Construcción e implementación de un modelo para predecir el rendimiento académico de estudiantes universitarios mediante el algoritmo Naïve Bayes

  • Andrés Rico Páez Instituto Politécnico Nacional
  • Nora Diana Gaytán Ramírez Instituto Politécnico Nacional
  • Daniel Sánchez Guzmán Instituto Politécnico Nacional
Palabras clave: predicción, rendimiento académico, minería de datos, modelo predictivo, algoritmo Naïve Bayes

Resumen

Una de las aplicaciones más utilizadas de la minería educativa de datos es la predicción del rendimiento académico. El objetivo de este trabajo es presentar la construcción, evaluación y aplicación de un modelo predictivo del rendimiento académico de estudiantes universitarios por medio de la técnica de minería de datos conocida como algoritmo Naïve Bayes. En este trabajo se recabaron datos de 122 estudiantes como entrenamiento para el algoritmo y se aplicó el modelo para predecir el rendimiento académico de 71 estudiantes. Los resultados muestran que el modelo predictivo, además de obtener predicciones del rendimiento académico, también identifica los factores que más influyen en él. Este tipo de estudios permite a los profesores diseñar estrategias de prevención e identificar estudiantes que son vulnerables a reprobar.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Andrés Rico Páez, Instituto Politécnico Nacional
Maestro en Ciencias en la especialidad de Ingeniería Eléctrica con opción en Comunicaciones. Estudiante del posgrado en Tecnología Avanzada en el Centro de Investigación de Ciencia Aplicada y Tecnología Avanzada, Unidad Legaría del Instituto Politécnico Nacional. Líneas de investigación: Educación y Ciencias de la Computación.
Nora Diana Gaytán Ramírez, Instituto Politécnico Nacional
Ingeniero en Comunicaciones y Electrónica. Estudiante del posgrado en Tecnología Avanzada en el Centro de Investigación de Ciencia Aplicada y Tecnología Avanzada, Unidad Legaría del Instituto Politécnico Nacional. Líneas de investigación: Educación y Ciencias de la Computación.
Daniel Sánchez Guzmán, Instituto Politécnico Nacional
Doctor en Tecnología Avanzada. Profesor en el Centro de Investigación de Ciencia Aplicada y Tecnología Avanzada, Unidad Legaría del Instituto Politécnico Nacional. Líneas de investigación: Educación, Sistemas de Gestión del Aprendizaje, Sistemas Inteligentes de tutoría, Herramientas Educativas Integradas y Ciencias de la Computación.

Citas

Ballesteros, A., y Sánchez, D. (2013). Minería de datos educativa: Una herramienta para la investigación de patrones de aprendizaje sobre un contexto educativo. Revista Latinoamericana de Física Educativa, 7(4), 662-668. Recuperado de http://www.lajpe.org/dec13/22-LAJPE_814_bis_Alejandro_Ballesteros.pdf

Estrada, R. I., Zamarripa, R. A., Zúñiga, P. G., y Martínez I. (2016). Aportaciones desde la minería de datos al proceso de captación de matrícula en instituciones de educación superior particulares. Revista Electrónica Educare, 20(3), 1-21. doi: 10.15359/ree.20-3.11

Han, J. (2012). Data Mining: Concepts and Techniques. Waltham, Estados Unidos: Morgan Kaufmann Publishers.

Hernández, J., Ramírez M., y Ferri, C. (2004). Introducción a la minería de datos. Madrid, España: Pearson.

Jaramillo, A., y Paz H. (2015). Aplicación de Técnicas de Minería de Datos para Determinar las Interacciones de los Estudiantes en un Entorno Virtual de Aprendizaje. Revista Tecnológica ESPOL, 28(1), 64-90. Recuperado de http://www.rte.espol.edu.ec/index.php/tecnologica/article/view/351/229

Kavipriya, P. (2016). A Review on Predicting Students’ Academic Performance Earlier, Using Data Mining Techniques. International Journal of Advanced Research in Computer Science and Software Engineering, 6(12), 101-105.

Kotsiantis, S. B., Pierrakeas, C. J., y Pintelas, P. E. (2003). Preventing student dropout in distance learning using machine learning techniques. En V. Palade, R. J. Howlett y L. Jain (Eds.). Lecture Notes in Computer Science: Vol. 2774. Knowledge-Based Intelligent Information and Engineering Systems (pp. 267–274). Heidelberg, Alemania: Springer-Verlag. doi: 10.1007/978-3-540-45226-3_37

Luan, J. (2002). Data Mining and Its Applications in Higher Education. New Directions for Institutional Research, (113), 17-36. doi: 10.1002/ir.35

Michie, D., Spiegelhalter D., y Taylor, C. (1994). Machine learning, neural and statistical classification. Nueva Jersey, Estados Unidos: Prentice Hall.

Mueen, A., Zafar, B., y Manzoor U. (2016). Modeling and Predicting Students’ Academic Performance Using Data Mining Techniques. International Journal of Modern Education and Computer Science, 11, 36-42. doi: 10.5815/ijmecs.2016.11.05

Pacheco, A., y Fernández, Y. (2015). Aplicación de técnicas de descubrimiento de conocimientos en el proceso de caracterización estudiantil. Ciencias de la Información, 46(3), 25-30. Recuperado de: http://www.redalyc.org/articulo.oa?id=181443340004

Peña, A. (2014). Review: Educational data mining: A survey and a data mining based analysis of recent works. Expert Systems with Applications, 41(4),1432-1462. doi: 10.1016/j.eswa.2013.08.042

Reynoso, O. y Méndez, T. E. (2018). ¿Es posible predecir el rendimiento académico? La regulación de la conducta como un indicador del rendimiento académico en estudiantes de educación superior. Diálogos sobre Educación: Temas Actuales en Investigación Educativa, 9(16). doi:

Rico, A. y Sánchez, D. (2018). Diseño de un modelo para automatizar la predicción del rendimiento académico en estudiantes del IPN. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 8(16), 246-266. doi: http://dx.doi.org/10.23913/ride.v8i16.340

Romero, C., y Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601-618. doi: 10.1109/TSMCC.2010.2053532

Romero, C., y Ventura, S. (2012). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1), 12-27. doi: 10.1002/widm.1075

Shahiri, A., Husain, W. y Rashid, N. (2015). A Review on Predicting Student's Performance Using Data Mining Techniques. Procedia Computer Science, 72, 414-422.

Valero, S., Salvador, A., y García, M. (2010). Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos. En M. E. Prieto, J. M. Dodero y D. O. Villegas (Eds.)., Lecture Notes in Computer Science: Vol. Kaambal. Recursos digitales para la educación y la cultura. (pp. 33-39). Mérida, México. Recuperado de http://www.utim.edu.mx/~svalero/docs/e1.pdf

Witten, I., Frank, E., y Hall, M. (2005). Data Mining: Practical Machine Learning Tools and Techniques. Massachusetts, Estados Unidos: Morgan Kaufmann Publishers.

Publicado
2018-05-16