Este documento describe un estudio que utiliza técnicas de inteligencia artificial para predecir el rendimiento académico de estudiantes universitarios basándose en diversos factores. Los investigadores recolectaron datos de 460 estudiantes a través de encuestas y los analizaron usando clasificadores bayesianos. Lograron predecir el rendimiento de nuevos estudiantes con un 91.7% de precisión, identificando factores como hábitos de estudio, entorno familiar y recursos universitarios como los más influyentes.
Mora-Crua, Palos-Sanchez y Murrell-Blanco, 2023.pdfPedroPalos3
RESUMEn. La situación provocada por la CoVId-19 ha acelerado el cambio de los modelos de
enseñanza–aprendizaje en las Universidades. Este trabajo tiene por objetivo explorar los factores
que inciden en la percepción de satisfacción y los resultados de aprendizaje de los estudiantes al
utilizar plataformas de aprendizaje en línea. Utilizando como base el Modelo de Aceptación de
Tecnología (TAM) y el Modelo de éxito de los sistemas de información (ISs), se analizaron los
resultados por medio de PLS-SEM. Los datos fueron recolectados mediante una encuesta en línea
enviada a estudiantes de diferentes niveles de educación superior. Entre los principales hallazgos se
destaca que entre mayor sea la satisfacción de los usuarios de las plataformas de aprendizaje en línea
mayor el resultado de aprendizaje. La información obtenida puede contribuir a que las
Universidades puedan potenciar este tipo de herramientas para lograr de manera eficiente los
objetivos de educación propuestos.
El artículo presenta los resultados de una evaluación de habilidades del pensamiento computacional realizada entre 2016 y 2019 a estudiantes de nuevo ingreso de la carrera de tecnologías de la información en la Universidad Tecnológica de Puebla, México. La evaluación buscó determinar el estado inicial de los estudiantes y favorecer su desempeño en el curso de programación, además de predecir su retención. Dos resultados destacan: primero, el impacto favorable en los estudiantes para la adquisición de competencias; y segundo, a
Diseño de un Sistema de Información a través de la IBD para mejorar el rendim...Alexandro Escudero-Nahón
El seguimiento del rendimiento académico de los alumnos de educación superior permite conocer si los objetivos de las instituciones se logran con calidad (Garbanzo, 2007; Rodríguez, Fita, & Torrado, 2003). El rendimiento académico comprende resultados inmediatos o internos (las calificaciones obtenidas), resultados diferidos o externos (la aplicación de las competencias profesionales en el ámbito laboral) y factores personales, sociales e institucionales que determinan esos resultados (Navarro, 1997).
CENTRO DE DIAGNÓSTICO, EVALUACIÓN, APOYO E INTERVENCIÓN PARA ESTUDIANTES DE ...José Andrés Alanís Navarro
En este trabajo se presenta la propuesta de un proyecto, un modelo y resultados preliminares de un centro para el diagnóstico, la evaluación cuantitativa y apoyo en el aprendizaje (CeDiEAI), Independientes a las unidades de aprendizaje de las asignaturas, a alumnos de ciencias e ingeniería. Se combinan los resultados obtenidos de responder cuestionarios por parte de los alumnos que recaban información sobre aspectos socio económicos, familiares, de entorno, patrones de vida en el día a día y, por otro lado, pruebas que miden cuantitativamente
habilidades numéricas, razonamiento abstracto y mecánico y a partir de realizar un
análisis de estadística descriptiva e inferencial contra el desempeño académico
evaluar el impacto que los parámetros mencionados tienen en éste. El modelo de
proceso que se sigue se presenta, así como una propuesta de organigrama y estructura del centro.
Hacia la construcción de un perfil en 360 grados de los usuarios del @Plan_Ce...@cristobalcobo
Este documento discute el uso potencial de datos de aprendizaje (Learning Analytics) para construir perfiles de 360° de los estudiantes en Uruguay. Se exploran preguntas como qué patrones de participación en línea se pueden identificar y si existe correlación entre el uso de plataformas y el rendimiento académico. También se mencionan desafíos como asegurar el anonimato de datos sensibles y minimizar posibles conflictos sobre la interpretación y uso de la información recopilada.
Este artículo examina cómo cuatro escuelas municipales en Chile comprenden, analizan y usan los datos provistos por la Agencia de Calidad de la Educación en el marco de la implementación del Sistema de Aseguramiento de la Calidad. Los hallazgos muestran que las escuelas se enfocan principalmente en la rendición de cuentas debido a la clasificación y consecuencias del SAC. Además, los factores contextuales influyen en cómo los actores escolares dan sentido a la información y cómo la usan. El artículo sugi
Mora-Crua, Palos-Sanchez y Murrell-Blanco, 2023.pdfPedroPalos3
RESUMEn. La situación provocada por la CoVId-19 ha acelerado el cambio de los modelos de
enseñanza–aprendizaje en las Universidades. Este trabajo tiene por objetivo explorar los factores
que inciden en la percepción de satisfacción y los resultados de aprendizaje de los estudiantes al
utilizar plataformas de aprendizaje en línea. Utilizando como base el Modelo de Aceptación de
Tecnología (TAM) y el Modelo de éxito de los sistemas de información (ISs), se analizaron los
resultados por medio de PLS-SEM. Los datos fueron recolectados mediante una encuesta en línea
enviada a estudiantes de diferentes niveles de educación superior. Entre los principales hallazgos se
destaca que entre mayor sea la satisfacción de los usuarios de las plataformas de aprendizaje en línea
mayor el resultado de aprendizaje. La información obtenida puede contribuir a que las
Universidades puedan potenciar este tipo de herramientas para lograr de manera eficiente los
objetivos de educación propuestos.
El artículo presenta los resultados de una evaluación de habilidades del pensamiento computacional realizada entre 2016 y 2019 a estudiantes de nuevo ingreso de la carrera de tecnologías de la información en la Universidad Tecnológica de Puebla, México. La evaluación buscó determinar el estado inicial de los estudiantes y favorecer su desempeño en el curso de programación, además de predecir su retención. Dos resultados destacan: primero, el impacto favorable en los estudiantes para la adquisición de competencias; y segundo, a
Diseño de un Sistema de Información a través de la IBD para mejorar el rendim...Alexandro Escudero-Nahón
El seguimiento del rendimiento académico de los alumnos de educación superior permite conocer si los objetivos de las instituciones se logran con calidad (Garbanzo, 2007; Rodríguez, Fita, & Torrado, 2003). El rendimiento académico comprende resultados inmediatos o internos (las calificaciones obtenidas), resultados diferidos o externos (la aplicación de las competencias profesionales en el ámbito laboral) y factores personales, sociales e institucionales que determinan esos resultados (Navarro, 1997).
CENTRO DE DIAGNÓSTICO, EVALUACIÓN, APOYO E INTERVENCIÓN PARA ESTUDIANTES DE ...José Andrés Alanís Navarro
En este trabajo se presenta la propuesta de un proyecto, un modelo y resultados preliminares de un centro para el diagnóstico, la evaluación cuantitativa y apoyo en el aprendizaje (CeDiEAI), Independientes a las unidades de aprendizaje de las asignaturas, a alumnos de ciencias e ingeniería. Se combinan los resultados obtenidos de responder cuestionarios por parte de los alumnos que recaban información sobre aspectos socio económicos, familiares, de entorno, patrones de vida en el día a día y, por otro lado, pruebas que miden cuantitativamente
habilidades numéricas, razonamiento abstracto y mecánico y a partir de realizar un
análisis de estadística descriptiva e inferencial contra el desempeño académico
evaluar el impacto que los parámetros mencionados tienen en éste. El modelo de
proceso que se sigue se presenta, así como una propuesta de organigrama y estructura del centro.
Hacia la construcción de un perfil en 360 grados de los usuarios del @Plan_Ce...@cristobalcobo
Este documento discute el uso potencial de datos de aprendizaje (Learning Analytics) para construir perfiles de 360° de los estudiantes en Uruguay. Se exploran preguntas como qué patrones de participación en línea se pueden identificar y si existe correlación entre el uso de plataformas y el rendimiento académico. También se mencionan desafíos como asegurar el anonimato de datos sensibles y minimizar posibles conflictos sobre la interpretación y uso de la información recopilada.
Este artículo examina cómo cuatro escuelas municipales en Chile comprenden, analizan y usan los datos provistos por la Agencia de Calidad de la Educación en el marco de la implementación del Sistema de Aseguramiento de la Calidad. Los hallazgos muestran que las escuelas se enfocan principalmente en la rendición de cuentas debido a la clasificación y consecuencias del SAC. Además, los factores contextuales influyen en cómo los actores escolares dan sentido a la información y cómo la usan. El artículo sugi
Este documento describe una problemática en el aprendizaje de las matemáticas en estudiantes de grados 10 y 11 en Colombia, donde se han reportado altos índices de reprobación. La autora propone implementar estrategias didácticas mediadas por TIC como una herramienta de apoyo para mejorar la comprensión de conceptos matemáticos. Esto se realizaría a través de un proyecto de investigación que evalúe el impacto del uso de herramientas digitales en el aprendizaje, con el fin de diseñar un curso virtual que
El documento resume varias investigaciones realizadas en diferentes países sobre el uso de tecnologías de la información y comunicación y software educativo en el rendimiento académico de estudiantes. Algunas de las investigaciones encontraron que el uso de blogs, internet y software educativo mejoraron el rendimiento académico, mientras que otras concluyeron que estas herramientas contribuyen a una mayor motivación y aprendizaje significativo entre los estudiantes. El documento también resume investigaciones realizadas a nivel local en Perú sobre temas similares.
