Resumen de Rendimiento académico de estudiantes en Educación Superior: predicciones de factores influyentes a partir de árboles de decisión

Brenda Díaz Landa, Rosana Meleán Romero, William J. Marín Rodriguez

• español

  El artículo tuvo como objetivo predecir el rendimiento académico de estudiantes de maestrías en educación, teniendo como autores principales a Camborda Zamudio (2014), Candia Oviedo (2019), Castrillón et al. (2020), Hussain et al. (2018), Yarlequé Wong (2019). Se empleó la técnica de árbol de decisión y minería de datos y herramientas que provee la inteligencia artificial para construir un modelo con el algoritmo J48 del software WEKA, teniendo en cuenta factores educacionales, familiares, socioeconómicos, de hábitos y costumbres. La muestra estuvo constituida por 237 estudiantes de una universidad pública en Perú, obteniendo mediante el coeficiente Kappa de Cohen un nivel de acierto del 66%. Los resultados dan cuenta de una metodología capaz de entrenar un sistema para clasificar a un estudiante, a partir de una de las categorías del rendimiento académico. Esta clasificación puede identificar a priori a los estudiantes con posibles problemas de rendimiento académico. Como resultado de ello, las medidas de acompañamiento y mitigación se pueden implementar de inmediato.

  Palabras clave: rendimiento académico; árbol de decisión; minería de datos; predicción; software WEKA

• English

  The article aimed to predict the academic performance of students of master's degrees in education, having as main authors Camborda Zamudio (2014), Candia Oviedo (2019), Castrillón et al (2020), Hussain et al. (2018), Yarlequé Wong (2019). The decision tree technique and data mining and tools provided by artificial intelligence were used to build a model with the J48 algorithm of the WEKA software, taking into account educational, family, socioeconomic, habits, and customs factors. The sample consisted of 237 students from a public university in Peru, obtaining a level of success through Cohen's Kappa coefficient of 66%. The results show a methodology capable of training a system to classify a student based on one of the academic performance categories. This classification can a priori identify students with possible academic performance problems. As a result, accompanying and mitigation measures can be implemented immediately.

  Keywords: decision tree; data mining; prediction; academic performance; WEKA software