Transición de la educación media superior a la educación superior: estudio en la UNAM

Mendiola, Melchor Sánchez; Penilla, Careli Johana Herrera; Casanova, Enrique Ricardo Buzo; Minjares, Manuel García; López, Marypaola Janett Maya; González, Adrián Martínez

doi:10.22201/cuaieed.16076079e.2021.22.2.10

Cited by 2 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…La investigación realizada por (Mendiola, 2021) donde establece que una causa para el bajo porcentaje de eficiencia terminal en centros de educación superior es la carencia de orientación educativa, promoción y difusión antes del ingreso al primer nivel. Además, señala que en la institución donde realizo el estudio solo se obtuvo un 56,6% de eficiencia terminal lo cual representa un valor por encima de la media, pero no complaciente a los objetivos institucionales de titulación.…”

Section: Discussionunclassified

Análisis de la eficiencia terminal en la carrera de electricidad: caso Instituto Superior Tecnológico Luis Tello.

Barbosa Chila,

Palacios Quiróz

2024

ReSoFro

View full text Add to dashboard Cite

El presente estudio se planteó como objetivo principal analizar la eficiencia terminal de la Carrera de Electricidad en el instituto Luis Tello mediante la recolección de información específica de cada una de las variables para la definición de estrategias en mejora de la calidad educativa mediante una investigación de carácter cuantitativo y enfoque descriptivo. Los datos obtenidos relacionan a los estudiantes inscritos en primer nivel, quienes de ellos finalizaron el quinto nivel, de igual manera quienes aprobaron los procesos de prácticas pre profesionales, vinculación con la sociedad y si se encuentran en algún proceso de integración curricular. Los resultados muestran que los procesos que se llevan hasta finalizar los estudios no son muy eficientes, esto dado que en las tres cohortes se obtuvo un valor de eficiencia terminal de 8,2%, 4,8% y 3,7% respectivamente. Estos resultados están muy por debajo de una media en comparación a otros estudios similares. Como conclusión se establece que los estudiantes desertan o no terminan su malla de estudios ya que solo el 26,80% finalizó, pero de estos 26 estudiantes solo 6 lograron titularse dentro del tiempo establecido por cada una de las cohortes.

show abstract

Section: Discussionunclassified

Análisis de la eficiencia terminal en la carrera de electricidad: caso Instituto Superior Tecnológico Luis Tello.

Barbosa Chila,

Palacios Quiróz

2024

ReSoFro

View full text Add to dashboard Cite

show abstract

“…This study used data from 7,976 anonymized students from the 2011 to 2017 cohorts of the program. It included information from the students' diagnostic exam results, academic history, sociodemographic characteristics and family environment [12,37,38]. The main dataset included 48 variables (24 categorical, 8 discrete numerical, and 16 continuous numerical).…”

Section: Data Characteristicsmentioning

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

Transición de la educación media superior a la educación superior: estudio en la UNAM

Cited by 2 publications

References 0 publications

Análisis de la eficiencia terminal en la carrera de electricidad: caso Instituto Superior Tecnológico Luis Tello.

Análisis de la eficiencia terminal en la carrera de electricidad: caso Instituto Superior Tecnológico Luis Tello.

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

Contact Info

Product

Resources

About