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

Vista sencilla de ítem
dc.contributor.advisorMadera Doval, Dalia Patricia
dc.contributor.advisorCaro Piñeres, Manuel Fernando
dc.contributor.authorEchenique Hernández, Jesús David
dc.contributor.authorPantoja Wilches, Jabit Julio
dc.contributor.juryGiraldo, Juan Carlos
dc.contributor.juryPalomino, Miguel Ángel
dc.date.accessioned2024-01-25T12:58:30Z
dc.date.available2024-01-25T12:58:30Z
dc.date.issued2024-01-25
dc.description.abstractLa 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.spa
dc.description.abstractThe 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. eng
dc.description.degreelevelPregrado
dc.description.degreenameLicenciado(a) en Informática
dc.description.modalityTrabajos de Investigación y/o Extensión
dc.description.tableofcontentsCapítulo 1 Contextualización de la problemática............................................... 1spa
dc.description.tableofcontents1.1 Descripción del problema ............................................................................... 1spa
dc.description.tableofcontents1.2 Formulación de la pregunta de investigación .............................................. 4spa
dc.description.tableofcontents1.3 Supuesto (cualitativa) ..................................................................................... 4spa
dc.description.tableofcontents1.4 Objetivos de la investigación ......................................................................... 4spa
dc.description.tableofcontents1.4.1 Objetivo General ......................................................................................... 5spa
dc.description.tableofcontents1.4.2 Objetivos Específicos .................................................................................. 5spa
dc.description.tableofcontents1.5 Justificación e impacto ................................................................................... 5spa
dc.description.tableofcontents1.6 Línea de investigación .................................................................................... 7spa
dc.description.tableofcontentsCapítulo 2 Fundamentación teórica de la investigación .................................. 8spa
dc.description.tableofcontents2.1 Antecedentes investigativos ........................................................................... 8spa
dc.description.tableofcontents2.2 Marco teórico ................................................................................................ 12spa
dc.description.tableofcontents2.2.1 Inteligencia Artificial .................................................................................. 12spa
dc.description.tableofcontents2.2.2 Machine Learning ..................................................................................... 13spa
dc.description.tableofcontents2.2.3 Python........................................................................................................ 15spa
dc.description.tableofcontents2.2.4 Educación ................................................................................................. 16spa
dc.description.tableofcontents2.2.5 Rendimiento Académico ......................................................................... 16spa
dc.description.tableofcontentsCapítulo 3 Aspectos metodológicos de la investigación................................. 18spa
dc.description.tableofcontents3.1 Enfoque de investigación ............................................................................. 18spa
dc.description.tableofcontents3.2 Diseño de la investigación ............................................................................ 18spa
dc.description.tableofcontents3.3 Técnicas e instrumentos de recolección de datos .................................... 21spa
dc.description.tableofcontents3.3.1 Bases de Datos............................................................................................ 21spa
dc.description.tableofcontents3.3.2 Formulario .................................................................................................. 22spa
dc.description.tableofcontents3.3.3 Dataset ....................................................................................................... 22spa
dc.description.tableofcontents3.3.4 Google Colab ............................................................................................. 23spa
dc.description.tableofcontents3.3.5 Software basado en Machine Learning ................................................. 23spa
dc.description.tableofcontents3.4 Población y muestra ..................................................................................... 25spa
dc.description.tableofcontents3.5 Procedimiento ............................................................................................... 25spa
dc.description.tableofcontentsCapítulo 4 Análisis e interpretación de los resultados ................................... 31spa
dc.description.tableofcontents4.1 Síntesis de la revisión sistemática ................................................................ 31spa
dc.description.tableofcontents4.2 Descripción del dataset ................................................................................. 32spa
dc.description.tableofcontents4.3 Software para modelo predictivo ................................................................. 44spa
dc.description.tableofcontentsCapítulo 5 Conclusiones ...................................................................................... 53spa
dc.description.tableofcontentsCapítulo 6 Referencias ......................................................................................... 55spa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad de Córdoba
dc.identifier.reponameRepositorio Universidad de Córdoba
dc.identifier.repourlhttps://repositorio.unicordoba.edu.co
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/8095
dc.language.isospa
dc.publisherUniversidad de Córdoba
dc.publisher.facultyFacultad de Educación y Ciencias Humanas
dc.publisher.placeMontería, Córdoba, Colombia
dc.publisher.programLicenciatura en Informática y Medios Audiovisuales
dc.relation.references-Vera, G., Gil-Vera, V. D., & Quintero-López, C. (2021). Versión final Ago. 26, 2021, Publicado Dic. 2021 Palabras clave: inteligencia artificial; RNA; educación; rendimiento. Estudiantes Información Tecnológica, 32(6), 221–228. https://doi.org/10.4067/S0718-07642021000600221
dc.relation.referencesAlonzo Jiménez, C. D., & Fernández Cáceres, C. A. (2021). INTELIGENCIA ARTIFICIAL Y MACHINE LEARNING EN LA EDUCACIÓN.