Análisis Estadístico y Probabilístico de la Deserción Escolar del IEMSDF mediante el método de regresión por mínimos cuadrados.
Tesina para obtener el título de la Licenciatura en Matemáticas presenta:
El Sustentante: Pte. Mat. Pedro Daniel Lara Maldonado Asesorado: Mat. Beatriz Carrasco Torres
Evaluado: Dra. Marlen Hernández Ortiz
Análisis Estadístico y Probabilístico de la Deserción Escolar del IEMSDF mediante el método de regresión por mínimos cuadrados.
Tesina para obtener el título de la Licenciatura en Matemáticas presenta:
El Sustentante: Pte. Mat. Pedro Daniel Lara Maldonado Asesorado: Mat. Beatriz Carrasco Torres
Evaluado: Dra. Marlen Hernández Ortiz
El artículo describe un estudio que evaluó el efecto de actividades de pensamiento computacional en el aprendizaje de fundamentos de programación en estudiantes de secundaria. Ochenta estudiantes fueron divididos en un grupo experimental, que realizó actividades de pensamiento computacional, y un grupo de control. Los resultados de las pruebas aplicadas antes y después mostraron que el grupo experimental asimiló mejor los conceptos de programación y pudo desarrollar diagramas de flujo sin dificultad. Esto indica que el pensamiento computacional mejora la capacidad de los estudiant
Análisis Estadístico y Probabilístico de la Deserción Escolar del IEMSDF mediante el método de regresión por mínimos cuadrados. Tesina para obtener el título de la Licenciatura en Matemáticas presenta:
El Sustentante: Pte. Mat. Pedro Daniel Lara Maldonado Asesorado: Mat. Beatriz Carrasco Torres
Evaluado: Dra. Marlen Hernández Ortiz
Este documento compara las características de la evaluación educativa en Ecuador y México. Describe los objetivos de la evaluación en cada país, incluyendo mejorar la calidad de la educación y establecer indicadores. También analiza programas específicos de evaluación docente en México y contrasta enfoques entre los dos países. El documento concluye resaltando la importancia de la evaluación para la mejora de centros educativos.
2021_02_26 «Desarrollo científico de la inteligencia artificial en el ámbito ...eMadrid network
«Desarrollo científico de la inteligencia artificial en el ámbito educativo». Antonio José Moreno Guerrero, profesor asociado laboral en la Universidad de Granada; y José Antonio Marín Marín, profesor ayudante doctor en la Universidad de Granada
Este documento describe una investigación que evaluó la efectividad de un programa de enseñanza sobre estadística descriptiva utilizando el programa Calc de Open Office. La investigación encontró diferencias significativas entre las pruebas antes y después de la aplicación del programa. El estudio buscó determinar si existían diferencias entre el método de enseñanza tradicional y el programa de enseñanza, considerando variables como la ocupación y nivel educativo de los padres y el promedio de notas de los estudiantes.
Investigación documental y de campo.
Desarrollo de una aplicación orientada al sector educativo público y privado-
Con énfasis al apoyo del docente de nivel primaria para la gestión escolar del grupo.
El tema de este proyecto se circunscribe a los datos registrados en el Sistema de Información Mexicana del Distrito Federal (INFOMEXDF) dentro de la dependencia paraestatal del Instituto de Educación Media Superior del Distrito Federal por parte de la Dirección Estudiantil; a través del conducto de la Subdirección de Administración Escolar. El objetivo de este proyecto es hacer predicciones de la deserción estudiantil en las últimas generaciones que comprenden del año 2013 hasta el año 2014, considerado para toda la dependencia; se aplicaron los modelos de ajuste de funciones polinomiales mediante el método regresión por mínimos cuadrados para encontrar una función polinomial de ajuste a los datos. Este ajuste se centró en el cálculo del error que define su desviación estándar con distribución 푡−student para poder construir un intervalo de predicción que representa una estimación muestral de estudiantes desertores para las generaciones venideras, cuya incidencia, se ha incrementado de manera gradual, debido a que dejan sus estudios inconclusos no suelen retomarlos posteriormente, por lo que este diagnóstico es una cuestión alarmante de riesgo en su credibilidad condicional, que aseveró la importancia de atender esta problemática, que implica una concientización de desempeño escolar, en relación a la eficiencia terminal.
El correcto seguimiento del rendimiento académico de los alumnos de educación superior es relevante porque permite conocer si los objetivos previstos por las instituciones se logran con calidad. El término rendimiento académico comprende resultados inmediatos o internos (como las calificaciones obtenidas), resultados diferidos o externos (como la aplicación de las competencias profesionales en el ámbito laboral) y factores personales, sociales e institucionales que determinan esos resultados. Los sistemas de información pueden apoyar en la toma de decisiones y en la implementación de estrategias para mejorar el rendimiento académico de los alumnos si generan información sobre factores personales, sociales e institucionales. El Instituto Tecnológico de Querétaro (ITQ), a través del programa de Educación Presencial a Distancia (EPaD), tiene el objetivo de ampliar la cobertura educativa en el
estado de Querétaro. Las EPaDs hacen uso del Sistema Integral de Información (SII) centralizado del ITQ que solo genera datos sobre el rendimiento académico inmediato o interno. Sin embargo, el SII no brinda información relativa a los resultados diferidos o externos y mucho menos sobre los factores personales, sociales e institucionales. A través del método de Investigación Basada en Diseño que admite el uso de técnicas e instrumentos mixtos de compilación de datos, se está construyendo un sistema de información que integra la información de los tutores educativos a través de un protocolo institucional.
Este documento presenta los resultados de una investigación sobre la factibilidad de desarrollar una aplicación móvil para el aprendizaje de la lectura en alumnos de primaria. Se revisó literatura sobre aprendizaje móvil y se entrevistó a padres de familia. Los resultados mostraron que es factible desarrollar la aplicación para Android debido al acceso a internet y dispositivos, aunque la memoria podría ser una barrera. La aplicación debería enfocarse en estándares como PISA para mejorar las habilidades de lectura.
Los objetivos de este trabajo es presentar un modelo de flujo de trabajo; tres pruebas y dos cuestionarios para diagnosticar desempeño académico; el uso de metodologías estadísticas para el análisis de los datos obtenidos, así como los resultados preliminares del modelo y de los cuestionarios. La metodología consiste en la coordinación entre docentes en el rol de tutor y
aplicar las pruebas y cuestionarios a los alumnos bajo su responsabilidad para posteriormente realizar un análisis estadístico de los datos y en base a ello elaborar un plan de trabajo de intervención a nivel individual y colectivo. La contribución fundamental de este trabajo es buscar de manera objetiva apoyar a los alumnos en su desarrollo académico. Dentro de las Responsabilidades y actividades que un docente tiene en las universidades es ser tutor de
un grupo del programa académico al que pertenece. Los alumnos bajo su responsabilidad tienen una serie de situaciones que influyen o suponemos que influyen en su desempeño académico. Uno como tutor se puede preguntar si las unidades de aprendizaje de las asignaturas que cursan apoyan en dicho desempeño, si existen factores internos y externos, así como situaciones de riesgo que lo afecten. Este trabajo está orientado a apoyar a los docentes en su actividad tutora y en las asignaturas transversales del programa académico, así como a los alumnos.
Este documento presenta un proyecto de investigación sobre los factores que influyen en el bajo rendimiento académico de los estudiantes de segundo y tercer año de Ingeniería de Sistemas en la Universidad Nacional de Ingeniería de Nicaragua. El objetivo es analizar los datos obtenidos de una encuesta aplicada a una muestra de 50 estudiantes para identificar las principales causas de su mal desempeño y proponer soluciones. Se describen la metodología, marco teórico, análisis estadístico de los
Este documento presenta una propuesta para enseñar organización de datos para variables cualitativas estadísticas en el primer año de educación secundaria a través de la resolución de problemas. Se realizó una investigación aplicando una prueba diagnóstica a estudiantes para determinar sus conocimientos previos y necesidades de aprendizaje. Con esta información, se diseñó una propuesta didáctica, pedagógica, de planificación y desarrollo de clases para enseñar este tema. Cinco maestros especializados en
Uso del análisis de aprendizajes en el aula invertida: una revisión sistemáticaAlexandro Escudero-Nahón
El análisis de aprendizajes consiste en la recolec- ción, medición y análisis de grandes volúmenes de datos que generan los aprendices en sus con- textos de aprendizaje, y cuyo propósito es prede- cir potenciales problemas educativos que podrían presentarse, anticipar soluciones efectivas y, así, mejorar el aprovechamiento académico. El aná- lisis de aprendizajes presenta oportunidades inéditas para evaluar adecuadamente nuevas es- trategias didácticas que incorporan la tecnología digital, como el aula invertida. Para identificar el estado del conocimiento sobre este análisis den- tro del aula invertida, realizamos una revisión sistemática. Los resultados sugieren: a) ha au- mentado el uso de este análisis dentro del aula invertida en el último año, ante todo b) para iden- tificar las conductas de aprendizaje de los estu- diantes y evaluar el aprovechamiento académico; c) en los casos que se aplicó de manera correcta, el análisis de aprendizajes obtuvo una mejoría del aprovechamiento académico, el aprendizaje auto- rregulado, la motivación para el estudio, la cola- boración y la participación entre estudiantes. No obstante, el uso del análisis aún no se ha exten- dido tanto como otros métodos que también han abordado el aprovechamiento académico dentro del aula invertida.
