AlertScholar: herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura Cali
Ilustraciones a color, tabls, gráficos
- Autores:
-
Soto Portilla, Cristhian Francisco
Guevara Serna, Daniela
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de San Buenaventura
- Repositorio:
- Repositorio USB
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.usb.edu.co:10819/21354
- Acceso en línea:
- https://hdl.handle.net/10819/21354
- Palabra clave:
- Política educativa - Colombia
Rendimiento académico - Valle del Cauca (Colombia)
Administracion de sistemas
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
Deserción estudiantil
Tasa de deserción universitaria
Políticas educativas
Análisis de estadísticas
Predicción
Alerta temprana
Rendimiento académico
- Rights
- openAccess
- License
- http://purl.org/coar/access_right/c_abf2
| id |
SANBUENAV2_cd32f696c9d2a2c436ec505e763836bf |
|---|---|
| oai_identifier_str |
oai:bibliotecadigital.usb.edu.co:10819/21354 |
| network_acronym_str |
SANBUENAV2 |
| network_name_str |
Repositorio USB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
AlertScholar: herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura Cali |
| title |
AlertScholar: herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura Cali |
| spellingShingle |
AlertScholar: herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura Cali Política educativa - Colombia Rendimiento académico - Valle del Cauca (Colombia) Administracion de sistemas 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores Deserción estudiantil Tasa de deserción universitaria Políticas educativas Análisis de estadísticas Predicción Alerta temprana Rendimiento académico |
| title_short |
AlertScholar: herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura Cali |
| title_full |
AlertScholar: herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura Cali |
| title_fullStr |
AlertScholar: herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura Cali |
| title_full_unstemmed |
AlertScholar: herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura Cali |
| title_sort |
AlertScholar: herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura Cali |
| dc.creator.fl_str_mv |
Soto Portilla, Cristhian Francisco Guevara Serna, Daniela |
| dc.contributor.advisor.none.fl_str_mv |
Hidalgo Suárez, Carlos Giovanny |
| dc.contributor.author.none.fl_str_mv |
Soto Portilla, Cristhian Francisco Guevara Serna, Daniela |
| dc.contributor.jury.none.fl_str_mv |
Simena Dinas Antonio Jose Rodríguez Valencia |
| dc.subject.armarc.none.fl_str_mv |
Política educativa - Colombia Rendimiento académico - Valle del Cauca (Colombia) Administracion de sistemas |
| topic |
Política educativa - Colombia Rendimiento académico - Valle del Cauca (Colombia) Administracion de sistemas 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores Deserción estudiantil Tasa de deserción universitaria Políticas educativas Análisis de estadísticas Predicción Alerta temprana Rendimiento académico |
| dc.subject.ddc.none.fl_str_mv |
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores |
| dc.subject.proposal.spa.fl_str_mv |
Deserción estudiantil Tasa de deserción universitaria Políticas educativas Análisis de estadísticas Predicción Alerta temprana Rendimiento académico |
| description |
Ilustraciones a color, tabls, gráficos |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-08-09T17:56:01Z |
| dc.date.available.none.fl_str_mv |
2024-08-09T17:56:01Z |
| dc.date.issued.none.fl_str_mv |
2024 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.citation.none.fl_str_mv |
