Análisis descriptivo y prescriptivo con la información de caracterización de los estudiantes UNAD

dc.contributorGarcía Bedoya, Olmer
dc.creatorLeón Ayala, Mauricio
dc.date.accessioned2021-02-02T01:24:18Z
dc.date.accessioned2022-09-23T18:24:05Z
dc.date.available2021-02-02T01:24:18Z
dc.date.available2022-09-23T18:24:05Z
dc.date.created2021-02-02T01:24:18Z
dc.identifierhttp://hdl.handle.net/20.500.12010/16988
dc.identifierhttp://expeditio.utadeo.edu.co
dc.identifier.urihttp://repositorioslatinoamericanos.uchile.cl/handle/2250/3500148
dc.description.abstractEl an´alisis de la informaci´on generada por los estudiantes a trav´es de la plataforma MOODLE, se convierte en un opcio´n muy importante a la hora de conocer patrones acad´emicos, con el objetivo de establecer estrategias que conlleven a una mejor interaccio´n entre los actores involucrados en este proceso, ayudando a determinar las mejores opciones en cuanto a franjas horarias y d´ıas de la semana por ejemplo, para el desarrollo de actividades escolares dentro de las cuales se puede incrementar el nivel de acceso por parte de los estudiantes y de esta forma mejorar la calidad de los cursos ofrecidos y el aprendizaje. Estos datos son analizados desde las perspectiva de las anal´ıticas descriptiva que permite conocer la situacio´n actual con la informaci´on generada por cada estudiante dentro de la plataforma MOODLE, la anal´ıtica predictiva que muestra que puede suceder de acuerdo a la informacio´n anterior y prescriptiva con la cual se puede sugerir acciones a tener en cuenta, convirtiendo as´ı estos datos en informaci´on de valor con respecto, tanto al conocimiento de los datos histo´ricos, como la generacio´n de posibles escenarios que pueden suceder con base en lo que ha venido pasando en periodos acad´emicos anteriores, esto con el fin de encontrar patrones comportamentales desde la perspectiva acad´emica para mejorar la interaccio´n entre las partes. Los sistemas de informacio´n Learnig Management System (LMS) han evolucionado notoriamente con el paso del tiempo, y esto a su vez a permitido un crecimiento bastante importante en la educacio´n virtual tanto en Colombia como a nivel mundial. Teniendo en cuenta los ana´lisis realizados en este trabajo se puede tener un mayor conocimiento acerca de las caracter´ısticas de los estudiantes y generar pron´osticos con el objetivo de mejorar la interaccio´n acad´emica entre alumnos y la comunidad educativa en general.
dc.languagespa
dc.publisherUniversidad de Bogotá Jorge Tadeo Lozano
dc.publisherMaestría en Ingeniería y Analítica de Datos
dc.relationL. M. S. Fonseca, “La evaluacio´n y su incidencia en la deserci´on escolar:¿ falla de un sistema, de las instituciones educativas, del docente o del estudiante?” Educaci´on y humanismo, vol. 18, no. 31, pp. 313–325, 2016.
dc.relationJ. Sa´nchez, “Relaci´on entre los modelos de series de tiempo univariadas con los modelos de series multivariadas,” Ph.D. dissertation, Universidad de Narin˜o, 2013.
dc.relationN. Medina Vela, P. J. Urbano Lozano et al., “Estudio de educacio´n superior a distancia en colombia: una reflexi´on de la modalidad como solucio´n a los requerimientos del siglo xxi.”
dc.relationN. E. Parra Acevedo et al., “Entornos educativos saludables en los programas ofertados por la universidad nacional abierta ya distancia unad-ccav dosquebradas.”
dc.relationA. Romualdo Rosario, “Factores socioecon´omicos en la desercio´n estudiantil universitaria de la universidad nacional daniel alcides carri´on, pasco 2018,” 2020.
dc.relation´A. E. Torres-Zapata, J. R. Dom´ınguez, P. F. L´opez, M. d. P. G. Reyes, and D. A. C. Trejo, “Reprobaci´on, s´ıntoma de desercio´n escolar en licenciatura en nutrici´on de la universidad auto´noma del carmen,” RIDE Revista Iberoamericana para la Investigaci´on y el Desarrollo Educativo, vol. 10, no. 20, 2020.
dc.relationJ. La Madriz, “Factores que promueven la desercio´n del aula virtual,” Orbis. Revista Cient´ıfica Ciencias Humanas, vol. 12, no. 35, pp. 18–40, 2016.
dc.relationB. R. P´erez-Guti´errez, “Comparaci´on de t´ecnicas de miner´ıa de datos para identificar indicios de desercio´n estudiantil, a partir del desempen˜o acad´emico,” Revista UIS Ingenier´ıas, vol. 19, no. 1, pp. 193–204, 2020
dc.relationA. Viloria, J. G. Guliany, W. N. Nu´n˜ez, H. H. Palma, and L. N. Nu´n˜ez, “Data mining applied in school dropout prediction,” in Journal of Physics: Conference Series, vol. 1432, no. 1. IOP Publishing, 2020, p. 012092.
dc.relationF. d. J. N. Ca´rdenas, E. A. Herna´ndez, A. E. G. Zenil, A. M. F. Redondo et al., “Application method of data mining using the k means algorithm for the determination of stress level in high school students using the beck depression inventory,” Ciencia Huasteca Bolet´ın Cient´ıfico de la Escuela Superior de Huejutla, vol. 8, no. 15, pp. 1–8, 2020.
dc.relationJ. G. L´opez Mart´ınez and ´O. A. M´endez Aguirre, “T´ecnicas de machine learning para la predicci´on de desempen˜o acad´emico en el desarrollo del espacio proyectivo del pensamiento espacial,” 2020.
