Análisis exploratorio y selección de atributos relevantes sobre el dataset   de las pruebas saber 11 para la ciudad de Cartagena

Gabriel Elías Chanchí Golondrino; Dayana Alejandra Barrera Buitrago; Nidia Danigza Lugo López

doi:10.15332/wxkjcc61

Vol. 17 No. 2 (2024)

Published 2025-08-30

license

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Los autores mantienen los derechos sobre los artículos y por tanto son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes:

Reconocer los créditos de la obra de la manera especificada por el autor o el licenciante (pero no de una manera que sugiera que tiene su apoyo o que apoyan el uso que hace de su obra).

RIIEP está bajo una licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

La Universidad Santo Tomás conserva los derechos patrimoniales de las obras publicadas, y favorece y permite la reutilización de las mismas bajo la licencia anteriormente mencionada.

ARTICLES PRODUCT OF THE INVESTIGATION

Exploratory analysis and selection of relevant attributes on the saber 11 test dataset for the city of Cartagena

DOI: https://doi.org/10.15332/wxkjcc61

Gabriel Elías Chanchí Golondrino Universidad de Cartagena

Dayana Alejandra Barrera Buitrago Universidad Nacional Abierta y a Distancia

Nidia Danigza Lugo López Universidad Nacional Abierta y a Distancia

PDF (Spanish)

Abstract
References

This work aims to develop a study based on both exploratory data analysis and the selection of the best attributes that affect academic performance, using the data set of the 2019 Saber 11 tests from the city of Cartagena. To develop the study, an adaptation of the SEMMA data mining methodology was used, defining four methodological phases, namely: F1. Data sampling; F2. Exploration and modification of data; F3. Application of attribute selection method; and F4. Analysis of the obtained results. As relevant results of the study, it was obtained that the areas with the highest averages were critical reading and mathematics. Likewise, it was evidenced that parent training at the postgraduate level has a representative influence on student performance. Finally, a set of dataset attributes that affect the performance of the five areas of the test were identified. This study aims to serve as a reference at a research level for the characterization of academic performance in different regions, to contribute to the development of strategies focused on strengthening educational quality.

keywords: statistical analysis, correlation analysis, school performance, exam, state, skills

1. Acero, W., Sánchez, J. F., Suárez, D., & Téllez, C. (2016). Modelo de recalificación para la prueba Saber 11. Comunicaciones En Estadística, 9(1), 43–54.

2. Acevedo, D., Torres, J. D., & Jiménez, M. J. (2015). Factores asociados a la repetición de cursos y retraso en la graduación en programas de ingeniería de la Universidad de Cartagena, en Colombia. Formación Universitaria, 8(2), 35–42. https://doi.org/10.4067/S0718-50062015000200006

3. Alonso, J. C., Casasbuenas, P., Gallo, B., & Torres, G. (2012). Bilinguismo en Santiago de Cali: Análisis de los resultados de las Pruebas SABER 11 y SABER PRO. Universidad ICESI. https://www.icesi.edu.co/centrosacademicos/images/Centros/cienfi/libros/Bilinguismo_en_Santiago_de_Cali.pdf

4. Arboleda-Posada, G. I., García-Arango, D. A., Vasco-Ospina, A. M., Garizabal, S. R., & Sastoque-Zapata, J. A. (2022). Saber Pro en programas de formación militar y policial: minería de datos para la identificación de factores asociados a los resultados. Revista Ibérica de Sistemas e Tecnologias de Informação, E19, 508–516.

5. Ayala-García, J., & Meisel-Roca, A. (2016). La exclusión en los tiempos del auge: el caso de Cartagena. https://repositorio.banrep.gov.co/bitstream/handle/20.500.12134/6947/dtser_246.pdf

6. Chanchí-Golondrino, G.-E., Ospino-Pinedo, M.-E., & Muñoz-Sanabria, L.-F. (2021). Application of Spatial Data Science on Results of the Saber 5 Test. Revista Facultad de Ingeniería, 30(58), e13823. https://doi.org/10.19053/01211129.v30.n58.2021.13823

7. Devasia, T., Vinushree T. P., & Hegde, V. (2016). Prediction of students performance using educational data mining. 2016 International Conference on Data Mining and Advanced Computing (SAPIENCE), 91–95. https://doi.org/10.1109/SAPIENCE.2016.7684167

8. Díaz Pinzón, J. E. (2020). Evaluación de la incidencia de un curso preicfes en los resultados de la prueba Saber 11. Actualidades Pedagógicas, 1(75), 33–52. https://doi.org/10.19052/ap.vol1.iss75.3

9. García-González, J. R., Sánchez-Sánchez, P. A., Orozco, M., & Obredor, S. (2019). Extracción de conocimiento para la predicción y análisis de los resultados de la prueba de calidad de la educación superior en Colombia. Formación Universitaria, 12(4), 55–62. https://doi.org/10.4067/S0718-50062019000400055

10. Garizabalo Dávila, C. M. (2012). Estilos de aprendizaje en estudiantes de enfermería y su relación con el desempeño en las pruebas Saber Pro. Revista Estilos de Aprendizaje, 9(9), 1–18. https://redined.educacion.gob.es/xmlui/handle/11162/94536

11. Gorostiaga, A., & Rojo-Álvarez, J. L. (2016). On the use of conventional and statistical-learning techniques for the analysis of PISA results in Spain. Neurocomputing, 171, 625–637. https://doi.org/10.1016/j.neucom.2015.07.001

