Segmentación de los alumnos ingresantes a una universidad pública aplicando el algoritmo K-prototype
DOI:
https://doi.org/10.21704/rtn.v15i2.1825Palabras clave:
perfil del ingresado, algoritmos de agrupamiento, segmentación, K-prototype, calidad educativaResumen
En la actualidad, el análisis de datos es una labor desafiante, especialmente en el campo de la educación, debido a que se realizan investigaciones profundas para conocer, entender y gestionar la diversidad de alumnos que ingresan a cada institución superior y con ello plantear estrategias educativas para mejorar el modelo de enseñanza – aprendizaje. El objetivo de este artículo fue caracterizar el perfil de los ingresantes de una universidad pública respecto a sus variables sociodemográficas, económicas y de rendimiento académico utilizando el algoritmo K-prototypes, para lo cual se utilizó datos de alumnos ingresados a la Universidad Nacional Agraria La Molina (Lima, Perú) recolectados a partir del examen de admisión, ficha del ingresante y su certificado de estudios escolares. Se pudo determinar que los ingresados en estudio se ajustan a 5 perfiles, cada uno con características propias, permitiendo agrupar a los ingresados con características similares, contribuyendo a la mejora de políticas de acompañamiento, impulsando cambios a favor de la calidad educativa y promoviendo la renovación de los espacios de enseñanza de manera personalizada en torno al perfil del alumno que la universidad gestiona.
Descargas
Referencias
Arias, J. (2015). El perfil de ingreso en el rendimiento académico inicial de los estudiantes de la carrera de Agronomía de la Universidad Nacional Agraria La Molina, años 2011 a 2012. [Tesis de doctorado]. Universidad Nacional de Educación Enrique Guzmán y Valle.
Chun, L. (2012). Diseño e Implementación de algoritmos aproximados de clustering balanceado en PSO. [Tesis de maestría]. Universidad de Chile.
Hartigan, J y Wong, M. (1979). Algorithm AS 136: A K-Means clustering algorithm. Journal of the Royal Statistical Society, 28(1), 100-108. https://bit.ly/30jLpV1 .
Huang, Z. (1998). Extensions to the k-Means Algorithm for Clustering Large Data Sets with Categorical Values. Data Mining and Knowledge Discovery, 2, 283 - 304. https://bit.ly/2FMUgoH .
Kaur, A; Kaur, N. (2013). Survey Paper on Clustering Techniques. International Journal of Science, Engineering and Technology Research (IJSETR), 2(4), 803-806. https://bit.ly/3a3Z72B .
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Berkeley Symposium on Mathematical Statistics and Probability, 281-297. https://bit.ly/384ZY1g .
Rai, P y Singh, S. (2010). A Survey of Clustering Techniques. International Journal of Computer Applications, 7(12), 1-5. https://bit.ly/30m6AWp .
Wang, W y Zhang, Y. (2007). On fuzzy cluster validity indices. Fuzzy Sets and Systems. Fuzzy Sets and Systems, 158(19), 2095-2117. https://n9.cl/rl9xy
Publicado
Número
Sección
Licencia
Derechos de autor 2022 Ledvir Ayrton Walter Chávez Valderrama , Jesús Walter Salinas Flores
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.