Aplicaciones móviles para gestión de procesos académicos en educación superio...Mass Media Wise
El documento describe las aplicaciones móviles (apps) para la gestión de procesos académicos en la educación superior. Analiza 151 apps de 607 universidades, encontrando que el 35,8% pertenece a Colombia y que las apps con historia académica, horarios de clase, materias y notificaciones tendrán alta valoración por los usuarios. Además, discute cómo las apps móviles pueden usarse para mejorar el aprendizaje de los estudiantes y ofrecer información personalizada.
LINEA DE TIEMPO Y PERIODO INTERTESTAMENTARIOAaronPleitez
linea de tiempo del antiguo testamento donde se detalla la cronología de todos los eventos, personas, sucesos, etc. Además se incluye una parte del periodo intertestamentario en orden cronológico donde se detalla todo lo que sucede en los 400 años del periodo del silencio. Basicamente es un resumen de todos los sucesos desde Abraham hasta Cristo
Más contenido relacionado
Similar a PREDICCION SOBRE INTELIGENCIA ARTIFICIAL.pdf
Este documento describe una problemática en el aprendizaje de las matemáticas en estudiantes de grados 10 y 11 en Colombia, donde se han reportado altos índices de reprobación. La autora propone implementar estrategias didácticas mediadas por TIC como una herramienta de apoyo para mejorar la comprensión de conceptos matemáticos. Esto se realizaría a través de un proyecto de investigación que evalúe el impacto del uso de herramientas digitales en el aprendizaje, con el fin de diseñar un curso virtual que
El documento resume varias investigaciones realizadas en diferentes países sobre el uso de tecnologías de la información y comunicación y software educativo en el rendimiento académico de estudiantes. Algunas de las investigaciones encontraron que el uso de blogs, internet y software educativo mejoraron el rendimiento académico, mientras que otras concluyeron que estas herramientas contribuyen a una mayor motivación y aprendizaje significativo entre los estudiantes. El documento también resume investigaciones realizadas a nivel local en Perú sobre temas similares.
Análisis Estadístico y Probabilístico de la Deserción Escolar del IEMSDF mediante el método de regresión por mínimos cuadrados.
Tesina para obtener el título de la Licenciatura en Matemáticas presenta:
El Sustentante: Pte. Mat. Pedro Daniel Lara Maldonado Asesorado: Mat. Beatriz Carrasco Torres
Evaluado: Dra. Marlen Hernández Ortiz
Análisis Estadístico y Probabilístico de la Deserción Escolar del IEMSDF mediante el método de regresión por mínimos cuadrados.
Tesina para obtener el título de la Licenciatura en Matemáticas presenta:
El Sustentante: Pte. Mat. Pedro Daniel Lara Maldonado Asesorado: Mat. Beatriz Carrasco Torres
Evaluado: Dra. Marlen Hernández Ortiz
El artículo describe un estudio que evaluó el efecto de actividades de pensamiento computacional en el aprendizaje de fundamentos de programación en estudiantes de secundaria. Ochenta estudiantes fueron divididos en un grupo experimental, que realizó actividades de pensamiento computacional, y un grupo de control. Los resultados de las pruebas aplicadas antes y después mostraron que el grupo experimental asimiló mejor los conceptos de programación y pudo desarrollar diagramas de flujo sin dificultad. Esto indica que el pensamiento computacional mejora la capacidad de los estudiant
Análisis Estadístico y Probabilístico de la Deserción Escolar del IEMSDF mediante el método de regresión por mínimos cuadrados. Tesina para obtener el título de la Licenciatura en Matemáticas presenta:
El Sustentante: Pte. Mat. Pedro Daniel Lara Maldonado Asesorado: Mat. Beatriz Carrasco Torres
Evaluado: Dra. Marlen Hernández Ortiz
Este documento compara las características de la evaluación educativa en Ecuador y México. Describe los objetivos de la evaluación en cada país, incluyendo mejorar la calidad de la educación y establecer indicadores. También analiza programas específicos de evaluación docente en México y contrasta enfoques entre los dos países. El documento concluye resaltando la importancia de la evaluación para la mejora de centros educativos.
2021_02_26 «Desarrollo científico de la inteligencia artificial en el ámbito ...eMadrid network
«Desarrollo científico de la inteligencia artificial en el ámbito educativo». Antonio José Moreno Guerrero, profesor asociado laboral en la Universidad de Granada; y José Antonio Marín Marín, profesor ayudante doctor en la Universidad de Granada
Este documento describe una investigación que evaluó la efectividad de un programa de enseñanza sobre estadística descriptiva utilizando el programa Calc de Open Office. La investigación encontró diferencias significativas entre las pruebas antes y después de la aplicación del programa. El estudio buscó determinar si existían diferencias entre el método de enseñanza tradicional y el programa de enseñanza, considerando variables como la ocupación y nivel educativo de los padres y el promedio de notas de los estudiantes.
Investigación documental y de campo.
Desarrollo de una aplicación orientada al sector educativo público y privado-
Con énfasis al apoyo del docente de nivel primaria para la gestión escolar del grupo.
El tema de este proyecto se circunscribe a los datos registrados en el Sistema de Información Mexicana del Distrito Federal (INFOMEXDF) dentro de la dependencia paraestatal del Instituto de Educación Media Superior del Distrito Federal por parte de la Dirección Estudiantil; a través del conducto de la Subdirección de Administración Escolar. El objetivo de este proyecto es hacer predicciones de la deserción estudiantil en las últimas generaciones que comprenden del año 2013 hasta el año 2014, considerado para toda la dependencia; se aplicaron los modelos de ajuste de funciones polinomiales mediante el método regresión por mínimos cuadrados para encontrar una función polinomial de ajuste a los datos. Este ajuste se centró en el cálculo del error que define su desviación estándar con distribución 푡−student para poder construir un intervalo de predicción que representa una estimación muestral de estudiantes desertores para las generaciones venideras, cuya incidencia, se ha incrementado de manera gradual, debido a que dejan sus estudios inconclusos no suelen retomarlos posteriormente, por lo que este diagnóstico es una cuestión alarmante de riesgo en su credibilidad condicional, que aseveró la importancia de atender esta problemática, que implica una concientización de desempeño escolar, en relación a la eficiencia terminal.
El correcto seguimiento del rendimiento académico de los alumnos de educación superior es relevante porque permite conocer si los objetivos previstos por las instituciones se logran con calidad. El término rendimiento académico comprende resultados inmediatos o internos (como las calificaciones obtenidas), resultados diferidos o externos (como la aplicación de las competencias profesionales en el ámbito laboral) y factores personales, sociales e institucionales que determinan esos resultados. Los sistemas de información pueden apoyar en la toma de decisiones y en la implementación de estrategias para mejorar el rendimiento académico de los alumnos si generan información sobre factores personales, sociales e institucionales. El Instituto Tecnológico de Querétaro (ITQ), a través del programa de Educación Presencial a Distancia (EPaD), tiene el objetivo de ampliar la cobertura educativa en el
estado de Querétaro. Las EPaDs hacen uso del Sistema Integral de Información (SII) centralizado del ITQ que solo genera datos sobre el rendimiento académico inmediato o interno. Sin embargo, el SII no brinda información relativa a los resultados diferidos o externos y mucho menos sobre los factores personales, sociales e institucionales. A través del método de Investigación Basada en Diseño que admite el uso de técnicas e instrumentos mixtos de compilación de datos, se está construyendo un sistema de información que integra la información de los tutores educativos a través de un protocolo institucional.
Este documento presenta los resultados de una investigación sobre la factibilidad de desarrollar una aplicación móvil para el aprendizaje de la lectura en alumnos de primaria. Se revisó literatura sobre aprendizaje móvil y se entrevistó a padres de familia. Los resultados mostraron que es factible desarrollar la aplicación para Android debido al acceso a internet y dispositivos, aunque la memoria podría ser una barrera. La aplicación debería enfocarse en estándares como PISA para mejorar las habilidades de lectura.
Los objetivos de este trabajo es presentar un modelo de flujo de trabajo; tres pruebas y dos cuestionarios para diagnosticar desempeño académico; el uso de metodologías estadísticas para el análisis de los datos obtenidos, así como los resultados preliminares del modelo y de los cuestionarios. La metodología consiste en la coordinación entre docentes en el rol de tutor y
aplicar las pruebas y cuestionarios a los alumnos bajo su responsabilidad para posteriormente realizar un análisis estadístico de los datos y en base a ello elaborar un plan de trabajo de intervención a nivel individual y colectivo. La contribución fundamental de este trabajo es buscar de manera objetiva apoyar a los alumnos en su desarrollo académico. Dentro de las Responsabilidades y actividades que un docente tiene en las universidades es ser tutor de
un grupo del programa académico al que pertenece. Los alumnos bajo su responsabilidad tienen una serie de situaciones que influyen o suponemos que influyen en su desempeño académico. Uno como tutor se puede preguntar si las unidades de aprendizaje de las asignaturas que cursan apoyan en dicho desempeño, si existen factores internos y externos, así como situaciones de riesgo que lo afecten. Este trabajo está orientado a apoyar a los docentes en su actividad tutora y en las asignaturas transversales del programa académico, así como a los alumnos.
