Predicción del rendimiento académico por medio de técnicas de inteligencia artificial

Abstract

El objetivo de este artículo es predecir el rendimiento académico de estudiantes de educación superior, a partir de diversos factores influyentes usando técnicas de inteligencia artificial (clasificadores). El estudio de tales factores, aunque ha sido ampliamente analizado desde enfoques cuantitativos y cualitativos, aun presenta oportunidades de investigación usando herramientas que provee la inteligencia artificial, particularmente en la predicción del rendimiento académico. Con los factores definidos (educacionales, familiares, socioeconómicos, de hábitos y costumbres, entre otros), se diseñó una metodología que permite entrenar un sistema capaz de clasificar a priori a un nuevo estudiante, en una de las cinco categorías predeterminadas de rendimiento académico. Esta clasificación permite a una institución educativa identificar con anticipación estudiantes con problemas potenciales de rendimiento académico. A partir de ello, se pueden desplegar acciones de acompañamiento y mitigación inmediatas. La metodología fue aplicada a una muestra de estudiantes de una universidad pública en Colombia, obteniendo un nivel de aciertos del 91.7%.

Uso de minería de textos para comparar los contenidos relacionados a calidad y acreditación generados en redes sociales por universidades de Perú y Chile

“…Machine Learning (también denominado Data Science o Data Mining de acuerdo al contexto) abarca una serie de técnicas de modelamiento orientadas a distintos requerimientos de las organizaciones (predicción de resultados, análisis de textos, visión artificial, reconocimiento de voz, entre otras), las cuales pueden ser aplicados en distintas tareas en entornos empresariales (Allmendinger et al, 2017;Yang et al, 2019). En el caso del sector educativo, el uso de estas técnicas puede apreciarse en una serie de trabajos (Castrillón et al, 2020;Etxeberria et al, 2017;Ezz & Elshenawy, 2019) orientados a la predicción del rendimiento académico de estudiantes, mientras que Salloum et al 2018presenta un enfoque de minería de textos para extraer información de artículos de investigación. Por su parte, De La Hoz et al 2019describe el uso de algoritmos de clasificación para predecir usuarios en ambientes virtuales de educación.…”

Principales causas de ausentismo laboral: una aplicación desde la minería de datos

“…Aspecto que permite estructurar los siguientes pasos: 1) Generación de la base de datos 2) estructuración del archivo para la plataforma Weka 3) Clasificación por medio del algoritmo J48 4) Identificación de las principales causas del ausentismo. Es importante resaltar que, el clasificador J48 empleado, permite obtener muy buenos resultados en comparación con otros clasificadores (Valencia et al, 2015;Castrillón et al, 2020;Castrillón et al, 2017).…”

Tecnología y analítica del aprendizaje: una revisión a la literatura

“…Por tanto, al predecir por ejemplo el rendimiento académico como una clase (variable) de tipo numérico o categórico se está inmerso en el campo de la analítica académica y cuando se intenta predecir cuál será el resultado de un estudiante antes de que curse una asignatura, se estaría incursionando en el campo de la analítica del aprendizaje (Figura 2). Los resultados de la analítica en el campo de la educación pueden usarse para elaborar informes como el mapeo curricular, la predicción del comportamiento (por ejemplo: tasas de abandono o deserción), el diseño de acciones para mejorar el aprendizaje y la determinación de las competencias en tiempo real (Tenpipat y Akkarajitsakul, 2020;Medina et al, 2020;Urteaga et al, 2020;Castrillón et al, 2020;Kauffman et al, 2019) y no como se hace actualmente que se recopilan datos de un semestre y las acciones de mejora se realizan en un semestre posterior (Lonn et al, 2015).…”