dc.relation.referencesBi, Q., Goodman, K. E., Kaminsky, J., & Lessler, J. (2019). Practice of Epidemiology What is Machine Learning? A Primer for the Epidemiologist. https://doi.org/10.1093/aje/kwz189
dc.relation.referencesContreras, L. E., Fuentes, H. J., & Rodrfguez, J. I. (2020). Academic performance prediction by machine learning as a success/failure indicator for engineering students. Formacion Universitaria, 13(5), 233–246. https://doi.org/10.4067/S0718-50062020000500233
dc.relation.referencesCruz, E., González, M., & Rangel, J. C. (2022). Vista de Técnicas de machine learning aplicadas a la evaluación del rendimiento y a la predicción de la deserción de estudiantes universitarios, una revisión. https://revistas.utp.ac.pa/index.php/prisma/article/view/3039/4191
dc.relation.referencesDionisio, G., Donato, J., Menéndez Mueras, M., & Investigación, L. DE. (2021). FACULTAD DE INGENIERÍA Y ARQUITECTURA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS Machine Learning para predecir el rendimiento académico de los estudiantes universitarios.
dc.relation.referencesFlores, F. A. I., Sanchez, D. L. C., Urbina, R. O. E., Soto, J. A. D., & Medrano, S. E. V. (2021). Diseño e implementación de una red neuronal artificial para predecir el rendimiento académico en estudiantes de Ingeniería Civil de la UNIFSLB. REVISTA VERITAS ET SCIENTIA - UPT, 10(1), 107–117. https://doi.org/10.47796/VES.V10I1.464
dc.relation.referencesGamboa-Cruzado, J., Alvarez-Cuellar, C. Y., Martinez-Medina, S., Turpo Chaparro, J. E., Sifuentes Damián, A., & Rodríguez Kong, M. (2023). Predicción de repitencias en estudiantes a nivel escolar usando Machine Learning: una revisión sistemática. Apuntes Universitarios, 13(2). https://doi.org/10.17162/au.v13i2.1438
dc.relation.referencesGarcía, A. E. (2018). Estilos de aprendizaje y rendimiento académico. Revista Boletín Redipe, 7(7), 218–228. https://revista.redipe.org/index.php/1/article/view/536
dc.relation.referencesGil-Vera, V. D., Quintero-López, C., Gil-Vera, V. D., & Quintero-López, C. (2021). Predicción del rendimiento académico estudiantil con redes neuronales artificiales. Información Tecnológica, 32(6), 221–228. https://doi.org/10.4067/S0718-07642021000600221
dc.relation.referencesGoleman, D. (1996). Emotional Intelligence. Why It Can Matter More than IQ. Learning, 24(6), 49–50.
dc.relation.referencesGonzales Lopez, E., & Evaristo Chiyong, I. (2021). Academic achievement and dropout of university students from a course in both an online and face-to-face modality. RIED-Revista Iberoamericana de Educacion a Distancia, 24(2), 189–202. https://doi.org/10.5944/ried.24.2.29103
dc.relation.referencesHevner, A., & Chatterjee, S. (2010). Design Science Research Frameworks (pp. 23–31). https://doi.org/10.1007/978-1-4419-5653-8_3
dc.relation.referencesHinojo Lucena, F. J., Aznar Díaz, I., Romero Rodríguez, J. M., & Marín Marín, J. A. (2019). Influencia del aula invertida en el rendimiento académico : una revisión sistemática. Campus Virtuales : Revista Científica Iberoamericana de Tecnología Educativa, 8(1), 2019. https://redined.educacion.gob.es/xmlui/handle/11162/184523
dc.relation.referencesImig, P. G., & Imig, P. G. (2020). Rendimiento académico: un recorrido conceptual que aproxima a una definición unificada para el ámbito superior / Academic performance: a conceptual journey that approximates a unified definition for the higher level. Revista de Educación, 0(20), 89–104. https://fh.mdp.edu.ar/revistas/index.php/r_educ/article/view/4165
dc.relation.referencesLlópis, P. E. A., Morales, Y. G., Estévez, A. L. G., & Mesa, C. R. (2021). La comunicación científica en investigaciones que asumen el enfoque cualitativo: una mirada valorativa. EduMeCentro, 13(2), 172–191. https://orcid.org/0000-0002-8218-5082
dc.relation.referencesMahesh, B. (2018). Machine Learning Algorithms-A Review. International Journal of Science and Research. https://doi.org/10.21275/ART20203995