Este documento presenta un proyecto de investigación sobre los factores que influyen en el bajo rendimiento académico de los estudiantes de segundo y tercer año de Ingeniería de Sistemas en la Universidad Nacional de Ingeniería de Nicaragua. El objetivo es analizar los datos obtenidos de una encuesta aplicada a una muestra de 50 estudiantes para identificar las principales causas de su mal desempeño y proponer soluciones. Se describen la metodología, marco teórico, análisis estadístico de los
Este documento presenta una propuesta para enseñar organización de datos para variables cualitativas estadísticas en el primer año de educación secundaria a través de la resolución de problemas. Se realizó una investigación aplicando una prueba diagnóstica a estudiantes para determinar sus conocimientos previos y necesidades de aprendizaje. Con esta información, se diseñó una propuesta didáctica, pedagógica, de planificación y desarrollo de clases para enseñar este tema. Cinco maestros especializados en
Uso del análisis de aprendizajes en el aula invertida: una revisión sistemáticaAlexandro Escudero-Nahón
El análisis de aprendizajes consiste en la recolec- ción, medición y análisis de grandes volúmenes de datos que generan los aprendices en sus con- textos de aprendizaje, y cuyo propósito es prede- cir potenciales problemas educativos que podrían presentarse, anticipar soluciones efectivas y, así, mejorar el aprovechamiento académico. El aná- lisis de aprendizajes presenta oportunidades inéditas para evaluar adecuadamente nuevas es- trategias didácticas que incorporan la tecnología digital, como el aula invertida. Para identificar el estado del conocimiento sobre este análisis den- tro del aula invertida, realizamos una revisión sistemática. Los resultados sugieren: a) ha au- mentado el uso de este análisis dentro del aula invertida en el último año, ante todo b) para iden- tificar las conductas de aprendizaje de los estu- diantes y evaluar el aprovechamiento académico; c) en los casos que se aplicó de manera correcta, el análisis de aprendizajes obtuvo una mejoría del aprovechamiento académico, el aprendizaje auto- rregulado, la motivación para el estudio, la cola- boración y la participación entre estudiantes. No obstante, el uso del análisis aún no se ha exten- dido tanto como otros métodos que también han abordado el aprovechamiento académico dentro del aula invertida.
Aplicaciones móviles para gestión de procesos académicos en educación superio...Mass Media Wise
El documento describe las aplicaciones móviles (apps) para la gestión de procesos académicos en la educación superior. Analiza 151 apps de 607 universidades, encontrando que el 35,8% pertenece a Colombia y que las apps con historia académica, horarios de clase, materias y notificaciones tendrán alta valoración por los usuarios. Además, discute cómo las apps móviles pueden usarse para mejorar el aprendizaje de los estudiantes y ofrecer información personalizada.
Similar a PREDICCION SOBRE INTELIGENCIA ARTIFICIAL.pdf (20)
LINEA DE TIEMPO Y PERIODO INTERTESTAMENTARIOAaronPleitez
linea de tiempo del antiguo testamento donde se detalla la cronología de todos los eventos, personas, sucesos, etc. Además se incluye una parte del periodo intertestamentario en orden cronológico donde se detalla todo lo que sucede en los 400 años del periodo del silencio. Basicamente es un resumen de todos los sucesos desde Abraham hasta Cristo
El Observatorio ciudadano Irapuato ¿Cómo vamos?, presenta el
Reporte hemerográfico al mes de mayo de 2024
Este reporte contiene información registrada por Irapuato ¿cómo vamos? analizando los medios de comunicación tanto impresos como digitales y algunas fuentes de información como la Secretaría de Seguridad ciudadana.
Yahoo! es una compañía tecnológica fundada en 1994 que comenzó como un directorio de sitios web y se convirtió en uno de los primeros motores de búsqueda y portales en Internet. Ofrecía servicios variados como correo electrónico, noticias, finanzas y entretenimiento, siendo una parte fundamental del crecimiento inicial de la web. A lo largo de su historia, Yahoo! ha evolucionado y enfrentado desafíos significativos, pero su legado incluye su contribución pionera a la accesibilidad y organización de la información en línea.
1. Predicción del rendimiento académico por medio de técnicas de inteligencia artificial Castrillón
Formación Universitaria Vol. 13 Nº 1 – 2020 93
Predicción del rendimiento académico por medio de técnicas de
inteligencia artificial
Omar D. Castrillón, William Sarache y Santiago Ruiz-Herrera
Universidad Nacional de Colombia - Sede Manizales, Facultad de Ingeniería y Arquitectura, Departamento de Ingeniería
Industrial, Grupo de Innovación y Desarrollo Tecnológico, Bloque Q Campus La Nubia, Manizales, 170001 – Colombia.
(e-mail: odcastrillong@unal.edu.co; wasarachec@unal.edu.co; sruizhe@unal.edu.co)
Recibido May. 9, 2019; Aceptado Jul. 8, 2019; Versión final Ago. 12, 2019, Publicado Feb. 2020
Resumen
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%.
Palabras clave: rendimiento académico; inteligencia artificial; clasificadores; aciertos; predicción
Prediction of academic performance using artificial intelligence
techniques
Abstract
The aim of this article is to predict the academic performance of higher education students, considering several
influential factors, applying artificial intelligence techniques (classifiers). Although such factors have been
widely analyzed from quantitative and qualitative approaches, they still represent research opportunities using
artificial intelligence tools, particularly in academic performance prediction. With the definition of influential
factors (educational, family background, social and economics, habits and customs, among others), a
methodology was designed to train a system able to a priori classify a new student, in one of the five categories
of academic performance. This classification allows an educational institution to have an early identification of
students with potential academic performance problems. From this knowledge the institution can deploy
immediate mitigation action. The methodology was applied to a sample of students from a public university in
Colombia, obtaining a success level of 91.7%.
Keywords: academic performance; artificial intelligence; classifiers; successes; prediction
Formación Universitaria
Vol. 13(1), 93-102 (2020)
http://dx.doi.org/10.4067/S0718-50062020000100093
2. Predicción del rendimiento académico por medio de técnicas de inteligencia artificial Castrillón
94 Formación Universitaria Vol. 13 Nº 1 – 2020
INTRODUCCIÓN
La búsqueda de la calidad en la educación es uno de los objetivos medulares de las instituciones académicas.
Para tal fin se despliegan estrategias y programas que tienen como finalidad mejorar el desempeño y
permanencia de los estudiantes (Helal et al, 2018). Sin embargo, definir la mezcla adecuada de acciones y
decisiones estratégicas que maximicen el desempeño estudiantil no es una tarea fácil, dados los diferentes
factores influyentes. El rendimiento académico de un estudiante se ha asociado a diversos factores
personales, sociales e institucionales (Garbanzo, 2007; Secretaria de Educación Distrital de Bogotá, 2010).
Para Rendón (1997), el éxito escolar está asociado a diferentes características, medios y valores. No
obstante, la mayoría de los estudios relacionados con la predicción del rendimiento académico han estado
asociados a la educación básica y primaria, siendo muy pocas las aplicaciones existentes en educación
superior (Mandelman et al, 2016).
El rendimiento académico es una valoración de los logros obtenidos por el estudiante a lo largo del curso
(https://definicion.de/rendimiento-academico/) . De acuerdo con la Secretaria de Educación Distrital de Bogotá
(2010), esta valoración ha estado asociada a diversos factores tales como: estudiantes (hábitos de la persona
como frecuencia de estudio y lectura, Tv, celular, trabajo), familia (entorno familiar, ingresos económicos,
ambiente familiar), comunitarios (estrato socio-económico, deporte, aspectos positivos y negativos de la
comunidad), universitarios (recursos, uso del tiempo libre en la universidad, relaciones con docentes y
estudiantes, horarios, pedagogía de los profesores, etc.). Según Çilan y Can (2014), la mayoría de estos
estudios se centran en señalar dificultades sin proponer soluciones reales.
Desde la perspectiva de las técnicas de inteligencia artificial, se identificaron diversos trabajos orientados a
analizar el rendimiento de los estudiantes. En el estudio de Bravo et al. (2015), se aplicaron dos técnicas
(bosques aleatorios y árboles de regresión), en una base de datos de estudiantes chilenos de octavo grado,
con el fin de identificar y caracterizar los perfiles de los estudiantes con base al rendimiento académico
obtenido en matemáticas. Se encontró que las expectativas educativas de los padres, el tipo de escuela y el
índice de habilidades matemáticas, eran los factores de mayor influencia. En el trabajo de Miguéis et al. (2018)
se usaron técnicas de minería de datos para clasificar y segmentar los estudiantes según su potencial
académico con el fin de disminuir los fracasos, mejorar los resultados, conseguir más recursos. Con dicha
técnica, los citados autores lograron un nivel de efectividad del 95%.