Guevara, D, Soto, C, (2024) “AlertScholar: Herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura Cali”. |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10819/21354 |
| identifier_str_mv |
Guevara, D, Soto, C, (2024) “AlertScholar: Herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura Cali”. |
| url |
https://hdl.handle.net/10819/21354 |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
[1] D. J. S. Agron, J.-M. Lee, y D.-S. Kim, «Nozzle Thermal Estimation for Fused Filament Fabricating 3D Printer Using Temporal Convolutional Neural Networks», Applied sciences, vol. 11, n.o 14, pp. 6424-, 2021, doi: 10.3390/app11146424. [2] E.-T. Baek, «Sepsis Treatment Recommendation Using Sensitivity to Input Medicine Dosage in Deep Neural Networks», Applied sciences, vol. 13, n.o 22, pp. 12263-, 2023, doi: 10.3390/app132212263. [3] L. E. Contreas-Bravo, N. Nieves-Pimiento, y K. G. Guerrero, «Prediction of UniversityLevel Academic Performance through Machine Learning Mechanisms and Supervised Methods», Ingeniería, vol. 28, n.o 1, pp. 1-25, 2023. [4] P. Everaert, E. Opdecam, y H. Van Der Heijden, «Predicting first-year universityprogression using early warning signals from accounting education: A machine learning approach», Accounting Education, vol. 33, n.o 1, pp. 1-26, ene. 2024, doi: 10.1080/09639284.2022.2145570. [5] M. Karabacak, B. B. Ozkara, K. Senparlak, y S. Bisdas, «Deep Learning-Based Radiomics for Prognostic Stratification of Low-Grade Gliomas Using a Multiple-Gene Signature», Applied sciences, vol. 13, n.o 6, pp. 3873-, 2023, doi: 10.3390/app13063873. [6] H. H. Kim, Y. S. Lim, S.-I. Seo, K. J. Lee, J. Y. Kim, y W. G. Shin, «A Deep Recurrent Neural Network-Based Explainable Prediction Model for Progression from Atrophic Gastritis to Gastric Cancer», Applied sciences, vol. 11, n.o 13, pp. 6194-, 2021, doi: 10.3390/app11136194. [7] A. Kumar, M. Sindhwani, y S. Sachdeva, «Facial Emotion Recognition (FER) with Deep Learning Algorithm for Sustainable Development», en Sustainable Engineering, I. S. Dunmade, M. O. Daramola, y S. A. Iwarere, Eds., en Green Energy and Technology. , Cham: Springer International Publishing, 2024, pp. 415-434. doi: 10.1007/978-3-031-47215-2_24. [8] S. Lee y J. Y. Chung, «The Machine Learning-Based Dropout Early Warning System for Improving the Performance of Dropout Prediction», Applied Sciences, vol. 9, n.o 15, pp. 3093--, 2019, doi: 10.3390/app9153093. [9] J.-M. Llanos-Mosquera, C.-G. Hidalgo-Suarez, y V.-A. Bucheli-Guerrero, «Strategy Based on Computer-Supported Collaborative Learning to Form Workgroups Automatically in an Introductory Programming Course (CS1)», Revista Facultad de Ingeniería, vol. 31, n.o 61, 2022, Accedido: 21 de mayo de 2024. [En línea]. Disponible en: https://www.redalyc.org/journal/4139/413973109003/ [10] J.-M. Llanos-Mosquera, C.-G. Hidalgo-Suarez, y V.-A. Bucheli-Guerrero, «Strategy Based on Computer-Supported Collaborative Learning to Form Workgroups Automatically in an Introductory Programming Course (CS1)», Revista Facultad de Ingeniería, vol. 31, n.o61, 2022,Accedido: 21 de mayo de 2024. [En línea]. Disponible en: https://www.redalyc.org/journal/4139/413973109003/ [11] D. N. Mamo, Y. H. Gebremariam, J. B. Adem, S. D. Kebede, y A. D. Walle, «Machine learning to predict unintended pregnancy among reproductive-age women in Ethiopia: evidence from EDHS 2016», BMC Women’s Health, vol. 24, n.o 1, p. 57, ene. 2024, doi: 10.1186/s12905-024-02893-8. [12] A. B. U. Nájera y J. de la C. Mora, «Brief Review of Educational Applications Using Data Mining and Machine Learning», Revista electrónica de investigación educativa, vol. 19, n.o 4, pp. 84-96. [13] J. L. Rastrollo-Guerrero, J. A. Gomez-Pulido, y A. Duran-Dominguez, «Analyzing and