Modelo basado en machine learning para predecir la aprobación de un curso de ingeniería

Fernando Luis  Carrascal Porras; Wilson de Jesús  Arrubla Hoyos; Luis Alfonso  Florez Prias; Daniel Francisco  Chica Medrano

doi:10.22490/25394088.7510

Vol. 17 Núm. 4 (2023): Edición especial Expotech

Publicado 11-12-2023

Licencia

Derechos de autor 2023 Publicaciones e Investigación

Artículo original

Modelo basado en machine learning para predecir la aprobación de un curso de ingeniería

DOI: https://doi.org/10.22490/25394088.7510

Fernando Luis Carrascal Porras Universidad Nacional Abierta y a Distancia

Wilson de Jesús Arrubla Hoyos Universidad Nacional Abierta y a Distancia

Luis Alfonso Florez Prias Universidad Nacional Abierta y a Distancia

Daniel Francisco Chica Medrano Universidad Nacional Abierta y a Distancia

PDF

Resumen
Referencias

En el contexto de la educación virtual y a distancia, el curso "Introducción a la Ingeniería de Telecomunicaciones" de la Universidad Nacional Abierta y a Distancia (UNAD) ha enfrentado el desafío de la deserción estudiantil en primera matrícula. Para abordar esta problemática, se realizó una investigación centrada en desarrollar un modelo de Minería de Datos basado en la metodología CRISP-DM. El estudio utilizó un dataset con 808 registros de estudiantes recopilados en distintos periodos académicos del año 2021. Se aplicaron diversas técnicas de Machine Learning, como Random Forest, Tree Decision, Knn, SVM y Neural Network, evaluando su desempeño mediante validación cruzada k-10. Los resultados revelaron que el modelo Random Forest obtuvo el mejor rendimiento, logrando predecir con un 80% de precisión la aprobación del curso. Este modelo es relevante para identificar los estudiantes con riesgo de deserción temprana del curso, permitiendo la implementación de estrategias proactivas para hacer frente a la deserción y mejorar los indicadores del curso. Aunque algunos resultados fueron ligeramente inferiores a investigaciones anteriores, el modelo sigue siendo una herramienta valiosa para apoyar las estrategias de retención de los estudiantes en el curso "Introducción a la Ingeniería de Telecomunicaciones" de la UNAD.

Palabras clave: Clasificación predictiva, Deserción estudiantil, Random Forest, Retención y permanencia

A Conceptual Model of Nontraditional Undergraduate Student Attrition—John P. Bean, Barbara S. Metzner, 1985. (s. f.). Recuperado 13 de octubre de 2022, de https://journals.sagepub.com/doi/10.3102/00346543055004485

Acero, A., Achury, J. C., & Morales, J. C. (2019). University dropout: A prediction model for an engineering program in bogotá, Colombia. 483-490. Scopus.

Amazon. (2020). Validación cruzada—Amazon Machine Learning. https://docs.aws.amazon.com/es_es/machine-learning/latest/dg/cross-validation.html

Apaza, L. A. V., Huamani, J. A. R., Bernedo, J. O. A., & Chauca, A. G. Z. (2021). A proposal of Machine Learning model to improve learning process and reduce dropout rate at technical training institutes. Iberian Conference on Information Systems and Technologies, CISTI. Scopus. https://doi.org/10.23919/CISTI52073.2021.9476370

Aquino, A. A., Molero-Castillo, G., & Rojano, R. (2018). Hacia un nuevo proceso de minería de datos centrado en el usuario. Pistas Educativas, 36(114).

Ballesteros, H. F. V., Iñiguez, E. G., & Velasco, S. R. M. (2018). Minería de Datos. RECIMUNDO: Revista Científica de la Investigación y el Conocimiento, 2(1), 339-349.

Blackmist. (2022). Evaluación de los resultados de los experimentos de aprendizaje automático automatizado—Azure Machine Learning. https://learn.microsoft.com/es-es/azure/machine-learning/how-to-understand-automated-ml

Boser, B. E. (1992). Isabelle M. Guyon, and Vladimir N. Vapnik.“A Training Algorithm for Optimal Margin Classifiers.” COLT, 92.

