Predicción del rendimiento académico aplicando técnicas de minería de datos
DOI:
https://doi.org/10.21704/ac.v78i1.811Abstract
El rendimiento académico de los estudiantes es uno de los temas de mayor preocupación que deben abordar las instituciones educativas superiores. Las Técnicas de minería de datos (TMD) aplicadas a los datos generados en los ambientes educativos, están demostrando ser herramientas eficaces para predecir el rendimiento académico de los estudiantes; con la finalidad de identificar los factores que más influyen en su aprendizaje y apoyar a los profesores a mejorar el proceso de enseñanza a través de realizar acciones pedagógicas más eficientes y oportunas. Esta investigación tiene como objetivo aplicar las TMD de regresión logística, árboles de decisión, redes bayesianas y redes neuronales usando los datos académicos de los estudiantes matriculados en el curso de Estadística General de la UNALM en los semestres 2013 II y 2014 I, con la finalidad de predecir la clasificación final (Desaprobado o Aprobado) de los futuros estudiantes matriculados en el curso. Se usa la matriz de confusión para comparar y evaluar la precisión de los clasificadores. Los resultados indican que la red Naive de Bayes obtuvo la mayor tasa de buena clasificación (71,0%).
Downloads
References
Alpaydin. (2010). Introduction to Machine Learning. Second Edition. Massachusetts Intitute of Tecnology.
Baker, J. R. (2008). Educational Data Mining 2008. The 1st International Conference on Educational Data Mining. Montreal.
Cocea, M., & Weibelzahl, S. (2007). Cross-System Validation of Engagement Prediction from Log Files. pp. 14-25.
Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational Psychol, pp. 37-46.
Dole, L., & Rajurkar, J. (2014). A Decision Support System for Predicting Student Performance. International Journal of Innovative Research in Computer and Communication Engineering. Vol. 2.
El Din Ahmed, A., & Sayed, I. (2014). Data Mining: A prediction for Student’s Performance Using Classification Method. World Journal of Computer Application and Technology. Vol 2(2): 43-47.
Gart, S., & Sharma, A. (2013). Comparative Analysis of Data Mining Techniques on Educational Dataset. International Journal of Computer Applications. Vol. 74 (5): 1-5.
Goyal, M., & Vohra, R. (2012). Applications of Data Mining in Higher Education.
Heiner, C., Baker, R., & Yacef, K. (2006). Proceedings of Educational Data Mining workshop. 8th International Conference on Intelligent Tutoring Systems.
Johnson, L. S. (2011). The 2011 Horizon Report. Austin, Texas: The New Media Consortium.
Kabakchieva, D. (2013). Predicting Student Performance by Using Data Mining Methods for Classification. pp. 61-72.
Kabra, R., & Bichkar, R.S. (2011). PerformancePrediction of Engineering Students using Decision Trees. International Journal of Computer Applications. Volume 36(11):8-12.
Kumar, V., & Chadha, A. (2011). An Empirical Study of the Applications of Data Mining Techniques in Higher Education. International Journal of Advanced Computer Science and Applications, 2 (3):80-84.
Landis, J. R., and Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, vol. 33(1):159-174.
Pimpa, C. (2013). Study of Factors Analysis Affecting Academic Achievement of Undergraduate Students in International Program. Proceedings of the InternationalMultiConference of Engineers and Computer Scientists 2013 Vol I.
Quinlan, J. (1993). C4.5: Programs for Machine Learning.
Ramaswami, M. a. (2009). A Study on Feature Selection Techniques in Educational Data Mining. INTERNATIONAL WORKING GROUP ON
EDUCATIONAL DATA MINING, Vol. 1, Issue 1.
Rubyl, J., & David K. (2015). Analysis of Influencing Factors in Predicting Students Performance Using MLP -A Comparative Study. International Journal of Innovative Research in Computer and Communication Engineering,Vol. 3, Issue 2
Thai, N. (2007). A comparative analysis of techniques for predicting academic performance. 2007 37th Annual Frontiers In Education Conference - Global Engineering: Knowledge.