Predicting Students’ Performance by Means of Machine Learning: A Review», Applied Sciences, vol. 10, n.o 3, pp. 1042-, 2020, doi: 10.3390/app10031042. [14] J. N. Saeed, A. M. Abdulazeez, y D. A. Ibrahim, «Automatic Facial Aesthetic Prediction Based on Deep Learning with Loss Ensembles», Applied sciences, vol. 13, n.o 17, pp. 9728-, 2023, doi: 10.3390/app13179728. [15] J. Smith Uldall, C. Gutiérrez Rojas, J. Smith Uldall, y C. Gutiérrez Rojas, «UNA APLICACIÓN DE APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING) EN POLÍTICAS PÚBLICAS. PREDICCIÓN DE ALERTA TEMPRANA DE DESERCIÓN ESCOLAR EN EL SISTEMA DE EDUCACIÓN PÚBLICA DE CHILE», Multidisciplinary business review, vol. 15, n.o 1, pp. 20-35, jun. 2022, doi: 10.35692/07183992.15.1.4. [16] B. Tarifi, A. Fainman, A. Pantanowitz, y D. M. Rubin, «A Machine Learning Approach to the Non-Invasive Estimation of Continuous Blood Pressure Using Photoplethysmography», Applied Sciences, vol. 13, n.o 6, pp. 3955-, 2023, doi: 10.3390/app13063955. [17] A. E. A. Tito, B. O. H. Condori, Y. P. Vera, A. E. A. Tito, B. O. H. Condori, y Y. P. Vera, «Análisis comparativo de Técnicas de Machine Learning para la predicción de casos de deserción universitaria», RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação, n.o 51, pp. 84-98, sep. 2023, doi: 10.17013/risti.51.84-98. [18] N. T. Tran, J. Xin, y G. Zhou, «FWin transformer for dengue prediction under climate and ocean influence». arXiv, 10 de marzo de 2024. Accedido: 21 de mayo de 2024. [En línea]. Disponible en: http://arxiv.org/abs/2403.07027 [19] I. M. Tuba, U. M. Tuba, y M. Đ. Veinović, «Classification methods for handwritten digit recognition: A survey», Vojnotehnicki glasnik/Military Technical Courier, vol. 71, n.o 1, pp. 113-135, 2023. [20] M. Wu y P. Shi, «Human Pose Estimation Based on a Spatial Temporal Graph Convolutional Network», Applied Sciences, vol. 13, n.o 5, pp. 3286-, 2023, doi: 10.3390/app13053286. [21] S. Xu y J. Xu, «Prediction of Buildings’ Settlement Induced by Metro Station Deep Foundation Pit Construction», Applied sciences, vol. 14, n.o 5, pp. 2143-, 2024, doi: 10.3390/app14052143. [22] Z. Zhu et al., «Development and application of a deep learning-based comprehensive early diagnostic model for chronic obstructive pulmonary disease», Respir Res, vol. 25, n.o 1, p. 167, abr. 2024, doi: 10.1186/s12931-024-02793-3. [23] «Full article: Predicting first-year university progression using early warning signals from accounting education: A machine learning approach». Accedido: 21 de mayo de 2024. [En línea]. Disponible en: https://www.tandfonline.com/doi/full/ [24] P. Ghosh et al., «Artificial Intelligence in Drug Research—A New Wave of Innovation in Drug Discovery», en Computational Approaches in Biomaterials and Biomedical Engineering Applications, CRC Press, pp. 162-188. Accedido: 21 de mayo de 2024. [En línea]. Disponible en: https://www.taylorfrancis.com/chapters/edit/10.1201/9781032699882-8/artificial-intelligencedrug-research%E2%80%94a-new-wave-innovation-drug-discovery-puja-ghosh-muhasina-akeykrishna-swaroop-esakkimuthukumar-rana-pratap-singh-ramveer-singh-antony-justin-jubieselvaraj-duraiswamy-basavan [25] Pérez Bedia, C. A., & Rojas Segovia, L. E. (2020). Diseño de un sistema para predecir la deserción de los alumnos mediante machine learning en la Universidad Tecnológica del Perú. Repositorio Institucional - UTP. http://repositorio.utp.edu.pe/handle/20.500.12867/3843 [26] Pérez Gutiérrez, B. R. (2020). Comparación de técnicas de minería de datos para identificar indicios de deserción estudiantil, a partir del desempeño académico. Revista UIS Ingenierías, 19(1(2020)), 