Fernandes et al. (2019), usaron la técnica GBM (Gradient Boosting Machine), para predecir las variables
académicas más influyentes en el rendimiento académico de un estudiante. Los resultados indican que el
grado, el ausentismo, el barrio, la escuela y la edad, son los factores más influyentes. De-La-Hoz et al. (2019)
se enfocaron en el manejo ambientes virtuales, con el fin de lograr una clasificación y predicción de usuarios
según su conocimiento, utilizando un algoritmo de aprendizaje automático, basado en diversas técnicas
(componentes principales, aprendizaje automático, clusterización, lógica difusa y K vecino más cercano,
logrando una efectividad del 91%. Así mismo, Taylan y Karagozog˘lu (2009) diseñaron un sistema basado
en lógica difusa y redes neuronales con el objetivo de predecir el rendimiento académico de los estudiantes.
En el trabajo de Hejazi et al. (2011), se usaron modelos para predecir el rendimiento académico en áreas
como matemáticas a partir de variables tales como tareas motivadoras, objetivos, percepción de la
instrumentalización y aprendizaje autorregulado.
En Hamsa et al. (2016), se combinaron algoritmos genéticos difusos y árboles de decisión, con el fin de
predecir el rendimiento académico de estudiantes de pregrado y de maestría de los programas ciencias de la
computación, electrónica y comunicaciones. Pandey y Taruna (2016) proponen un sistema de clasificadores
múltiples integrados para predecir el rendimiento académico. Este sistema se basó en arboles de decisión, el
k-ésimo vecino más cercano y estimadores de dependencia de agregación, lográndose una efectividad que
fluctúa entre el 87% y el 99%, según el tamaño de la base de datos empleada. En la publicación de Mitrofan
y Ion (2013), se analizan las relaciones existentes entre la personalidad y el rendimiento académico de un
estudiante. El objetivo era predecir el rendimiento académico a partir de grandes factores de personalidad:
Conciencia, auto disciplina, persistencia, auto organización y orientación al logro. En un trabajo similar,
Paunonen y Ashton (2013) estudiaron la incidencia de la personalidad y la motivación en el rendimiento
académico. Por su parte, otros autores como Etxeberria et al. (2017) relacionan el rendimiento académico
con el perfil de ingreso de cada estudiante.
Por su parte, Vedel et al. (2015), analizaron los rasgos de personalidad, entre estudiantes de diferentes
pregrados, frente al rendimiento académico de los mismos, encontrando diferencias significativas en cada
uno de los grupos, con lo cual se pudo establecer una predicción acorde a tales rasgos. En general, las
técnicas Inteligentes han sido empleadas para predecir una amplia variedad de eventos, entre los que se
destacan: caracterización y predicción de descargas académicas (Li y Rijke, 2019); mejoramiento del
rendimiento de equipos de trabajo en el aula (Alberola et al., 2016); predicción del rendimiento con base en
3. Predicción del rendimiento académico por medio de técnicas de inteligencia artificial Castrillón
Formación Universitaria Vol. 13 Nº 1 – 2020 95
factores cognitivos y no cognitivos (Fonteyne et al., 2017); sistemas basados en lógica difusa para medir el
rendimiento de las universidades y su personal (Yousif y Shaout, 2018); empleo de sistemas de información
geográfica para establecer la influencia de las zonas verdes en el rendimiento académico de un estudiante
(Kweon et al., 2017); análisis del pensamiento crítico en el rendimiento académico de estudiantes de maestría
(D’Alessio et al., 2019); ansiedad (Crişan y Copaci, 2015). Igualmente, se encontraron muy buenos estudios
sobre el pronóstico de las acciones en la bolsa, realizados por personas, con un alto rendimiento académico
(Zhu et al, 2018), aspecto que justifica más las investigaciones que se hagan en este campo.
Los diversos estudios realizados sobre rendimiento académico (Garbanzo, 2007; Secretaria de Educación
Distrital de Bogotá, 2010), han identificado diversos factores y/o atributos influyentes en estudiantes de niveles
de primaria y secundaria, con muy pocos avances en el ámbito de la formación superior, en donde otros
factores pudiesen afectar el desempeño de los estudiantes. Lo anterior, genera oportunidades de
investigación frente a la necesidad de establecer cuáles son los factores más predominantes en el rendimiento
académico de un estudiante de pregrado, con el fin de proveer información de utilidad para desplegar una
política académica en las diversas universidades, con miras a prevenir el fracaso estudiantil o mortalidad
académica.
Desde esta perspectiva, el objetivo de este artículo es predecir el rendimiento académico de los estudiantes
de pregrado que ingresan a una institución, usando técnicas de inteligencia artificial, basadas en clasificadores
bayesianos, los cuales han tenido una amplia aplicación en muchos otros campos (Castrillón et al, 2017).
Específicamente, el trabajo se llevó a cabo en una muestra de estudiantes de Ingeniería Industrial de una
universidad pública en Colombia. Para tal fin, se consideraron un conjunto de factores ampliamente usados
en la literatura tales como: género, edad, frecuencia de estudio, hábitos de lectura, uso de la televisión, uso
del celular, trabajo, nivel escolaridad de los padres, elementos para estudiar en casa, nivel de ingresos, clima
familiar, tiempo para estudiar en casa, estrato socio económico, actividades deportivas, actividades
comunitarias, otras actividades, recursos universitarios, infraestructura, manejo del tiempo en la universidad,
relaciones con los profesores, calidad de los profesores, horarios de clase y pedagogía (Secretaria de
Educación Distrital de Bogotá, 2010; Castrillón et al, 2018).
MATERIALES Y MÉTODOS
El desarrollo de la metodología se hizo por medio de técnicas de clasificación inteligente, basados en algo-
ritmos bayesianos y otros, ejecutados mediante el programa Weka (https://www.cs.waikato.ac.nz/ml/weka/).
Estas técnicas, de forma a priori, permiten predecir el desempeño académico de un estudiante que ingresa a
la universidad y, a partir de ello, establecer estrategias más personalizadas, programas de ayuda y de
seguimiento, en aquellos estudiantes cuyo rendimiento proyectado arroje resultados no satisfactorios. De esta
manera, también es posible determinar los factores incidentes en el rendimiento académico de un estudiante
con miras a desplegar programas de mejora continua a nivel institucional. La metodología empleada en el
estudio se expone de manera resumida en los siguientes ocho pasos: (1) Diseño de la encuesta y recolección
de la información; (2) Definición de la muestra; (3) Construcción de la base de datos; (4) Correlación entre
atributos; (5) Procesamiento computacional; (6) Predicción del rendimiento académico; (7) Identificación de
los principales atributos influyentes en el desempeño académico; y (8), Estabilidad del sistema.
Paso 1: Diseño de la encuesta y recolección de la información. Con el fin de analizar cada uno de los 22
atributos intervinientes en el estudio de clasificación, estos fueron agrupados en 4 factores: Factor 1 (F1):
estudiantes; Factor 2 (F2): familia; Factor 3 (F3): aspectos comunitarios y Factor 4 (F4): aspectos
universitarios. Esta agrupación se realizó tomando como referencia los lineamientos emitidos por la Secretaria
de Educación Distrital (Secretaria de Educación Distrital de Bogotá, 2010). Estos factores fueron evaluados
usando una escala de cinco niveles: 1: nunca; 2: rara vez; 3: algunas veces; 4: casi siempre; 5: siempre. No
obstante, en algunas preguntas debe entenderse como 1 el nivel más bajo, pésimo o ninguno y 5 el nivel más
alto, muchos o excelente.
Paso 2. Definición de la muestra. Con el fin de obtener una mayor confiabilidad estadística se aplicó un
muestreo aleatorio simple, sobre 460 estudiantes pertenecientes al programa de pregrado objeto de estudio.
Este cálculo de la muestra se realizó por medio de la Ecuación (1) (Valdivieso et al., 2011).
pq
2
I
2
ME
pqM
2
I
n
(1)
Dónde: n: dimensión de la muestra. I: Intervalo de confianza, obtenido por medio de una distribución normal
estándar invertida. p y q: representan las variaciones éxito y fracaso, respectivamente. M: Número de
estudiantes del programa de pregrado. E: Error muestral.
4. Predicción del rendimiento académico por medio de técnicas de inteligencia artificial Castrillón
96 Formación Universitaria Vol. 13 Nº 1 – 2020
Paso 3: Construcción de la base de datos. La encuesta se aplicó a un número n (obtenido de la ecuación 1)
de individuos seleccionados al azar, lo cual se considera adecuado cuando se trata de aplicar modelos
bayesianos (Valencia et al., 2015). Una vez recolectadas y tabuladas las encuestas, estas fueron organizadas
en 5 grupos según el promedio académico de cada estudiante: A: Promedio entre [4.6 – 5.0]; B: promedio
entre [4.2 – 4.6); C: promedio entre [3.8 – 4.2); D: promedio entre [3.4 – 3.8); E: promedio entre [0.0 – 3.4).
Se aclara que en la muestra no se encontraron estudiantes con un promedio inferior a 3.0.
Paso 4: Correlación entre atributos. En este punto se construye una matriz de correlación de los 22 atributos
analizados, respecto a la variable dependiente denominada “Prom”. Esta correlación permitirá: a) demostrar
que el efecto producido sobre la variable dependiente no es producto de una única variable independiente y
b) establecer las variables que presentan una mayor correlación con la variable “Prom” y realizar así una
selección previa de variables, antes de emplear el clasificador bayesiano por medio del cual se realiza el
respectivo análisis multivariante.