dc.relation.referencesMontoya Becerril, G., Oropeza Tena, R., & Luisa Ávalos Latorre, M. (2019). Academic Performance and Artistic Practice Extracurricular in High School Student. 21(e13). https://doi.org/10.24320/redie.2019.21.e13.1877
dc.relation.referencesMoret Sánchez, M. (2021). Estudio del funcionamiento de técnicas de minería de datos sobre Conjuntos de Datos relacionados con la Biología. http://crea.ujaen.es/jspui/handle/10953.1/14426
dc.relation.referencesMuñoz Hurtado, L. V. (2012). Las construcciones de autoridad en el aula y su interrelación con los procesos de enseñanza. https://repositorio.unal.edu.co/handle/unal/11496
dc.relation.referencesNamoun, A., & Alshanqiti, A. (2021). Predicting student performance using data mining and learning analytics techniques: A systematic literature review. In Applied Sciences (Switzerland) (Vol. 11, Issue 1, pp. 1–28). MDPI AG. https://doi.org/10.3390/app11010237
dc.relation.referencesNúñez Reiz, A., Armengol de la Hoz, M. A., & Sánchez García, M. (2019). Big Data Analysis y Machine Learning en medicina intensiva. Medicina Intensiva, 43(7), 416–426. https://doi.org/10.1016/J.MEDIN.2018.10.007
dc.relation.referencesPropósitos Y Representaciones ; Ocaña-Fernandez, Y., Valenzuela-Fernandez, L., & Garro-Aburto, L. (2019). Artificial Intelligence and its Implications in Higher Education. Propósitos y Representaciones, 7(2), 536–568. https://doi.org/10.20511/pyr2019.v7n2.274
dc.relation.referencesRico Páez, A., & Sánchez Guzmán, D. (2018). Diseño de un modelo para automatizar la predicción del rendimiento académico en estudiantes del IPN / Design of a model to automate the prediction of academic performance in students of IPN. RIDE Revista Iberoamericana Para La Investigación y El Desarrollo Educativo, 8(16), 246–266. https://doi.org/10.23913/ride.v8i16.340
dc.relation.referencesRouhiainen, L. (2018). Inteligencia artificial 101 cosas que debes saber. Alienta Editorial, 1(978-84-17568-08–5), 352.
dc.relation.referencesShaik, A. B., & Srinivasan, S. (2019). A brief survey on random forest ensembles in classification model. Lecture Notes in Networks and Systems, 56, 253–260. https://doi.org/10.1007/978-981-13-2354-6_27/COVER
dc.relation.referencesSistemas Informáticos Y De Computación Juan Carlos Tituaña Jami, I. E. (2018). Desarrollo de un método para la clasificación automatizada de imágenes Landsat 8 mediante Redes Neuronales Artificiales. http://bibdigital.epn.edu.ec/handle/15000/19806
dc.relation.referencesTulic, M. L. (1998). LCSHD Paper Series Department of Human Development Algunos Factores del Rendimiento: las Expectativas y el Género.
dc.relation.referencesValero, J. E., Navarro, Á. F., & Larios, A. C. (2022). Deserción universitaria: Evaluación de diferentes algoritmos de Machine Learning para su predicción. Como Citar APA, XXVIII(3), 362–375.
dc.relation.referencesWang, L., & Ren, Y. (2021). Python teaching research and practice from the perspective of computational ecology. Smart Innovation, Systems and Technologies, 191, 177–182. https://doi.org/10.1007/978-981-15-5879-5_22/COVER
dc.rightsCopyright Universidad de Córdoba, 2024spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.sourcehttps://repositorio.unicordoba.edu.co
dc.subject.keywordsAcademic performanceeng
dc.subject.keywordsMachine learningeng
dc.subject.keywordsDecision treeeng
dc.subject.keywordsPredictive analysiseng
dc.subject.proposalRendimiento académicospa
dc.subject.proposalAprendizaje automáticospa
dc.subject.proposalÁrbol de decisiónspa
dc.subject.proposalAnálisis predictivospa
dc.titleModelo 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 Córdobaspa
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
EcheniqueJesús-PantojaJabit.pdf
Tamaño:
2.49 MB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
AutorizaciónEcheniqueJesús-PantojaJabit..pdf
Tamaño:
665.34 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
E.C.A. Trabajos de Investigación y/o Extensión