencias publicado por el Instituto de Ingenieros Industriales y de Sistemas (IIES). Para la clasificación propuesta se utilizó técnicas de análisis no supervisado de datos como el Análisis de Componentes Principales (PCA) y Análisis de clúster. Como unidades de estudio se utilizan los 21 programas acreditados por alta calidad en Ingeniería Industrial en Colombia. Los resultados muestran que factores como, las acreditaciones internacionales, tamaño de las facultades de ingeniería y el perfil de universidad influye en la agrupación de los programas de estudio. La investigación permitió clasificar tres grandes componentes principales y perfiles de programas acreditados.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.