VIII. PROPOSITION POUR L'APPLICATION DU DATA MINING DANS LE CONTEXTE ÉDUCATIF UNIVERSITAIRE : ÉTUDE DE CAS
##plugins.themes.bootstrap3.article.sidebar##
views: 71 |
downloads: 34
##plugins.themes.bootstrap3.article.main##
Résumé
RÉSUMÉ
Les établissements d’enseignement supérieur sont confrontés à des défis de plus en plus exigeants pour garantir le développement réussi de leur mission. Une préoccupation fréquente de ces établissements est l’échec scolaire des étudiants en raison de mauvais résultats scolaires. Cela entraîne des difficultés tant pour l'étudiant que pour l'établissement, qui se traduisent par des pertes considérables d'argent et de temps. Ces pertes peuvent être dues à des retards dans le plan d'études, à l'échec des matières, à l'abandon de la carrière professionnelle, à la reprise des processus de formation, à l'abandon des étudiants ou au gaspillage de ressources, entre autres. Ce problème est complexe en raison de l'incidence de multiples facteurs, ce qui est évident dans la littérature, qui remet en question le manque de solutions définitives pour surmonter cette situation. Pour contribuer à la solution de ce problème, ce travail propose une méthodologie basée sur des techniques d'exploration de données éducatives connues sous le nom d'EDM (Educational Data Mining), dans le but de comprendre et d'analyser le phénomène de performance scolaire. En outre, les résultats sont présentés dans le contexte du problème susmentionné obtenu à partir d'une revue de la littérature et, enfin, les résultats des premières étapes de l'application de ladite méthodologie à une étude de cas réel dans une université publique colombienne sont présentés. Ce qui précède nous permet de conclure sur la pertinence de l’application du MDE dans le contexte de la performance académique des étudiants universitaires.
Download Statistics
##plugins.themes.bootstrap3.article.details##
l'enseignement supérieur; la réussite scolaire; MDE; KDD ; Exploitation minière de données.
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.
