VIII. PROPUESTA DE APLICACIÓN DE MINERÍA DE DATOS EN EL CONTEXTO EDUCATIVO UNIVERSITARIO: ESTUDIO DE CASO
##plugins.themes.bootstrap3.article.sidebar##
views: 39 |
downloads: 17
##plugins.themes.bootstrap3.article.main##
Resumen
RESUMEN
Las instituciones de educación superior enfrentan retos cada vez más exigentes para garantizar el desarrollo exitoso de su misión. Una preocupación frecuente de dichas instituciones es el fracaso académico de los estudiantes como consecuencia de un mal rendimiento académico. Esto ocasiona dificultades tanto para el estudiante como para la institución, que se materializan en pérdidas considerables de dinero y tiempo. Estas pérdidas se pueden deber a retrasos en el plan de estudios, reprobación de asignaturas, abandono de la carrera profesional, reinicio en los procesos de formación, deserción estudiantil o desaprovechamiento de recursos, entre otros. Este problema es complejo debido a la incidencia de múltiples factores, lo cual se evidencia en la literatura, que cuestiona la falta de soluciones definitivas para superar esta situación. Como aporte a la solución de dicho problema, en este trabajo se propone una metodología basada en técnicas de minería de datos educativos conocidas como EDM (Educational Data Mining), con el propósito de entender y analizar el fenómeno del rendimiento académico. Además, se presentan hallazgos en el contexto de la problemática mencionada obtenidos a partir de revisión de literatura y, finalmente, se presentan los resultados de las etapas iniciales de la aplicación de dicha metodología a un estudio de caso real en una universidad pública colombiana. Lo anterior permite concluir acerca de la pertinencia de la aplicación de MDE en el contexto del desempeño académico de los estudiantes universitarios.
Download Statistics
##plugins.themes.bootstrap3.article.details##
educación superior; rendimiento académico; MDE; KDD; Minería de datos.
Aldowah, H., Al-Samarraie, H. y Fauzy, W. M. (2019). Educational data mining and learning analytics for 21st century higher education: A review and synthesis. Telematics and Informatics, 37, 13-49. https://doi.org/10.1016/j.tele.2019.01.007.
Arroyave, C., Maya, A. y Orozco, C. (2007). Aplicación de QFD en el proceso de ingeniería de requisitos. [Tesis de pregrado]. Repositorio Universidad Eafit. https://repository.eafit.edu.co/bitstream/handle/10784/2375/Carolina_Arroyave_Carlos_Orozco_2007.pdf?sequence=3&isAllowed=y
Ayala, E. y López, R. (1-2 de julio de 2019). Minería de datos educativa para el análisis de rendimiento académico en una carrera de computación. [Presentación en congreso]. Congreso Nacional de Computación y Tecnología Educativa, San Luis, Argentina.
Bakhshinategh, B., Zaiane, O. R., ElAtia, S. y Ipperciel, D. (2018). Educational data mining applications and tasks: A survey of the last 10 years. Education and Information Technologies, 23(1), 537-553. https://doi.org/10.1007/s10639-017-9616-z.
Candia, D. (2019). Predicción del rendimiento académico de los estudiantes de la UNSAAC a partir de sus datos de ingreso utilizando algoritmos de aprendizaje automático. [Tesis de maestría]. Universidad Nacional de San Antonio Abad del Cusco, Cusco, Perú.
Holgado, L. A. (2018). Detección de patrones de bajo rendimiento académico mediante técnicas de minería de datos de los estudiantes de la Universidad Nacional amazónica de Madre de Dios. [Tesis de maestría]. Universidad Nacional del Altiplano, Perú.
Kumar, M., Singh, A. J. y Handa, D. (2017). Literature Survey on Student's Performance Prediction in Education using Data Mining Techniques. International Journal of Education and Management Engineering, 6, 40-49.
Menacho, C. H. (2018). Predicción del rendimiento académico aplicando técnicas de minería de datos. Anales Científicos, 78(1), 26-33. http://dx.doi.org/10.21704/ac.v78i1.811.
Méndez, C. (1999). Metodología, diseño y desarrollo del proceso de investigación. McGraw Hill interamericana S.A.
Ordaz, A. y García, O. (14-15 de noviembre de 2018). El estudio del rendimiento académico en nivel universitario. Aproximaciones al estado del conocimiento. [Ponencia]. Congreso CLABES VIII, Ciudad de Panamá, Panamá.
Peña-Ayala, A. (ed.). (2014). Educational Data Mining. Studies in Computational Intelligence, 524.
Rico, A., Gaytan, N. y Sánchez, D. (2019). Construcción e implementación de un modelo para predecir el rendimiento académico de estudiantes universitarios mediante el algoritmo Naive Bayes. Diálogos sobre educación. Temas actuales en investigación educativa. 10(19), 1-12. https://doi.org/10.32870/dse.v0i19.509.
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), 1-21.
Salal, Y. K., Abdullaev, S. M. y Kumar, M. (2019). Educational Data Mining: Student Performance Prediction in Academic. International Journal of Engineering and Advanced Technology (IJEAT), 8(4C), 54-59.
Valarino, E., Yáber, G. y Cemborain, M. S. (2010). Metodología de la investigación: paso a paso. Trillas.