2020
DOI: 10.4067/s0718-50062020000500233
|View full text |Cite
|
Sign up to set email alerts
|

Predicción del rendimiento académico como indicador de éxito/fracaso de los estudiantes de ingeniería, mediante aprendizaje automático

Abstract: Predicción del rendimiento académico como indicador de éxito/fracaso de los estudiantes de ingeniería Contreras

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
2
1
1
1

Citation Types

0
7
0
4

Year Published

2021
2021
2023
2023

Publication Types

Select...
6
1

Relationship

0
7

Authors

Journals

citations
Cited by 17 publications
(19 citation statements)
references
References 8 publications
0
7
0
4
Order By: Relevance
“…It is here where areas such as data mining and engineering add value by proposing solutions to multiple aspects of an academic-administrative nature [3], providing tools that generate timely analyses to establish adequate strategies to improve academic performance and reduce student desertion.…”
Section: Analytics In Educationmentioning
confidence: 99%
See 1 more Smart Citation
“…It is here where areas such as data mining and engineering add value by proposing solutions to multiple aspects of an academic-administrative nature [3], providing tools that generate timely analyses to establish adequate strategies to improve academic performance and reduce student desertion.…”
Section: Analytics In Educationmentioning
confidence: 99%
“…It is a difficult task to be able to define the appropriate actions and decisions that maximize student performance since there are several influencing factors [1] such as: social, economic, historical, individual, macroeconomic, state educational policy and institutional factors, among others [2]; it is a complex and multidimensional theoretical construct. For this reason, academic performance has been represented in different ways in the various studies that have addressed the subject, and it also requires an integration of the different techniques and methodologies in order to predict it [3], [4].…”
Section: Introductionmentioning
confidence: 99%
“…Se muestran algunos métodos clásicos de predicción tales como series de tiempo y regresión lineal. Los autores no están usando métodos que dan buenos resultados en el campo de la analítica académica para la predicción de indicadores como el rendimiento académico, la deserción y la tasa de graduación como los algoritmos de aprendizaje supervisado clásicos, tales como árboles de decisión, KNN, SVM (Tomasevic et al, 2020;Contreras et al, 2020;Adekitan y Noma-Osaghae, 2019;Wiyono y Tegal, 2019), o algoritmos más avanzados dentro del aprendizaje automático como los métodos híbridos o de ensamble y las redes neuronales (Zacharias y Athanasios, 2020; Hasan et al, 2020;Medina et al, 2020). Figura 6.…”
Section: Campos De Aplicación De La Analítica En Educación Superiorunclassified
“…Debido a la incursión de las tecnologías de la información y la comunicación (TIC) en la educación superior se han diversificado las modalidades y se han potenciado las técnicas de aprendizaje apoyadas en TIC. Una de las modalidades pioneras es la denominada e-learning (modalidad de aprendizaje electrónico) que permite a los estudiantes apropiarse de nuevos conocimientos mediante el uso de la internet (Contreras et al, 2020). Así mismo se encuentra en la literatura el uso de dispositivos móviles (tabletas y teléfonos) y reproductores de música como medio de formación de los estudiantes, este es conocido como Mobile Learning (Olsen et al, 2020).…”
Section: Introductionunclassified
“…En la investigación se encontró que las notas de admisión obtenidas en el razonamiento verbal y el razonamiento ma-temático repercuten en el promedio final del curso, con un mayor énfasis del razonamiento matemático (Chacón Vargas y Roldán Villalobos, 2021). Este hallazgo coincide con el obtenido en estudiantes de ingeniería industrial de la Universidad Distrital (Colombia) (Contreras E. et al, 2020).…”
Section: Relación Entre Las Variables De Estudiounclassified