Análisis de datos de estudiantes de ingeniería para la predicción del rendimiento académico mediante técnica de clasificación bayesiana.
Abstract
En este trabajo se presenta un estudio para analizar datos de estudiantes de ingeniería para desarrollar un modelo predictivo del rendimiento académico por medio de la técnica de clasificación bayesiana conocida como Bayes Ingenuo con el objetivo de predecir el rendimiento académico e identificar los principales factores que inciden en éste. Para esto, se analizaron datos correspondientes a 306 estudiantes de 7 cursos distintos. A partir de los resultados obtenidos, se implementó un sistema predictor que permite la predicción automática del rendimiento académico de futuros estudiantes de dicha institución. Este estudio puede ser replicado para diferentes estudiantes y cursos con el objetivo de que las instituciones educativas puedan diseñar estrategias de identificación y prevención de reprobación.References
Amado, M. G., García, A., Brito, R. A., Sánchez, B. I. y Sagaste C. A. (2014). Causas de reprobación en ingeniería desde la perspectiva del académico y administradores. Ciencia y Tecnología, 14, 233-250. Recuperado de: http://www.palermo.edu/ingenieria/pdf2014/14/CyT_14_15.pdf
Ballesteros, A. y Sánchez, D. (2013). Minería de datos educativa: Una herramienta para la investigación de patrones de aprendizaje sobre un contexto educativo. Revista Latinoamericana de Física Educativa, 7(4), 662-668. Recuperado de: http://www.lajpe.org/dec13/22-LAJPE_814_bis_Alejandro_Ballesteros.pdf
Cobo, A., Rocha, R. y Álvarez, Y. (2011). Selección de atributos predictivos del rendimiento académico de estudiantes en un modelo de B-Learning. Revista Electrónica de Tecnología Educativa, 37, 1-13. doi: 10.21556/edutec.2011.37.390
Estrada, R. I., Zamarripa, R. A., Zúñiga, P. G. y Martínez I. (2016). Aportaciones desde la minería de datos al proceso de captación de matrícula en instituciones de educación superior particulares. Revista Electrónica Educare, 20(3), 1-21. doi: 10.15359/ree.20-3.11
Ferrari, S. y Mariño, S. (2014). Experiencia de personalización de la herramienta WEKA. Revista de Informática Educativa y Medios Audiovisuales, 11(8), 1-7.
Hernández, J., Ramírez, M. y Ferri, C. (2004). Introducción a la minería de datos. Madrid, España: Pearson.
Jaramillo, A. y Paz H. (2015). Aplicación de Técnicas de Minería de Datos para Determinar las Interacciones de los Estudiantes en un Entorno Virtual de Aprendizaje. Revista Tecnológica ESPOL, 28(1), 64-90. Recuperado de: http://www.rte.espol.edu.ec/index.php/tecnologica/article/view/351/229
Kavipriya, P., (2016). A Review on Predicting Students’ Academic Performance Earlier, Using Data Mining Techniques. International Journal of Advanced Research in Computer Science and Software Engineering, 6(12), 101-105. doi: 10.1016/j.procs.2015.12.157
Kotsiantis, S. B. (2009). Educational data mining: a case study for predicting dropout-prone students. International Journal of Knowledge Engineering and Soft Data Paradigms, 1(2), 101-111. doi: 10.1504/IJKESDP.2009.022718
Kotsiantis, S. B., Pierrakeas, C. J., & Pintelas, P. E. (2003). Preventing student dropout in distance learning using machine learning techniques. En V. Palade, R. J. Howlett y L. Jain (Eds.), Lecture Notes in Computer Science: Vol. 2774. Knowledge-Based Intelligent Information and Engineering Systems (pp. 267–274). Heidelberg, Alemania: Springer-Verlag. doi: 10.1007/978-3-540-45226-3_37
Luan, J. (2002). Data Mining and Its Applications in Higher Education. New Directions for Institutional Research, 2002(113), 17-36. doi: 10.1002/ir.35
Márquez, C., Romero, C. y Ventura, S. (2012). Predicción del Fracaso Escolar mediante Técnicas de Minería de Datos. IEEE-RITA, 7(3), 109-117. Recuperado de: http://rita.det.uvigo.es/201208/uploads/IEEE-RITA.2012.V7.N3.A1.pdf
Martín, R., Ramos, R. M., Grau, R. y García, M. M. (2007). Aplicación de métodos de selección de atributos para determinar factores relevantes en la evaluación nutricional de los niños. Revista Gaceta Médica Espirituana, 9(1), 1-7.
Michie, D., Spiegelhalter D. y Taylor, C. (1994). Machine learning, neural and statistical classification. Nueva Jersey, EUA: Prentice Hall.
Mueen, A., Zafar, B. y Manzoor U. (2016). Modeling and Predicting Students’ Academic Performance Using Data Mining Techniques. International Journal of Modern Education and Computer Science, 11, 36-42. doi: 10.5815/ijmecs.2016.11.05
Osmanbegović, E. y Suljić, M. (2012). Data mining approach for predicting student performance. Journal of Economics and Business, 10(1), 3-12. Recuperado de: https://www.researchgate.net/publication/242341193_DATA_MINING_APPROACH_FOR_PREDICTING_STUDENT_PERFORMANCE
Pacheco, A. y Fernández, Y. (2015). Aplicación de técnicas de descubrimiento de conocimientos en el proceso de caracterización estudiantil. Ciencias de la Información, 46(3), 25-30. Recuperado de: http://www.redalyc.org/articulo.oa?id=181443340004
Peña, A. (2014). Review: Educational data mining: A survey and a data mining based analysis of recent works. Expert Systems with Applications, 41(4),1432-1462. doi: 10.1016/j.eswa.2013.08.042
Romero, C. y Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601-618. doi: 10.1109/TSMCC.2010.2053532
Romero, C. y Ventura, S. (2012). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1), 12-27. doi: 10.1002/widm.1075
Shahiri, A., Husain, W. y Rashid, N. (2015). A Review on Predicting Student's Performance Using Data Mining Techniques. Procedia Computer Science, 72, 414-422. doi: 10.1016/j.procs.2015.12.157
Valero, S., Salvador, A., y García, M. (2010). Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos. En M. E. Prieto, J. M. Dodero y D. O. Villegas (Eds.), Lecture Notes in Computer Science: Vol. Kaambal. Recursos digitales para la educación y la cultura. (pp. 33-39). Mérida, México. Recuperado de: http://www.utim.edu.mx/~svalero/docs/e1.pdf
Witten, I., Frank, E. y Hall, M. (2005). Data Mining: Practical Machine Learning Tools and Techniques. Massachusetts, EUA: Morgan Kaufmann Publishers.