dc.relationD. G. D´ıaz, J. P. Alcaraz, M. G. Mart´ınez, and C. H. Jacome, “Nodes: Plataforma para la predicci´on de deserci´on escolar utilizando t´ecnicas de inteligencia artificial.”
dc.relationN. Bedregal-Alpaca, D. Aruquipa-Velazco, and V. Cornejo-Aparicio, “T´ecnicas de data mining para extraer perfiles comportamiento acad´emico y predecir la desercio´n universitaria,” Revista Ib´erica de Sistemas e Tecnologias de Informa¸c˜ao, no. E27, pp. 592–604, 2020.
dc.relationS. Bouktif, A. Fiaz, A. Ouni, and M. A. Serhani, “Multi-sequence lstm-rnn deep learning and metaheuristics for electric load forecasting,” Energies, vol. 13, no. 2, p. 391, 2020.
dc.relationC.-F. Tsai, C.-T. Tsai, C.-S. Hung, and P.-S. Hwang, “Data mining techniques for identifying students at risk of failing a computer proficiency test required for graduation,” Australasian Journal of Educational Technology, vol. 27, no. 3, 2011.
dc.relationJ. Villavicencio, “Introduccio´n a series de tiempo,” Puerto Rico, 2010.
dc.relationC. H. A. Irgoin et al., “An´alisis de series de tiempo,” Contribuciones a la Econom´ıa, no. 2011-02, 2011.
dc.relationJ. Contreras, R. Espinola, F. J. Nogales, and A. J. Conejo, “Arima models to predict next-day electricity prices,” IEEE transactions on power systems, vol. 18, no. 3, pp. 1014–1020, 2003.
dc.relationH. Urbisaia and J. Brufman, “Ana´lisis de series de tiempo univariadas y multivariadas,” Cooperativas, Buenos Aires, 2001.
dc.relationJ. A. P´erez-Ortiz, “Modelos predictivos basados en redes neuronales recurrentes de tiempo discreto,” 2002.
dc.relationJ. Torres, “Redes neuronales recurrentes,” Sep 2019. [Online]. Available: https: //torres.ai/redes-neuronales-recurrentes/
dc.relationg. lstm, “Understanding lstm networks.” [Online]. Available: https://colah.github.io/ posts/2015-08-Understanding-LSTMs/
dc.relationY. Zhang, “Converging data storytelling and visualisation,” in International Conference on Entertainment Computing. Springer, 2018, pp. 310–316.
dc.relationA. Bovo, S. Sanchez, O. H´eguy, and Y. Duthen, “Clustering moodle data as a tool for profiling students,” in 2013 Second International Conference on E-Learning and ETechnologies in Education (ICEEE), 2013, pp. 121–126.
dc.relationG. AKC¸APINAR and A. BAYAZIT, “Moodleminer: Data mining analysis tool for moodle learning management system,” ˙Ilk¨o˘gretim Online, vol. 18, no. 1, pp. 406–415, 2019.
dc.relationC. Batanero, M. M. Gea, P. Arteaga, and G. Can˜adas, “Interpretando la correlacio´n,” 2016
dc.relationJ. F. B. Redondo, “Prueba de causalidad y determinacio´n de la nairu,” El Trimestre Econ´omico, pp. 663–692, 1999.
dc.relationJ. C. Alonso et al., “Estimaci´on de modelos var, prueba de causalidad de granger y funcio´n impulso respuesta empleando easyreg,” Universidad Icesi, Tech. Rep., 2011.
dc.relationE. Lahura et al., El coeficiente de correlaci´on y correlaciones espu´reas. Pontificia Universidad Cato´lica del Peru´, Departmento de Econom´ıa, 2003, vol. 218.
dc.relationJ. A. P. Ortiz, “Modelos predcitivos basados en redes neuronales recurrentes de tiempo discreto,” Universidad de Alicante. Departamento de lenguaje y sistemas inform´aticos.[Documento en l´ınea http://www. conicyt. cIl573 Modelos predictivos basados en redes neuronales recurrentes de tiempo discreto. pdf][22/07/08], 2002.
dc.relationM. Leon, “series de tiempo multivariadas.” [Online]. Available: https://gitlab. com/olmerg/moodle-unad/-/blob/dd52ac6591fdc75b44104ac8cf649521b9d463c3/ Seriesdetiempofranjashorarias.ipynb
dc.relationM. Acosta-Cervantes, M. Villarreal-Marroqu´ın, and M. Cabrera-R´ıos, “Estudio de validacio´n de un m´etodo para seleccionar t´ecnicas de pron´ostico de series de tiempo mediante redes neuronales artificiales,” Ingenier´ıa, investigaci´on y tecnolog´ıa, vol. 14, no. 1, pp. 53–63, 2013.
dc.relationM. G. Gomez Zermen˜o, “Sep prep´arate, modelos de educaci´on a distancia en el nivel medio superior: Estudio descriptivo sobre los modelos innovadores de educaci´on a distancia para adolescentes en condiciones de rezago.” Revista Q, vol. 6, no. 11, 2011.
dc.relationD. F. Herrera Cofre et al., “Predicci´on para el mercado de acciones con redes neuronales lstm,” 2020.
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAbierto (Texto Completo)
dc.sourceinstname:Universidad de Bogotá Jorge Tadeo Lozano
dc.sourcereponame:Expeditio Repositorio Institucional UJTL
dc.subjectAnálisis de información
dc.subjectPlataforma Moodle
dc.titleAnálisis descriptivo y prescriptivo con la información de caracterización de los estudiantes UNAD


Este ítem pertenece a la siguiente institución