Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio
logo

Artículos de Investigación

Vol. 4 Núm. 8 (2024): Revista Simón Rodríguez

Red neuronal para predecir el rendimiento académico

Neural network to predict academic performance
Publicado
2024-09-02

Este estudio presenta un modelo diseñado para predecir el rendimiento académico utilizando redes neuronales. Se enmarca en un enfoque cuantitativo y se categoriza como un estudio correlacional multivariado. La investigación se basa en una base de datos proveniente de una institución educativa, disponible en el repositorio de datos de la Universidad de California, Irvine. Se eligió R como el lenguaje de programación, con RStudio como entorno de desarrollo. Se adoptó la metodología CRISP-DM para llevar a cabo el análisis de datos. La construcción de la red neuronal se realizó utilizando el paquete nnet, disponible en el Comprehensive R Archive Network (CRAN). El modelo de red neuronal se aplicó a los datos recopilados de 649 estudiantes, y su capacidad predictiva se evaluó exhaustivamente. Tras compararlo con un modelo de regresión lineal múltiple, se observó que el modelo de red neuronal logró una efectividad del 87% en la predicción del rendimiento académico, evidenciando su idoneidad para este propósito.

This study presents a model designed to predict academic performance using neural networks. It is framed within a quantitative approach and is categorized as a multivariate correlational study. The research is based on a database from an educational institution, available in the data repository of the University of California, Irvine. R was chosen as the programming language, with RStudio as the development environment. The CRISP-DM methodology was adopted to carry out the data analysis. The construction of the neural network was carried out using the nnet package, available in the Comprehensive R Archive Network (CRAN). The neural network model was applied to data collected from 649 students, and its predictive ability was comprehensively evaluated. After comparing it with a multiple linear regression model, it was observed that the neural network model achieved an effectiveness of 87% in predicting academic performance, evidencing its suitability for this purpose.

Número:
Vol. 4 Núm. 8 (2024): Revista Simón Rodríguez
Sección:
Artículos de Investigación

Referencias

  1. Andersen, B., Mizoguchi, Y., Fukumoto, Y., Broadbridge, P., Polthier, K., Saeki, O., y Kamiyama, N. (2017). The Role and Importance of Mathematics in Innovation. Singapure: Springer.
  2. Buckingham, S. (2012). UNESCO Institute for Information Technlogies in Education. Obtenido de https://iite.unesco.org/publications/3214711/
  3. Caicedo Bravo, E., y López Sotelo, J. (2009). Una aproximación práctica a las redes neuronales artificiales. Santiago de Cali: Programa Editorial Universidad del Valle.
  4. Flóres López, R., y Fernandez, J. (2008). Las Redes Neuronales Artificiales. España: Gesbiblio S.L.
  5. Gandrud, C. (2015). Reproducible Research with R and RStudio. Berlin: CRC Press.
  6. Gardener, M. (2012). Beginning R: The Statistical Programming Language. United States: John Wiley and Sons.
  7. Graupe, D. (2013). Principios de redes neuronales artificiales (Vol. 7). World Scientific. https://books.google.es/books?hl=es&lr=&id=Zz27CgAAQBAJ&oi=fnd&pg=PR7&dq=Graupe,+D.+(2013).+Principles+of+Artificial+Neural+Networks.+United+States:+World+Scientific+Publishing,+Co.&ots=wHbiTDTRMN&sig=aqzjh0VDh8wIf8wIMv4X8KKs12U
  8. Heaton, J. (2012). Math of Neural Networks. United States: Heaton Reacher, Inc.
  9. Hidalgo, S., Maroto, A., y Palacios, A. (2004). ¿Por qué se rechazan las matemáticas? Analisis Evolutivo y Multivariante de Actitudes Relevantes hacia las Matemáticas. Revista Educación.
  10. Incio, F., Capuñay Sanchez, D., Estela Urbina, R., Delgado Soto, J., y Vergara Medrano, S. (2021). Diseño e Implementación de una Red Neuronal Artificial para predecir el rendimiento académico en estudiantes de Ingeniería Civil de la UNIFSLB. Veritas Et Scientia, 11.
  11. Longoni, M., Porcel, E., López, M., y Dapozo, G. (2010). Modelos de Redes Neuronales Perceptrón Multicapa y de Base Radial para la predicción de rendimiento académico de alumnos universitarios. XVI Congreso Argentino de Ciencias de la Computación, 10.
  12. Macías Moles, Y. (2021). La tecnología y la Inteligencia Artificial en el sistema educativo. Universitat Jaume I, 54.
  13. Matich, D. J. (2001). Redes Neuronales: Conceptos básicos y aplicaciones. México: Universidad Tecnológica Nacional.
  14. Ocaña Fernandez, Y., Valenzuela Fernandez, L., y Garro Aburto, L. (2019). Inteligencia artificial y sus implicaciones en la educación superior. Propósitos y Representaciones, 536-568.
  15. Pawlus, M., y Devine, R. (2020). Hands-On Deep Learning. Birmingham: Packt Publishing Ltd.
  16. Porcel, E., Dapozo, G., y Lopez, M. (2009). Modelos predictivos y técnicas de minería de datos para la identificación de factores asociados al rendimiento académico de alumnos universitarios. XI Workshop de Investigadores en Ciencias de la Computación, 635-639.
  17. Salgado Reyes, N., Beltrán Morales, J., Guaña Moya, J., Escobar Terán, C., Nicolalde Rodriguez, D., y Chafla Altamirano, G. (2018). Model to predict academic performance based on neural networks and learning analytics. Revista Ibérica de Sistemas y Tecnologías de la Información, 10.
  18. Sanchez Vila, E., y Lama Penin, M. (2007). Técnicas de la Inteligencia Artificial Aplicadas a la Educación. Revista Iberoamericana de Inteligencia Artificial, 7-12.
  19. Shafique, U., y Qaiser, H. (2014). A Comparative Study of Data Mining Process Models (KDD, CRISP-DM and SEMMA). International Journal of Innovation and Scientific Research, 6.
  20. Zambrano Matamala, C., Rojas Diaz, D., Carvajal Cuello, K., y Acuña Leiva, G. (2011). Análisis de rendimiento académico estudiantil usando data warehouse y redes neuronales. Ingeniare. Revista Chilena de Ingeniería, 14.
  21. Andreu, M. E., Pareja, R. M., & Gelabert, A. S. (2020). Aspiraciones ocupacionales y expectativas y elecciones educativas de los jóvenes en un contexto de crisis. RES. Revista Española de Sociología, 29(3), 27-46. unirioja.es
  22. Valenzuela, J. P., Kuzmanic, D., Villalobos, C., & Quaresma, M. L. (2023). Cambio y recomposición social en universidades y carreras de élite en Chile (2009-2019). Estudios Pedagógicos, 49(3), 63-84. 146.83.217.169
  23. Paúl, E. R. (2022). Ideas sobre la Divinidad. Mayéutica Revista Científica de Humanidades y Artes, 10(1), 57-72. uclave.org
  24. Paredes-Robles, K. J., Vélez-Pincay, J., & Marin-Llaver, L. R. (2023). Estrategia Educativa para mejorar el rendimiento académico en estudiantes de bachillerato. MQRInvestigar, 7(3), 3204-3219. investigarmqr.com