Publicación: Modelo de machine learning para predecir el rendimiento académico en la asignatura producción de artefactos tecnológicos del programa de licenciatura en informática de la Universidad de Córdoba
Portada
PDF 
FLIP 
Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
La implementación de modelos de aprendizaje automático ha emergido como una solución efectiva para prever el rendimiento académico en distintos niveles educativos, potenciando la calidad de los procesos de enseñanza y aprendizaje. Sin embargo, el escaso uso de análisis predictivo por parte de los docentes en la materia "Producción de Artefactos" ha generado resultados académicos inesperados. El propósito de esta investigación es desarrollar una estrategia de análisis predictivo basada en aprendizaje automático para predecir el desempeño de los estudiantes en dicha asignatura. La metodología empleada se fundamenta en los "Marcos de Investigación de Ciencia del Diseño", abarcando cinco fases. Una etapa crucial implica la recopilación de datos a través de una encuesta, explorando aspectos relacionados con los métodos de aprendizaje y los factores que influyen en estos procesos. Para la formulación de la estrategia de análisis predictivo, se consideran diversos modelos de aprendizaje automático, como la regresión lineal, los árboles de decisión y las redes neuronales. La estrategia diseñada utiliza un enfoque de árbol de decisión, demostrando un rendimiento superior en comparación con modelos de predicción alternativos, aplicando los hallazgos de la investigación. Este proyecto resalta la relevancia del análisis basado en aprendizaje automático y respalda la implementación de enfoques como los árboles de decisiones.
Resumen en inglés
The implementation of machine learning models has emerged as an effective solution to predict academic performance at different educational levels, enhancing the quality of teaching and learning processes. However, the limited use of predictive analysis by teachers in the subject "Artifact Production" has generated unexpected academic results. The purpose of this research is to develop a predictive analysis strategy based on machine learning to predict student performance in this subject. The methodology used is based on the "Design Science Research Frameworks", covering five phases. A crucial stage involves collecting data through a survey, exploring aspects related to learning methods and the factors that influence these processes. To formulate the predictive analytics strategy, various machine learning models are considered, such as linear regression, decision trees, and neural networks. The designed strategy uses a decision tree approach, demonstrating superior performance compared to alternative prediction models, applying the research findings. This project highlights the relevance of machine learning-based analysis and supports the implementation of approaches such as decision trees.