Paso 5: Procesamiento computacional. Con base en los grupos antes mencionados, y en los atributos
seleccionados en el paso anterior, se diseñó el encabezado del archivo Arff para la plataforma
de software libre distribuido bajo la licencia GNU-GPL, el cual permite aprendizaje automático y minería de
datos (https://es.wikipedia.org/wiki/Weka_(aprendizaje_autom%C3%A1tico)). Esta herramienta informática,
denominada WEKA, fue desarrollada en la Universidad de Waikato (https://www.cs.waikato.ac.nz/ml/weka/).
Este encabezado contempla cada una de los 22 atributos analizadas en la encuesta, más el atributo promedio
de cada estudiante. Adicionalmente, con los resultados obtenidos en el paso 2, se estructuró el cuerpo del
archivo. Arff para ser analizado desde el programa Weka, por medio de las diferentes técnicas de inteligencia
artificial ofrecidas por esta herramienta computacional.
Paso 6: Predicción del rendimiento académico. El archivo diseñado y construido en el paso anterior, fue
analizado usando un clasificador Bayesiano. Si bien otras técnicas pueden arrojar buenos resultados, la
principal ventaja del clasificador bayesiano es que permite obtener muy buenos resultados con pocos datos
(Valencia et al., 2015). No obstante, en este análisis se realizó con un tamaño de muestra valido (Ecuacion1).
Paso 7: Identificación de los principales atributos influyentes en el desempeño académico. Por medio del
algoritmo de clasificación bayesiano J48, el software weka permitió obtener el respectivo árbol de decisión
(http://weka.sourceforge.net/doc.dev/weka/classifiers/trees/J48.html). Con base en este árbol, se pudieron
identificar los principales atributos influyentes en rendimiento académico de los estudiantes.
Paso 8. Estabilidad del sistema. Las soluciones generadas son repetidas durante una determinada cantidad
de veces ó tratamientos. Con los mejores resultados en cada tratamiento, se realiza un análisis de varianza
bajo el modelo yi=+Ti +i , donde yi representa la variable de la respuesta, Ti, el efecto causado por ith
tratamiento, i, el ith error experimental. La información recolectada debe cumplir las condiciones de
independencia y normalidad requeridas.
RESULTADOS
Al aplicar la metodología antes descrita se obtuvo, en el Paso 1, la encuesta cuya estructura se muestra en
la Tabla 1 (1 el nivel más bajo o pésimo y 5 el nivel más alto o excelente).
Tabla 1: Factores analizados. Fuente: Adaptado de Castrillón et al. (2018)
Factor Atributos Nunca
(1)
Rara Vez
(2)
Algunas veces (3) Casi Siempre
(4)
Siempre
(5)
F1
Frecuencia de estudio (c)
Frecuencia de lectura (d)
Frecuencia de uso del tv (e)
Frecuencia de uso celular (f)
Frecuencia de trabajo (g)
F2
Nivel escolar padres (a)
Elementos para estudiar en casa (b)
Nivel Ingresos (c)
Clima Familiar (d)
Tiempo para estudiar casa (e)
F3
Estrato Socioeconómico (a)
Actividades deportivas (b)
Actividades Comunitarias (c)
Otras actividades positivas(d)
Otras actividades negativas (e)
5. Predicción del rendimiento académico por medio de técnicas de inteligencia artificial Castrillón
Formación Universitaria Vol. 13 Nº 1 – 2020 97
Tabla 1. Continuación.
Factor Atributos Nunca
(1)
Rara Vez
(2)
Algunas veces (3) Casi Siempre
(4)
Siempre
(5)
F4
Recursos (a)
Infraestructura (b)
Uso tiempo universidad (c)
Relaciones Docentes (d)
Docentes (e)
Horarios (f)
Pedagogía (g)
Edad: ____ Género: ____ Promedio de calificaciones: ____
Paso 2. Definición de la muestra. Con base en la ecuación (1), se calculó el tamaño de la muestra con los
siguientes parámetros: M = 460 estudiantes; I = 1,2815. Intervalo de confianza, obtenido por medio de una
Distribución normal estándar Invertida. Se obtiene con la función de Excel denominada inv.norm.estand (0.9);
p = 0,5; q = 0,5; E = 0,05 (error muestral del 5%, para un intervalo del 90%). El tamaño de muestra obtenido
(n) fue de 121.
Paso 3 – 4. Construcción de la base de datos y Correlación entre atributos. Con base en los resultados del
paso anterior, se realizaron 121 encuestas. La Tabla 2 expone, a manera de ejemplo, una parte de la base
de datos para los primeros 22 estudiantes.
Tabla 2: Ejemplo base de datos inicial
F1 F2 F3 F4 Prom
c d e f g a b c d e a b c d e a b c d e f g
3 3 3 5 1 5 5 5 5 4 3 3 4 4 2 4 5 4 4 5 5 4 A
4 3 2 3 2 1 3 1 4 3 3 1 1 3 1 2 5 3 4 4 4 4 B
4 4 2 2 2 3 3 2 3 4 2 3 3 3 3 3 4 3 4 4 4 4 B
3 2 2 4 2 3 4 3 4 3 3 5 2 4 2 4 3 3 5 4 4 4 B
2 3 4 4 3 4 4 3 3 4 3 2 2 2 3 4 4 3 4 5 4 4 B
4 2 2 4 1 4 4 4 4 4 3 3 2 4 2 3 5 4 4 4 3 5 C
3 3 4 4 1 1 4 4 4 4 4 4 3 4 2 4 5 4 4 4 4 4 C
3 3 2 4 2 3 3 3 4 4 3 3 3 3 2 3 4 4 4 4 3 4 C
3 3 2 4 1 4 3 3 4 4 2 3 2 2 3 3 4 4 4 4 4 4 C
4 4 2 3 1 1 3 2 4 4 1 4 3 4 1 4 4 4 4 4 4 4 C
4 3 4 5 3 1 5 3 5 4 3 4 2 3 1 5 5 4 3 3 3 4 C
4 5 2 5 1 1 5 3 4 4 3 5 1 2 3 5 5 4 4 4 4 4 C
5 5 4 4 3 5 5 4 5 4 5 1 1 1 1 4 5 4 4 4 4 4 C
4 3 2 4 1 1 1 3 5 4 2 4 2 3 1 4 5 4 3 4 4 5 C
3 3 1 5 1 1 4 3 3 4 3 3 1 3 1 4 4 4 4 4 4 4 C
4 4 1 5 1 1 2 3 4 4 3 2 1 4 3 2 5 5 4 1 3 4 D
5 3 5 5 1 5 5 3 5 5 4 4 3 3 1 4 5 5 5 5 5 5 D
4 1 5 5 1 5 5 5 5 5 5 4 1 3 2 5 5 5 4 5 4 5 D
3 2 2 3 1 1 4 1 3 4 1 3 3 4 2 1 4 4 3 4 3 4 D
3 3 4 4 1 1 4 3 4 5 3 1 3 4 1 4 5 5 3 3 4 4 D
3 3 2 5 1 1 4 3 4 3 3 4 1 2 1 5 5 4 5 5 4 4 D
4 3 2 5 2 3 4 3 4 5 3 5 3 4 2 4 4 4 3 4 4 4 D
En esta tabla se calculó la correlación de cada uno de las 22 columnas iniciales (variables independientes o
atributos) respecto a la última columna denominada Prom (Variable dependiente). Para el cálculo de esta
correlación los valores de la columna “Prom”, fueron sustituidos de la siguiente forma A 5, B 4, C3, D
2, E1. La Tabla 3 expone los resultados obtenidos.
Tabla 3: Correlación variables independientes (Atributos) respecto a la variable dependiente (Prom)
Correlación F1 F2
c d e f g a b c d e
Prom 0,14 0,12 0,04 -0,22 0,40 0,10 0,03 0,02 0,17 0,12
Correlación F3 F4
A b c d e a b c d e f g
Prom -0,02 0,03 0,19 0,13 -0,13 -0,08 -0,04 -0,03 0,31 0,39 0,50 0,46
6. Predicción del rendimiento académico por medio de técnicas de inteligencia artificial Castrillón
98 Formación Universitaria Vol. 13 Nº 1 – 2020
Los resultados de la Tabla 3 indican que la variable dependiente no es el resultado de una sola variable
independiente. Por otro lado, las variables que correlacionan significativamente (variables sombreadas),
fueron las siguientes: F1g (Frecuencia de trabajo), F4d (relaciones docentes), F4e (Docentes), F4f (Horarios),
F4g (Pedagogía).
Paso 5: Procesamiento computacional. Tomando como referencias las variables seleccionadas en el paso
anterior, se escribió el archivo.Arff, para ser interpretado por la plataforma Weka. Este archivo se construyó
con base en los atributos F1g, F4d, F4e, F4f, F4g y el atributo Prom, el cual ilustra cada una de las cinco
categorías en que fue clasificado el promedio de los estudiantes. Los atributos F1g, F4d, F4e, F4f, F4g fueron
definidos numéricamente en el encabezado del archivo.Arff , mientras que el atributo Prom fue definido de la
siguiente forma: Prom {"A","B","C","D","E"}. A manera de ilustración, en la Tabla 4, se muestra una parte de
los datos del mencionado archivo.
Tabla 4. Datos del archivo .Arff creado.