Donoso, S., & Schiefelbein, E. (2007). ANÁLISIS DE LOS MODELOS EXPLICATIVOS DE RETENCIÓN DE ESTUDIANTES EN LA UNIVERSIDAD: UNA VISIÓN DESDE LA DESIGUALDAD SOCIAL. Estudios pedagógicos (Valdivia), 33(1). https://doi.org/10.4067/S0718-07052007000100001

Facundo Díaz, Ph. D, Á. H. (2009). Análisis sobre la deserción en la educación superior a distancia y virtual: El caso de la UNAD - COLOMBIA. Revista de Investigaciones UNAD, 8(2), 117. https://doi.org/10.22490/25391887.639

Gálvez Chambilla, M. B., & Flores Cornejo, K. B. (2015). Modelo predictivo de deserción universitaria de la carrera de Ingeniería Informática en la Universidad Ricardo Palma. Universidad Ricardo Palma. http://repositorio.urp.edu.pe/handle/URP/2031

Gamboa, H., & Fred, A. (2002). Designing intelligent tutoring systems: A bayesian approach. Enterprise Information Systems III. Edited by J. Filipe, B. Sharp, and P. Miranda. Springer Verlag: New York, 146-152.

Giovagnoli, P. I. (2002). Determinantes de la deserción y graduación universitaria: Una aplicación utilizando modelos de duración. Documentos de Trabajo, no. 37. http://sedici.unlp.edu.ar/handle/10915/3436

Guerrero, V., & Xavier, V. (2020). Aplicación de la técnica de minería de datos para la predicción de la deserción estudiantil universitaria. https://repositorio.uta.edu.ec:8443/jspui/handle/123456789/30892

Guzman Ruiz, C., Duran Muriel, D. M., Franco Gallego, J., Castaño Velez, E., Gallon Gomez, S., & Gomez Portilla, K. (2009). Desercion estudiantil en la educacion superior colombiana: Metodologia de seguimiento, diagnóstico y elementos para su prevención. Ministerio de Educacion Nacional.

Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009). The WEKA data mining software: An update. ACM SIGKDD explorations newsletter, 11(1), 10-18.

Han, J., Pei, J., & Tong, H. (2022). Data mining: Concepts and techniques. Morgan kaufmann.

Hernández J., R. M. J. y F. C. (2004). Introducción a la Minería de Datos. Editorial Pearson Prentice Hall, pp. 680, ISBN: 84-205-4091-9, Madrid, España.

IBM Documentation. (2021, agosto 17). https://prod.ibmdocs-production-dal-6099123ce774e592a519d7c33db8265e-0000.us-south.containers.appdomain.cloud/docs/es/spss-modeler/saas?topic=dm-crisp-help-overview

Izaurieta, F., & Saavedra, C. (2000). Redes neuronales artificiales. Departamento de Física, Universidad de Concepción Chile.

Lee, S. (2014). Learning random forests for segmentation of person in self-portrait photos. The 18th IEEE International Symposium on Consumer Electronics (ISCE 2014), 1-2. https://doi.org/10.1109/ISCE.2014.6884485

López, R. F., & Fernández, J. M. F. (2008). Las redes neuronales artificiales. Netbiblo.

Martínez Pérez, J. A., & Pérez Martin, P. S. (2022). La curva ROC. Medicina de Familia. SEMERGEN, 49(1), 101821. https://doi.org/10.1016/j.semerg.2022.101821

Martínez, R. E. B., Ramírez, N. C., Mesa, H. G. A., Suárez, I. R., León, P. P., & Morales, S. L. B. (2009). Árboles de decisión como herramienta en el diagnóstico médico. 6.