193-204. https://doi.org/10.18273/revuin.v19n1-2020018 [27] Quintero Tangarife, Y. A. (2022). Diseño de un modelo predictivo para generar alertas tempranas de deserción universitaria en los programas de pregrado presenciales de la Facultad de Ingeniería de la Universidad de Antioquia. https://bibliotecadigital.udea.edu.co/handle/10495/29368 [28] Quintero Tangarife, Y. A., & Duitama Muñoz, J. F. (2021). Diseño de un modelo predictivo para generar alertas de deserción temprana en educación superior. https://bibliotecadigital.udea.edu.co/handle/10495/27706 [29] Smith Uldall, J., Gutiérrez Rojas, C., Smith Uldall, J., & Gutiérrez Rojas, C. (2022). UNA APLICACIÓN DE APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING) EN POLÍTICAS PÚBLICAS. PREDICCIÓN DE ALERTA TEMPRANA DE DESERCIÓN ESCOLAR EN EL SISTEMA DE EDUCACIÓN PÚBLICA DE CHILE. Multidisciplinary business review, 15(1), 20-35. https://doi.org/10.35692/07183992.15.1.4 [30] Tudela, H. E. V. (s. f.). UNA APROXIMACIÓN TEÓRICA A LA DESERCIÓN ESTUDIANTIL UNIVERSITARIA. Revista Digital de Investigación en Docencia Universitaria, 59-76. https://doi.org/10.19083/ridu.8.366 [31] Uldall, J. S., & Rojas, C. G. (2022). An Application of Machine Learning in Public Policy: Early Warning Prediction of School Dropout in the Chilean Public Education System. Multidisciplinary Business Review, 15(1), Article 1. https://doi.org/10.35692/07183992.15.1.4 [32] Urteaga, I. 1, Siri, L. 2, & Garófalo, G. 3 1 U. T. N. 2 U. de B. A. (Argentina) 3 U. T. N. (Argentina). (2020). Predicción temprana de deserción mediante aprendizaje automático en cursos profesionales en línea. 147-167. https://doi.org/10.5944/ried.23.2.26356 [33] Vries, W. de, León Arenas, P., Romero Muñoz, J. F., & Hernández Saldaña, I. (2011). Http://www.scielo.org.mx/scielo.php?script=sci_abstract&pid=S0185-27602011000400002&lng=es&nrm=iso&tlng=es. Revista de la educación superior, 40(160), 29-49. [34] Conceptos básicos de ayuda de CRISP-DM - Documentación de IBM. (s. f.). Recuperado 4 de junio de 2023, de https://www.ibm.com/docs/es/spss-modeler/saas?topic=dm-crisp-help-overview [35] IBM Documentation. (2021, agosto 17). https://www.ibm.com/docs/es/spssmodeler/saas?topic=dm-crisp-help-overview [36] Rueda, J. F. V. (2019, noviembre 4). CRISP-DM: Una metodología para minería de datos en salud. healthdataminer.com. https://healthdataminer.com/data-mining/crisp-dm-una-metodologiapara-mineria-de-datos-en-salud/ [37] Economipedia. (s.f.). Modelo Canvas. Recuperado el 2 de mayo de 2023, de https://economipedia.com/definiciones/modelo-canvas.html [38] (S. f.). Recuperado 5 de junio de 2023, de https://www.mineducacion.gov.co/sistemasdeinformacion/1735/articles254702_libro_desercion.pdf [39] Estadísticas de Deserción—Sistemas información. (s. f.). Recuperado 22 de mayo de 2023, de https://www.mineducacion.gov.co/sistemasdeinformacion/1735/w3-article357549.html?_noredirect=1 [40] Perfil del estudiante de pregrado de la Facultad de Estudios a Distancia de la Universidad Militar Nueva Granada [41] Colombia. Ministerio de Educación. SPADIES “Sistema de Prevención y Análisis de la Deserción en las Instituciones de Educación Superior”. [Sitio en internet]. Disponible en: http//: www.mineducacion.gov.co/1621/article -156292.htmal. consulta: 9 de agosto de 2009. [42] (S. f.