Predicción del nivel de riesgo de reprobación estudiantes de educación superior usando un modelo de red neuronal artificial.
Prediction of the risk level of failure of higher education students using an artificial neural network model.
| dc.creator | Bastidas Guacho, Gisel Katerine | |
| dc.creator | Moreno Vallejo, Patricio Xavier | |
| dc.creator | María Elena Vallejo Sanaguano | |
| dc.date | 2021-08-05 | |
| dc.date.accessioned | 2024-04-29T17:00:22Z | |
| dc.date.available | 2024-04-29T17:00:22Z | |
| dc.identifier | https://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/1816 | |
| dc.identifier | 10.33262/concienciadigital.v4i3.1.1816 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9253732 | |
| dc.description | La deserción de los estudiantes universitarios de las carreras y las altas tasas de reprobación es un problema en las instituciones de educación superior en el Ecuador y mientras más alta es la tasa de reprobación en una asignatura, mayor es el número de estudiantes que deben cursar nuevamente dicha asignatura lo cual limita los recursos disponibles y hace que las autoridades de las instituciones educativas realicen una constante reestructuración de espacios físicos y de docentes. Por lo tanto, el objetivo del presente estudio es usar la minería de datos educativa con técnicas de aprendizaje de máquina y aprendizaje profundo para analizar y modelar datos educativos de tal forma que se puede predecir el rendimiento académico de un estudiante. El diseño de la investigación fue mixta y longitudinal debido a que se analizó información obtenida durante 6 periodos académicos. A diferencia de estudios previos, en el presente estudio se consideran datos académicos, sociodemográficos y socioeconómicos los cuales fueron obtenidos mediante encuestas digitales y sistemas informáticos académicos de una institución de educación superior y se propone un modelo de red neuronal artificial MLP para predecir el nivel de riesgo de reprobación de los estudiantes, el cual permitirá a estudiantes, docentes y autoridades conocer el riesgo de reprobación en una asignatura de la forma que se pueda tomar las acciones correspondientes con el fin de menorar la tasa de reprobación. El modelo propuesto alcanzó una certeza de aproximadamente el 88% demostrando un buen desempeño. Adicionalmente, se comparó el rendimiento del modelo propuesto con el rendimiento de un modelo de árbol de decisión y de un modelo de regresión logística aplicados al mismo conjunto de datos, estos modelos obtuvieron una certeza de aproximadamente 85% y 82%, respectivamente. | es-ES |
| dc.description | The desertion of undergraduate students and high academic failure rates is a problem in Ecuador's higher education institutions. If the failure rate in a subject is high, then the number of students who must retake the subject is also high. Therefore, it limits the available resources and makes the educational institutions' authorities constantly restructure physical spaces and teachers. On the other hand, educational data mining uses machine learning and deep learning techniques to analyze and model educational data to predict students' academic performance. Previous studies propose the use of different models of artificial neural networks to predict academic performance; however, these models focus on using only academic data and some students' sociodemographic data. On the contrary, in the present study, educational, sociodemographic, and economic data are considered, which were gathered through digital surveys and educational systems of a higher education institution, and a multi-layer perceptron network is proposed to predict the risk of failure of a student, which will allow students, teachers and authorities to know the risk of loss in a subject so that the corresponding actions can be taken to lower the failure rate. The proposed model reached an accuracy of approximately 88%, demonstrating good performance. Additionally, we compare the proposed model's performance with a decision tree's performance and a logistic regression model; these models obtained approximately 85% and 82% accuracy, respectively. | en-US |
| dc.format | application/pdf | |
| dc.format | text/plain | |
| dc.format | application/epub+zip | |
| dc.language | spa | |
| dc.publisher | Ciencia Digital Editorial | es-ES |
| dc.relation | https://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/1816/4474 | |
| dc.relation | https://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/1816/4475 | |
| dc.relation | https://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/1816/4537 | |
| dc.rights | Derechos de autor 2021 ConcienciaDigital | es-ES |
| dc.source | ConcienciaDigital; Vol. 4 Núm. 3.1 (2021): Análisis Informático; 95-104 | es-ES |
| dc.source | ConcienciaDigital; Vol. 4 No. 3.1 (2021): Computer Analysis; 95-104 | en-US |
| dc.source | ConcienciaDigital; v. 4 n. 3.1 (2021): Análisis Informático; 95-104 | pt-BR |
| dc.source | 2600-5859 | |
| dc.source | 2600-5859 | |
| dc.source | 10.33262/concienciadigital.v4i3.1 | |
| dc.subject | Prediction, Academic Performance, Failure, MLP | en-US |
| dc.subject | Predicción, Rendimiento Académico, Reprobación, MLP | es-ES |
| dc.title | Predicción del nivel de riesgo de reprobación estudiantes de educación superior usando un modelo de red neuronal artificial. | es-ES |
| dc.title | Prediction of the risk level of failure of higher education students using an artificial neural network model. | en-US |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
| dc.type | Artículo revisado por pares | es-ES |