Microsoft. (2022). Optimizar los hiperparámetros del modelo—Azure Machine Learning. https://learn.microsoft.com/es-es/azure/machine-learning/component-reference/tune-model-hyperparameters

Moreira da Silva, D. E., Solteiro Pires, E. J., Reis, A., de Moura Oliveira, P. B., & Barroso, J. (2022). Forecasting Students Dropout: A UTAD University Study. Future Internet, 14(3). Scopus. https://doi.org/10.3390/fi14030076

Paramo, G., & Correa Maya, C. (1999). Deserción estudiantil universitaria. Conceptualización. Revista Universidad EAFIT, 35(114), 65-78.

Peralta, B., Salazar, J., Levano, M., & Nicolis, O. (2021). A causal modelling for desertion and graduation prediction using Bayesian networks: A Chilean case. 2021 IEEE International Conference on Automation/24th Congress of the Chilean Association of Automatic Control, ICA-ACCA 2021. Scopus. https://doi.org/10.1109/ICAACCA51523.2021.9465333

Ríos, G., & Darío, R. (2018). Modelo predictivo de gestión administrativa y deserción estudiantil en programa pre grado adulto trabajador de universidad privada de Lima Metropolitana, año 2017. Universidad Privada del Norte. https://repositorio.upn.edu.pe/handle/11537/13723

Rodriguez, C. C. (2020, septiembre 2). Maquina de Soporte Vectorial (SVM). Medium. https://medium.com/@csarchiquerodriguez/maquina-de-soporte-vectorial-svm-92e9f1b1b1ac

Shin. (2020, mayo 20). Comprensión de la Matriz de Confusión y Cómo Implementarla en Python. DataSource.ai. https://www.datasource.ai/es/data-science-articles/view-source:https://www.datasource.ai/es/data-science-articles/comprension-de-la-matriz-de-confusion-y-como-implementarla-en-python

SPADIES. (2019). Estadísticas de Deserción—Sistemas información. https://www.mineducacion.gov.co/sistemasdeinformacion/1735/w3-article-357549.html?_noredirect=1

Tinto, V. (1989). DEFINIR LA DESERCION: UNA CUESTION DE PERSPECTIVA. 9.

Torrado, Y. K. A., Avendaño, E. B., & Vizcaíno, D. J. H. (2014). Modelo predictivo de deserción estudiantil utilizando técnicas de minería de datos. 14.

UNAD. (2018). Acuerdo 002 del 30 de enero de 2018.

https://sgeneral.unad.edu.co/images/documentos/consejoSuperior/acuerdos/2018/COSU_ACUE_002_20180130.pdf

UNAD. (2022). Acerca de la UNAD:Misión https://informacion.unad.edu.co/acerca-de-la-unadUNAD

Valle Benavides, A. R. del. (2017). Curvas ROC (Receiver-Operating-Characteristic) y sus aplicaciones.

Vargas, L. P. G., Nunez, E. J. P., Ruge, I. A. R., & López, F. R. J. (2021). Influential factors in the desertion of electronic engineering students from UPTC admitted in 2015. Proceedings - 7th International Symposium on Accreditation of Engineering and Computing Education, ICACIT 2021. Scopus. https://doi.org/10.1109/ICACIT53544.2021.9612503

Zea, L. D. F., Reina, Y. F. P., & Molano, J. I. R. (2019). Machine Learning for the Identification of Students at Risk of Academic Desertion. En L. Uden, D. Liberona, G. Sanchez, & S. Rodríguez-González (Eds.), Learning Technology for Education Challenges (pp. 462-473). Springer International Publishing. https://doi.org/10.1007/978-3-030-20798-4_40

Licencia

Derechos de autor 2023 Publicaciones e Investigación

Cómo citar

Carrascal Porras, F. L. ., Arrubla Hoyos, W. de J. ., Florez Prias, L. A. ., & Chica Medrano, D. F. . (2023). Modelo basado en machine learning para predecir la aprobación de un curso de ingeniería. Publicaciones E Investigación, 17(4). https://doi.org/10.22490/25394088.7510

Descargar cita

Almétricas

Métricas

Archivos descargados

640