F1g F4d F4e F4f F4g Prom
1 4 5 5 5 A
2 4 4 4 4 B
2 4 4 4 4 B
2 5 4 4 5 B
3 4 5 4 4 B
1 4 4 3 5 C
1 4 4 4 4 C
2 4 4 3 4 C
1 4 4 4 4 C
1 4 4 4 4 C
3 3 3 3 4 C
1 4 4 4 4 C
1 4 5 4 5 D
1 3 4 3 4 D
1 3 3 4 4 D
1 3 3 4 3 D
1 5 5 4 4 D
1 2 1 3 1 E
1 4 4 2 3 E
2 3 3 3 3 E
Paso 6 -7: Predicción del rendimiento académico e Identificación de los principales atributos influyentes en el
desempeño académico. En este paso, mediante el algoritmo J48 de la plataforma Weka
(http://weka.sourceforge.net/doc.dev/weka/classifiers/trees/J48.html), se obtuvo un nivel de acierto del 91.67% en la
predicción del rendimiento académico (ver tabla 5).
Tabla 5. Aciertos encontrados. Porcentajes de aciertos con diferentes tratamientos.
Técnica empleada Porcentaje de aciertos (%)
Replica 1 Replica 2 Replica 3 Replica 4 Replica 5
Validación Cruzada. Entrenamiento (50%) y Validación
(50%)
91.67 91.67 91.67 91.67 91.67
Partición de la Base de datos. Entrenamiento (60%) y
Validación (40%)
91.67 91.67 91.67 91.67 91.67
Partición de la Base de datos. Entrenamiento (70%) y
Validación (30%)
91.67 91.67 91.67 91.67 91.67
Partición de la Base de datos. Entrenamiento (80%) y
Validación (20%)
91.67 91.67 91.67 91.67 91.67
Adicionalmente, en este punto se identificaron los principales factores influyentes en el desempeño académico
y se obtuvo el árbol de clasificación usando la plataforma Weka (ver Figura 1) a partir del algoritmo J48 (Tabla
5. En este árbol es posible identificar las ramas de atributos que conducen a los mayores promedios
académicos (A y B). De esta misma forma, se pueden encontrar las ramas conducentes al peor promedio (E).
Un análisis de la Figura 1, permite identificar las ramas que llegan a los nodos finales (hojas), cada una de
los cuales representa el promedio académico de los estudiantes según los grupos en que fueron clasificados
7. Predicción del rendimiento académico por medio de técnicas de inteligencia artificial Castrillón
Formación Universitaria Vol. 13 Nº 1 – 2020 99
A, B, C, D, E. La secuencia de pasos desde el nodo inicial hasta el nodo final (hojas) representa los atributos
conducentes a obtener un mejor promedio académico. Los promedios académicos A, B y E son obtenidos
según la siguiente secuencia de atributos: F4g (buena pedagogía) F4f (buenos horarios) F4d (buenas
relaciones docentes ) A, F4g (buena pedagogía) F4f (buenos horarios) F1g (trabajo remunerado)
F4d (buenas relaciones docentes) B, F4g (buena pedagogía) F4f (buenos horarios) F1g (trabajo
remunerado) F4e (excelentes docentes) B, F4g (mala pedagogía) F4f (malos horarios) E.
De otro lado, un análisis de la Figura 1 muestra que cuando hay exceso de confianza en la relaciones profesor-
estudiante, esto puede incidir negativamente en el rendimiento académico: F4g (Buena pedagogía) F4f
(Buenos Horarios) F4d (Docentes (Excesos)) D. Así, mismo si se tiene una buena pedagogía, pero las
clases se imparten en horarios inadecuados, y los estudiantes no trabajan, se producen rendimientos
académicos regulares o malos, es decir C y D. Esto es: F4g (buena pedagogía) F4f (malos horarios)
F1g (No trabajo) C ó D.
Fig. 1: Árbol de decisión generado por el programa Weka (https://www.cs.waikato.ac.nz/ml/weka/)
Paso 8. Estabilidad del sistema. Tomando como referencia la tabla 5, se llevó a cabo el análisis de ANOVA
que se muestra en la Tabla 6.
Tabla 6. Análisis ANOVA.
Fuente Variación
Grados
Libertad
Suma
Cuadrados
Media
Cuadrática Fcal FTab
Sum C Total 0,00
Tratamiento 3,00 0,00 0,00 1,00 2,87
Error Experimental 36,00 0,00 0,00
Total 39,00 0,00 0,00
El modelo no es significativo
8. Predicción del rendimiento académico por medio de técnicas de inteligencia artificial Castrillón
100 Formación Universitaria Vol. 13 Nº 1 – 2020
Dado que en el modelo el Fcalculado es menor que el Ftabulado, se puede concluir que el modelo no es significativo.
Es decir, bajo un intervalo de confianza del 90%, los datos son estadísticamente iguales. Dado que cada
tratamiento empleado en la tabla 5 siempre generó el mismo resultado, solo se calcularon 5 réplicas para
cada uno de los tratamientos empleados.
DISCUSIÓN
Mediante el proceso de clasificación basado en técnicas inteligentes, se identificaron los atributos más
influyentes en el rendimiento académico. El trabajo realizado muestra que, un adecuado rendimiento
académico parte de una buena pedagogía, acompañada de buenos horarios y buenas relaciones con los
docentes sin llegar a excesos. Existen otros factores importantes en el rendimiento académico como la calidad
de los docentes, siendo además muy importante que los estudiantes trabajen un poco o realicen prácticas
remuneradas, pues este tipo de actividades extracurriculares es formativo para la persona. No obstante, en
la revisión de literatura (referencias), se pueden identificar una gran cantidad de categorías o grupos de
factores influyentes en el rendimiento académico: Económicos, sociales, demográficos, familiares,
personales, institucionales. Si bien, no todos los anteriores factores (grupos de atributos) pueden ser
controlados por las instituciones educativas, este trabajo muestra que, si la institución se centra en controlar
los 5 atributos identificados en esta investigación (pedagogía, horarios, relaciones docentes vs estudiantes,
calidad de los docentes y además procurar por que los estudiantes tengan experiencia de prácticas en
empresas), se puede influir notoriamente en el rendimiento académico de un estudiante.
Aunque este estudio solo se realiza sobre un programa de pregrado específico, los resultados muestran que
las técnicas inteligentes y, en especial, las técnicas bayesianas, permiten obtener muy buenos resultados con
un conjunto pequeños de datos (es decir, aunque la muestra obtenida se pequeña los resultados son fiables)
(Valencia et al., 2015). No obstante, se parte de una muestra estadísticamente valida. Los resultados
encontrados en este trabajo permiten inferir que un excelente o muy buen promedio académico depende de
la dedicación y empeño que los docentes y estudiantes pongan en sus clases, más que de los mismos
recursos materiales con que cuente la institución. La buena interacción de los anteriores factores permitirá un
buen promedio académico. No obstante, aunque se logre lo anterior, si el trabajo de los estudiantes decae o
si algunos de los demás factores analizados bajan considerablemente, el promedio también podrá bajar
notoriamente e incluso podría llegar a ser malo. En síntesis, según los resultados obtenidos, en la muestra de
estudiantes analizada, el rendimiento académico está más ligado a factores humanos y no a los recursos
materiales.
Si bien existen diversos trabajos sobre este tema, los cuales asocian el rendimiento académico a factores
personales, sociales, institucionales, recursos, valores, entusiasmo, grado escolar, tipo de escuela, edad,
zonas verdes, etc., este trabajo asocia el rendimiento académico específicamente a factores humanos
relacionados con los docentes y estudiantes; factores en los cuales se deberían centrar las instituciones
educativas, como se expresó en el párrafo anterior. Es importante volver a resaltar que las relaciones
docentes tienen un papel muy importante en el rendimiento académico, jugando también un papel muy
importante el hecho de que los estudiantes puedan realizar pequeñas prácticas (como ya se expresó), un
aspecto que termina siendo formativo para el estudiante y puede ayudarle a manejar mejor su tiempo y
organizarse frente a los horarios universitarios. Sin embargo, un tiempo alto de trabajo, puede generar efectos
negativos.
Al comparar los porcentajes de clasificación (respecto a la predicción del rendimiento académico) obtenidos
en este estudio (ver Tabla 5), con los porcentajes de clasificación obtenidos por algunos trabajos citados en
la introducción de este artículo, se encuentra que el nivel de acierto es alto, lo cual respalda la fiabilidad al
estudio. Sin embargo, es importante resaltar que los estudios realizados son válidos para el contexto en el
cual se aplicó, pudiendo diferir entre diferentes carreras profesionales, niveles de formación (pregrado-
maestría-doctorado), regiones, ciudades o países. No obstante, la metodología puede ser replicada en toda
una región o inclusive a nivel de un país, e incluir otros factores relacionados con el rendimiento académico
tales como el género, el estrato socioeconómico, el ciclo educativo, las tecnologías de información, modelo
de educación a distancia vs presencial, entre otros.
