El rendimiento académico de los estudiantes de las licenciaturas de médico cirujano y fisioterapia determinado por análisis predictivo

Aguilar, María Esther Urrutia; Rosas, Efrén Raúl Ponce; León, Silvia Ortíz; Ochoa, Lorenzo; Guzmán, Rosalinda Guevara

doi:10.24875/gmm.m17000012

Cited by 3 publications

(2 citation statements)

References 12 publications

(12 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Research carried out in Mexican universities and around the world have found that academic progress of medical students is strongly correlated with their prior academic success [6][7][8][9][10][11][12][13]. Other important factors include socioeconomic status, English proficiency and age; this last factor has been found to be indirectly correlated with students' academic success [14][15][16][17].…”

Section: Introductionmentioning

confidence: 99%

Predicting students’ academic progress and related attributes in first-year medical students: an analysis with artificial neural networks and Naïve Bayes

Monteverde-Suárez,

González-Flores,

Santos-Solórzano

et al. 2024

BMC Med Educ

View full text Add to dashboard Cite

Background Dropout and poor academic performance are persistent problems in medical schools in emerging economies. Identifying at-risk students early and knowing the factors that contribute to their success would be useful for designing educational interventions. Educational Data Mining (EDM) methods can identify students at risk of poor academic progress and dropping out. The main goal of this study was to use machine learning models, Artificial Neural Networks (ANN) and Naïve Bayes (NB), to identify first year medical students that succeed academically, using sociodemographic data and academic history. Methods Data from seven cohorts (2011 to 2017) of admitted medical students to the National Autonomous University of Mexico (UNAM) Faculty of Medicine in Mexico City were analysed. Data from 7,976 students (2011 to 2017 cohorts) of the program were included. Information from admission diagnostic exam results, academic history, sociodemographic characteristics and family environment was used. The main dataset included 48 variables. The study followed the general knowledge discovery process: pre-processing, data analysis, and validation. Artificial Neural Networks (ANN) and Naïve Bayes (NB) models were used for data mining analysis. Results ANNs models had slightly better performance in accuracy, sensitivity, and specificity. Both models had better sensitivity when classifying regular students and better specificity when classifying irregular students. Of the 25 variables with highest predictive value in the Naïve Bayes model, percentage of correct answers in the diagnostic exam was the best variable. Conclusions Both ANN and Naïve Bayes methods can be useful for predicting medical students’ academic achievement in an undergraduate program, based on information of their prior knowledge and socio-demographic factors. Although ANN offered slightly superior results, Naïve Bayes made it possible to obtain an in-depth analysis of how the different variables influenced the model. The use of educational data mining techniques and machine learning classification techniques have potential in medical education.

show abstract

Section: Introductionmentioning

confidence: 99%

Predicting students’ academic progress and related attributes in first-year medical students: an analysis with artificial neural networks and Naïve Bayes

Monteverde-Suárez,

González-Flores,

Santos-Solórzano

et al. 2024

BMC Med Educ

View full text Add to dashboard Cite

show abstract

“…La depresión va aumentando al ir avanzando los ciclos escolares y al incrementarse la necesidad de demostrar competencia, destrezas y habilidades; Urrutia Aguilar et al 26 demostraron que en algunos estudiantes el resultado final fue abandono escolar, mala calidad de vida e inadecuada preparación profesional. En otro comunicado, en la Universidad Nacional Autónoma de México 27 , se documentó que el 21.2% de estudiantes mostró afectación en el patrón de sueño asociado con alteraciones registradas en el cuestionario SCL 90, mientras que Kontoangelos et al 28 demostraron que los alumnos presentaban obsesión-compulsión, depresión, ansiedad, psicosis e ideación paranoide.…”

Section: Introductionunclassified

Análisis predictivo y multidimensional de la salud mental en estudiantes de medicina

