Madera Doval, Dalia PatriciaCaro Piñeres, Manuel FernandoEchenique Hernández, Jesús DavidPantoja Wilches, Jabit Julio2024-01-252024-01-252024-01-25https://repositorio.unicordoba.edu.co/handle/ucordoba/8095La 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.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.Capítulo 1 Contextualización de la problemática............................................... 11.1 Descripción del problema ............................................................................... 11.2 Formulación de la pregunta de investigación .............................................. 41.3 Supuesto (cualitativa) ..................................................................................... 41.4 Objetivos de la investigación ......................................................................... 41.4.1 Objetivo General ......................................................................................... 51.4.2 Objetivos Específicos .................................................................................. 51.5 Justificación e impacto ................................................................................... 51.6 Línea de investigación .................................................................................... 7Capítulo 2 Fundamentación teórica de la investigación .................................. 82.1 Antecedentes investigativos ........................................................................... 82.2 Marco teórico ................................................................................................ 122.2.1 Inteligencia Artificial .................................................................................. 122.2.2 Machine Learning ..................................................................................... 132.2.3 Python........................................................................................................ 152.2.4 Educación ................................................................................................. 162.2.5 Rendimiento Académico ......................................................................... 16Capítulo 3 Aspectos metodológicos de la investigación................................. 183.1 Enfoque de investigación ............................................................................. 183.2 Diseño de la investigación ............................................................................ 183.3 Técnicas e instrumentos de recolección de datos .................................... 213.3.1 Bases de Datos............................................................................................ 213.3.2 Formulario .................................................................................................. 223.3.3 Dataset ....................................................................................................... 223.3.4 Google Colab ............................................................................................. 233.3.5 Software basado en Machine Learning ................................................. 233.4 Población y muestra ..................................................................................... 253.5 Procedimiento ............................................................................................... 25Capítulo 4 Análisis e interpretación de los resultados ................................... 314.1 Síntesis de la revisión sistemática ................................................................ 314.2 Descripción del dataset ................................................................................. 324.3 Software para modelo predictivo ................................................................. 44Capítulo 5 Conclusiones ...................................................................................... 53Capítulo 6 Referencias ......................................................................................... 55application/pdfspaCopyright Universidad de Córdoba, 2024Modelo 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 CórdobaTrabajo de grado - PregradoAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)info:eu-repo/semantics/openAccessRendimiento académicoAprendizaje automáticoÁrbol de decisiónAnálisis predictivoAcademic performanceMachine learningDecision treePredictive analysisUniversidad de CórdobaRepositorio Universidad de Córdobahttps://repositorio.unicordoba.edu.cohttp://purl.org/coar/access_right/c_abf2