CONCLUSIONES
En este artículo, se identifica por medio de una serie de técnicas inteligentes, los principales factores
influyentes en el rendimiento académico de un estudiante. Los resultados permitieron establecer que los
factores más influyentes en el desempeño académico son la pedagogía de los profesores, los horarios de
clase adecuados, la buena relación docente-estudiante, la calidad académica de los docentes y un poco de
actividades de trabajo extracurricular. Esto se logró con base en el algoritmo de clasificación bayesiano J48,
9. Predicción del rendimiento académico por medio de técnicas de inteligencia artificial Castrillón
Formación Universitaria Vol. 13 Nº 1 – 2020 101
el cual permite generar un árbol con todo el conjunto de posibles atributos influyentes en el desempeño
académico de un estudiante. En general, las técnicas aquí empleadas permitieron lograr una efectividad del
91.67%. No obstante, es necesario avanzar en nuevos estudios que permitan observar resultados
considerando el nivel de formación (pregrado, maestría, doctorado), la región/país en dónde se ubica la
institución, incluyendo otros factores que pudieran ser influyentes en el desempeño académico de los
estudiantes.
AGRADECIMIENTOS
Se agradece la colaboración al Universidad Nacional de Colombia – Sede Manizales por el apoyo prestado
en la realización de esta investigación.
REFERENCIAS
Alberola, J. y E. Val, An artificial intelligence tool for heterogeneous team formation in the classroom,
http://dx.doi.org/10.1016/j.knosys.2016.02.010, Knowledge-Based Systems, 101, 1–14 (2016)
Barton, M. y I. Cohen, How is gentrification associated with changes in the academic performance of neighborhood
schools?, https://doi.org/10.1016/j.ssresearch.2019.01.005, Social Science Research, 80, 230 - 242 (2019)
Bravo M., S. Salvo y C. Muñoz, Profiles of Chilean students according to academic performance inmathematics: An
exploratory study using classification trees and random forests, http://dx.doi.org/10.1016/j.stueduc.2015.01.002, Studies
in Educational Evaluation, 44, 50-59 (2015)
Castrillon, O., W. Sarache y E. Castaño, Sistema Bayesiano para la predicción de la diabetes,
http://dx.doi.org/10.4067/S0718-07642017000600017, Información Tecnológica, 28(6), 161-168 (2017)
Castrillón, O., J. Giraldo y S. Ruiz, Principales factores influyentes en el rendimiento académico: Un caso de estudio,
http://www.laccei.org/LACCEI2018-Lima/work_in_progress/WP207.pdf, 16th LACCEI International Multi-Conference for
Engineering, Education, and Technology: “Innovation in Education and Inclusion”, 19-21, Lima, Perú (2018)
Çilan, C.A. y M. Can, Measuring Factors Effecting MBA Students’ Academic Performance by Using Categorical Regression
Analysis: A Case Study of Institution of Business Economics, Istanbul University, doi: 10.1016/j.sbspro.2014.01.1362,
Procedia - Social and Behavioral Sciences, 122, 405 – 409 (2014)
Crişan, C. y L. Copaci, The Relationship between Primary School Childrens’ Test Anxiety and Academic Performance, doi:
10.1016/j.sbspro.2015.02.311, Procedia Social and Behavioral Sciences, 180, 1584 – 1589 (2015)
D’Alessio, F.A., B.E. Avolio y V. Charles, Studying the impact of critical thinking on the academic performance of executive
MBA students, https://doi.org/10.1016/j.tsc.2019.02.002, Thinking Skills and Creativity, 31, 275–283 (2019)
De-La-Hoz, E.J., E.J. De-La-Hoz y T.J. Fontalvo, Metodología de Aprendizaje Automático para la Clasificación y
Predicción de Usuarios en Ambientes Virtuales de Educación, http://dx.doi.org/10.4067/S0718-07642019000100247,
Información tecnológica, 30(1), 247-254 (2019)
Etxeberria Paulo, A. Elisabete, y otros dos autores más, Análisis del Rendimiento Académico en Relación al Perfil de
Ingreso del Alumnado e Identificación de Carencias Formativas en Materias Básicas de dos Grados de Ingeniería, doi:
10.4067/S0718-50062017000400007, Formación Universitaria, 10(4), 67-74 (2017)
Fernandes, E., M. Holanda y otros 4 autores, Educational data mining: Predictive analysis of academic performance of
public school students in the capital of Brazil, https://doi.org/10.1016/j.jbusres.2018.02.012, Journal of Business Research,
94, 335 – 343 (2019)
Fonteyne, L., W. Duyck y F. De Fruyt, Program-specific prediction of academic achievement on the basis of cognitive and
non-cognitive factors, http://dx.doi.org/10.1016/j.lindif.2017.05.003, Learning and Individual Differences, 56, 34–48 (2017)
Garbanzo, G.M., Factores asociados al rendimiento académico en estudiantes universitarios, una reflexión desde la
calidad de la educación superior pública, https://www.redalyc.org/articulo.oa?id=44031103, Revista educación, 3(1), 43-
63 (2007)
Hamsa, H., S. Indiradevi y J.J. Kishakkethottam, Student academic perfomance prediction model using decision tree and
fuzy genetic algorithm, doi: 10.1016/j.protcy.2016.08.114, Procedia Technology, 25, 326 – 332 (2016)
Hejazi, E., Z. Naghsh y otros dos autores, Prediction of academic performance: the role of perception of the class structure,
motivation and cognitive variables, doi:10.1016/j.sbspro.2011.04.054, Procedia Social and Behavioral Sciences, 15, 2063
- 2067 (2011)
Helal, S., J. Li y otros cinco autores, Predicting academic performance by considering student heterogeneity,
https://doi.org/10.1016/j.knosys.2018.07.042, Knowledge-Based Systems, 161, 134–146 (2018)
Kweon, B.S., C.D. Ellis y otros dos autores, The link between school environments and student academic performance,
http://dx.doi.org/10.1016/j.ufug.2017.02.002, Urban Forestry & Urban Greening, 23, 35–43 (2017)
10. Predicción del rendimiento académico por medio de técnicas de inteligencia artificial Castrillón
102 Formación Universitaria Vol. 13 Nº 1 – 2020
Li, X. y M. de Rijke, Characterizing and predicting download in academic search, https://doi.org/10.1016/j.ipm.2018.10.019,
Information Processing and Management, 56, 394–407 (2019)
Mandelman, S., B. Barbot y E.L. Grigorenko, Predicting academic performance and trajectories from a measure of
successful intelligence, http://dx.doi.org/10.1016/j.lindif.2015.02.003, Learning and Individual Differences, 51, 387–393
(2016)
Miguéis, V.L., A. Freitas y otros dos autores más, Early segmentation of students according to their academic
performance: A predictive modelling approach, https://doi.org/10.1016/j.dss.2018.09.001, Decision Support Systems, 115,
36–51 (2018)
Mitrofan, N. y A. Ion, Predictors of Academic Performance. The Relation between the Big Five Factors and Academic
Performance, doi: 10.1016/j.sbspro.2013.04.264, Procedia - Social and Behavioral Sciences, 78, 125 – 129 (2013)
Pandey, M. y S. Taruna, Towards the integration of multipleclassifier pertaining to the Student’sperformance prediction,
http://dx.doi.org/10.1016/j.pisc.2016.04.076, Perspectives in Science, 8, 364 - 366 (2016)
Paunonen, S. y M. Ashton, On the prediction of academics performance with personality traits: A replication study,
https://doi.org/10.1016/j.jrp.2013.08.003, Journal of research in personality, 47(6), 778 -781 (2013)
Rendón R., La dinámica escolar: de la diferencia a la desigualdad, DOI: 10.5354/0719-0581.2012.18656, Revista de
Psicología, (6), 7-18 (1997)
Secretaria de Educación Distrital de Bogotá, Estudio sobre los factores que influyen en el rendimiento Escolar, Tomado
de:http://evaluacion.educacionbogota.edu.co/files/Factores%20que%20influyen%20en%20el%20rendimiento%20escolar
.pdf, (2010)
Taylan, O. y B. Karagozog˘lu, An adaptive neuro-fuzzy model for prediction of student’s academic performance,
doi:10.1016/j.cie.2009.01.019, Computers & Industrial Engineering, 57, 732–741 (2009)
Valdivieso, C.E., R. Valdivieso y O.A. Valdivieso, Determinación del tamaño muestral mediante el uso de árboles de
decision, DOI: 10.23881/idupbo.011.1-4e , UPB - Investigación & Desarrollo, 11, 148 – 176 (2011)
Valencia, M., J. Correa y F. Díaz, Métodos estadísticos clásicos y bayesianos para el pronóstico de demanda. Un análisis
comparativo, https://doi.org/10.15446/rev.fac.cienc.v4n1.49775, Revista Facultad de Ciencias Universidad Nacional de
Colombia, 4(1), 52 -67 (2015)
Vedel A., D. Thomsen y L. Larsen, Personality, academic majors and performance: Revealing complex patterns,
http://dx.doi.org/10.1016/j.paid.2015.04.030, Personality and Individual Differences, 85, 69–76 (2015)
Yousif, M.K. y A. Shaout, Fuzzy logic computational model for performance evaluation of Sudanese Universities and
academic staff, http://dx.doi.org/10.1016/j.jksuci.2016.08.002, Journal of King Saud University Computer and
InformationSciences, Computer and Information Sciences, 30, 80–119 (2018)
Zhu, D., L. Hodgkinson y Q. Wang, Academic performance and financial forecasting performance: A survey study,
https://doi.org/10.1016/j.jbef.2018.07.002, Journal of Behavioral and Experimental Finance, 20 , 45–51 (2018)