García Maldonado,

Sánchez Márquez,

Luque Ramos

et al. 2021

Inv Ed Med

View full text Add to dashboard Cite

Introducción: Por el estrés propio de la formación académica, desde hace varias décadas se ha reconocido la importancia de evaluar la salud mental de los estudiantes de medicina. Objetivo: Analizar factores de riesgo y examinar si las variables de estudio son capaces de predecir eventos adversos en la salud mental de los participantes. Método: Estudio observacional, transversal, analítico y predictivo. Participaron alumnos de una facultad de medicina en Tampico, Tamaulipas, México. Se utilizó el cuestionario SCL 90R, cuyas dimensiones constituyeron las variables dependientes, las cuales, a su vez, se asociaron a diversas variables independientes destacándose antecedentes de atención psicológica y/o psiquiátrica. Todas las variables fueron dicotomizadas y se utilizó para el análisis un modelo de regresión logística binaria. La actividad de campo se desarrollo en el plantel universitario y el proyecto se apegó a la normatividad ética vigente. Resultados: Participaron 193 estudiantes de medicina de diferentes semestres escolares, 52.3% fueron del sexo masculino. La variable independiente atención psicológica fue relevante en todas las dimensiones del cuestionario (p <0.05), pero la atención psiquiátrica solo lo fue para somatización. Al eliminar variables de confusión, el análisis multivariado refleja igualmente que estos predictores se mantienen vigentes (p <0.05). Ser alumno foráneo, irregular y proceder de escuela pública son elementos con importante magnitud de asociación para depresión y ansiedad, ideas paranoides y psicoticismo respectivamente. Sexo femenino, ser foráneo, >5º semestre, estatus académico irregular, provenir de preparatoria pública, promedio <8 y sin antecedentes de atención especializada en materia de salud mental, tienen mayor probabilidad de mostrar afectaciones. Conclusiones: Los estudiantes de medicina representan un grupo etario altamente susceptible para presentar alteraciones en la salud mental.

show abstract

Aprendizagem e rendimento acadêmico no Ensino Superior

Caliatto

Almeida

2020

RIAEE

View full text Add to dashboard Cite

RESUMO: Este artigo apresenta uma revisão da produção científica a respeito das habilidades acadêmicas e dos métodos de estudo de estudantes universitários relacionados à sua aprendizagem e ao seu rendimento acadêmico. Realizou-se consulta às bases de dados on-line com os seguintes descritores em português e inglês: rendimento/desempenho acadêmico, aprendizagem, estudantes universitários ou estudantes do ensino superior. A revisão reportou a artigos publicados entre 2008 e 2018. Foram selecionados 90 artigos, predominando o idioma inglês (55,6%), sendo que em 2017 houve o maior número de publicações (31,1%), e o continente americano deteve metade das publicações. A análise dos resultados presentes em tais artigos mostra que diversos fatores descrevem a qualidade da aprendizagem e influenciam o rendimento acadêmico dos universitários. Neste estudo, 21 habilidades foram categorizadas em cognitivas e metacognitivas, com destaque para a motivação e a autorregulação como as mais estudadas. Tomando esses resultados, identificam-se dimensões a considerar em instrumentos de avaliação das estratégias de aprendizagem e métodos de estudo dos universitários, privilegiando-se as dimensões que mais impactam o sucesso acadêmico no Ensino Superior. PALAVRAS-CHAVE:Aprendizagem. Desempenho acadêmico. Ensino superior. RESUMEN:Este artículo presenta una revisión de la producción científica acerca de las habilidades académicas y métodos de estudio de estudiantes universitarios relacionados al rendimiento académico. Se realizó consulta en las bases de datos en línea con descriptores en portugués e inglés, rendimiento/desempeño académico, aprendizaje, estudiantes universitarios o estudiantes de la enseñanza superior, publicados entre 2008 a 2018. Resultaron 90 artículos predominando el idioma inglés (55,6%), siendo que en 2017 hubo el mayor número de publicaciones (31,1%) y el continente Americano detuvo mitad de las publicaciones. Cualitativamente se apunta que diversos factores influencian el rendimiento académico. En este estudio, 21 habilidades fueron categorizadas en cognitivas y metacognitivas, así como de manejo psicosocial con destaque para la motivación y la autorregulación como las más estudiadas. Tomando estos resultados se discuten los procesos de enseñanza-aprendizaje a fomentar en la Enseñanza Superior.

show abstract

El rendimiento académico de los estudiantes de las licenciaturas de médico cirujano y fisioterapia determinado por análisis predictivo

Cited by 3 publications

References 12 publications

Predicting students’ academic progress and related attributes in first-year medical students: an analysis with artificial neural networks and Naïve Bayes

Predicting students’ academic progress and related attributes in first-year medical students: an analysis with artificial neural networks and Naïve Bayes

Análisis predictivo y multidimensional de la salud mental en estudiantes de medicina

Aprendizagem e rendimento acadêmico no Ensino Superior

Contact Info

Product

Resources

About