Análisis predictivo del ascenso de escala magisterial utilizando minería de datos en la Unidad de Gestión Educativa Local de Tacna, 2015 – 2018

Abstract

El presente trabajo de investigación tuvo por objetivo efectuar el análisis predictivo del ascenso de escala magisterial utilizando minería de datos en la Unidad de Gestión Educativa Local (UGEL) de Tacna, 2015 - 2018. Para tales efectos de la aplicación de la minería de datos, se usó como herramienta el software “Entorno para análisis del conocimiento de la Universidad de Waikato” (WEKA) 3.8.3 que nos ayudó a ver que algoritmo de predicción era el que mostraba mayor porcentaje de predicción. Se concluye que el ascenso de escala magisterial es un tema amplio, pero a pesar de todo ello se logró efectuar el análisis predictivo, corroborando que los algoritmos de aprendizaje automático son efectivos utilizando variables personales, académicos y socio económicos. Se concluyó que no solo se debe considerar las variables tomadas, sino otras que podrían tener mayor relevancia, así como variables emocionales y de contexto externo, pero para el caso del presente se consideró predominante los 14 indicadores desarrollados. Se concluyó también que la técnica idónea es el algoritmo de árboles de decisión, Logistic Model Tree (LMT), la cual fue el algoritmo que logró mayor porcentaje sobre la predicción del ascenso de escala magisterial utilizando la metodología, Cross Industry Standard Process for Data Mining (CRISP-DM).