12. Iguarán Jiménez, A. M., Cabas-Manjarrés, M. F., Paba Barbosa, C., & Diazgranados Rincones, P. (2023). Relación de la prueba Saber 11, examen de admisión, promedio académico, prueba saber pro de estudiantes del programa de psicología de la Universidad del Magdalena. Revista Digital de Investigación En Docencia Universitaria, 17(2), e1421. https://doi.org/10.19083/ridu.2023.1421

13. Morales-Piñero, J. C., Cote-Sánchez, M. C., Molina-Bernal, I. A., & Rodríguez-Jerez, S. A. (2019). Incidencia de las TIC en el mejoramiento de las pruebas saber 11 a partir del modelo TPACK. Encuentro Internacional de Educación En Ingeniería 2019. https://acofipapers.org/index.php/eiei/article/view/40/35

14. Narváez Zúñiga, A. F. (2022). Modelo estadístico para determinar los factores académicos en los resultados de las pruebas Saber Pro. Investigación e Innovación En Ingenierías, 11(1), 3–21. https://doi.org/10.17081/invinno.11.1.6255

15. Nasiri, M., Minaei, B., & Vafaei, F. (2012). Predicting GPA and academic dismissal in LMS using educational data mining: A case mining. 6th National and 3rd International Conference of E-Learning and E-Teaching, 53–58. https://doi.org/10.1109/ICELET.2012.6333365

16. Oviedo Carrascal, A. I., & Jiménez Giraldo, J. (2019). Minería de datos educativos: análisis del desempeño de estudiantes de ingeniería en las pruebas SABER PRO. Revista Politécnica, 15(29), 128–140. https://doi.org/10.33571/rpolitec.v15n29a10

17. Palacios-Gómez, H. J., Pantoja-Hernández, G. A., Navarro-Martínez, A. A., Puetaman, I. M. A., & Toledo Jimenez, R. A. (2016). Comparativa entre CRISP-DM y SEMMA para la limpieza de datos en productos MODIS en un estudio de cambio de cobertura y uso del suelo. 2016 IEEE 11th Colombian Computing Conference (CCC), 1–9. https://doi.org/10.1109/ColumbianCC.2016.7750789

18. Palacios-Mena, N. (2018). El currículo de ciencias sociales y las pruebas Saber 11 en Colombia: consonancias y disonancias. Voces y Silencios. Revista Latinoamericana de Educación, 9(2), 80–106. https://doi.org/10.18175/vys9.2.2018.06

19. Palacios-Mena, N., & Rodríguez-Márquez, M. A. (2019). Los resultados de la prueba Saber 11 de ciencias sociales y las opiniones de los estudiantes: convergencias y divergencias. Revista Electrónica de Investigación Educativa, 21, 1–17. https://doi.org/10.24320/redie.2019.21.e28.2116

20. Pathan, A. A., Hasan, M., Ahmed, M. F., & Farid, D. M. (2014). Educational data mining: A mining model for developing students’ programming skills. The 8th International Conference on Software, Knowledge, Information Management and Applications (SKIMA 2014), 1–5. https://doi.org/10.1109/SKIMA.2014.7083552

21. Romero, C., & 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. https://doi.org/10.1109/TSMCC.2010.2053532

22. Ruiz-Escorcia, R. R., Arévalo-Medrano, J. B., & Morillo, G.-P. (2017). Análisis de componentes principales aplicado a la prueba estatal Colombiana Saber 11. Revista Espacios, 39(10).

23. Sanabria James, L. A., Pérez Almagro, M. C., & Riascos Hinestroza, L. E. (2020). Pruebas de evaluación Saber y PISA en la educación obligatoria de Colombia. Educatio Siglo XXI, 38(3 Nov-Feb), 231–254. https://doi.org/10.6018/educatio.452891

24. Tariq, H. I., Sohail, A., Aslam, U., & Batcha, N. K. (2019). Loan default prediction model using sample, explore, modify, model, and assess (SEMMA). Journal of Computational and Theoretical Nanoscience, 16(8), 3489–3503.

25. Timarán-Pereira, R., Caicedo-Zambrano, J., & Hidalgo-Troya, A. (2019). Árboles de decisión para predecir factores asociados al desempeño académico de estudiantes de bachillerato en las pruebas Saber 11°. Revista de Investigación, Desarrollo e Innovación, 9(2), 363–378. https://doi.org/10.19053/20278306.v9.n2.2019.9184

26. Timarán-Pereira, R., Caicedo-Zambrano, J., & Hidalgo-Troya, A. (2023). Detección de patrones de desempeño académico en la competencia de matemáticas en las pruebas Saber 5o. Revista Científica, 47(2), 127–137. https://doi.org/10.14483/23448350.20908

27. Timarán Buchely, A., & Timarán Pereira, R. (2023). Minería de datos educativa para descubrir patrones asociados al desempeño académico en competencias genéricas. Revista Colombiana de Tecnologías de Avanzada (RCTA), 2(38), 87–95. https://doi.org/10.24054/rcta.v2i38.1282

28. Timarán Pereira, R., Hidalgo Troya, A., & Caicedo Zambrano, J. (2020). Factores asociados al desempeño académico en lectura crítica en las pruebas Saber 11° con árboles de decisión. Investigación e Innovación En Ingenierías, 8(3), 29–37. https://doi.org/10.17081/invinno.8.3.4701

license

How to Cite

Chanchí Golondrino, G. E., Barrera Buitrago, D. A., & Lugo López, N. D. (2025). Exploratory analysis and selection of relevant attributes on the saber 11 test dataset for the city of Cartagena. Revista Interamericana De Investigación Educación Y Pedagogía RIIEP, 17(2), 201-237. https://doi.org/10.15332/wxkjcc61

Download Citation

Almétricas

Metrics

Metrics Loading ...