-b). Recuperado 6 de junio de 2023, de https://www.redalyc.org/pdf/213/21324851003.pdf [43] L. E. Contreas-Bravo, N. Nieves-Pimiento, y K. G. Guerrero, «Prediction of UniversityLevel Academic Performance through Machine Learning Mechanisms and Supervised Methods», Ingeniería, vol. 28, n.o 1, 2023, Accedido: 27 de febrero de 2024. [En línea]. Disponible en: https://www.redalyc.org/journal/4988/498875016004/ [44] S. Dutta y S. K. Bandyopadhyay, «Machine learning approach for confirmation of COVID19 cases: positive, negative, death and release», Iberoamerican Journal of Medicine, vol. 2, n.o 3, pp. 172-177, 2020. [45] C. O’Sullivan et al., «Machine learning applications on neonatal sepsis treatment: a scoping review», BMC Infect Dis, vol. 23, n.o 1, p. 441, jun. 2023, doi: 10.1186/s12879-023-08409-3. [46] C. O’Sullivan et al., «Machine learning applications on neonatal sepsis treatment: a scoping review», BMC Infect Dis, vol. 23, n.o 1, p. 441, jun. 2023, doi: 10.1186/s12879-023-08409-3. [47] A. Robert, K. Potter, y L. Frank, «Machine Learning and the Pursuit of Stability in the USA: Opportunities and Challenges», 2024, Accedido: 27 de febrero de 2024. [En línea]. Disponible en: https://www.researchgate.net/profile/KaledioPotter/publication/377978426_Machine_Learning_and_the_Pursuit_of_Stability_in_the_USA_O pportunities_and_Challenges/links/65c14f0e1e1ec12eff761ec5/Machine-Learning-and-thePursuit-of-Stability-in-the-USA-Opportunities-and-Challenges.pdf [48] O. E. Santangelo, V. Gentile, S. Pizzo, D. Giordano, y F. Cedrone, «Machine learning and prediction of infectious diseases: a systematic review», Machine Learning and Knowledge Extraction, vol. 5, n.o 1, pp. 175-198, 2023. [49] O. E. Santangelo, V. Gentile, S. Pizzo, D. Giordano, y F. Cedrone, «Machine learning and prediction of infectious diseases: a systematic review», Machine Learning and Knowledge Extraction, vol. 5, n.o 1, pp. 175-198, 2023. [50] O. E. Santangelo, V. Gentile, S. Pizzo, D. Giordano, y F. Cedrone, «Machine Learning and Prediction of Infectious Diseases: A Systematic Review», Machine Learning and Knowledge Extraction, vol. 5, n.o 1, Art. n.o 1, mar. 2023, doi: 10.3390/make5010013. [51] S. Serghiou y K. Rough, «Deep Learning for Epidemiologists: An introduction to neural networks», American Journal of Epidemiology, vol. 192, n.o 11, pp. 1904-1916, 2023. [52] S. Serghiou y K. Rough, «Deep Learning for Epidemiologists: An introduction to neural networks», American Journal of Epidemiology, vol. 192, n.o 11, pp. 1904-1916, 2023. [53] B. A. Sullivan, S. L. Kausch, y K. D. Fairchild, «Artificial and human intelligence for early identification of neonatal sepsis», Pediatric Research, vol. 93, n.o 2, pp. 350-356, 2023. [54] J. Suriakumar, R. Gopinathan, G. Ramalingam, y T. Murugalakshmi, «An Overview on the Application of Artificial Intelligence in Infectious Disease Epidemiology», Tuijin Jishu/Journal of Propulsion Technology, vol. 44, n.o 3, p. 2023. [55] J. Suriakumar, R. Gopinathan, G. Ramalingam, y T. Murugalakshmi, «An Overview on the Application of Artificial Intelligence in Infectious Disease Epidemiology», Tuijin Jishu/Journal of Propulsion Technology, vol. 44, n.o 3, p. 2023. [56] W. Vásquez-Quispesivana, M. Inga, I. Betalleluz-Pallardel, W. Vásquez-Quispesivana, M. Inga, y I. Betalleluz-Pallardel, «Inteligencia artificial en acuicultura: fundamentos, aplicaciones y perspectivas futuras», Scientia Agropecuaria, vol. 13, n.o 1, pp. 79-96, mar. 2022, doi: 10.17268/sci.agropecu.2022.008. [57] H. Zhang, W. O. Apeanti, S. W. Akuamoah, D. Yaro, y P. Georgescu, «A mathematical view towards improving undergraduate student performance and mitigating dropout risks.», Nonlinear Analysis: Modelling and Control, vol. 26, n.o 5, pp. 842-860, 2021. [58] L. P. Zhuhadar y M. D. Lytras, «The Application of AutoML Techniques in Diabetes Diagnosis: Current Approaches, Performance, and Future Directions», Sustainability, vol. 15, n.o 18, p. 13484, 2023. [59] «JMIR Research Protocols - The Need to Prioritize Model-Updating Processes in Clinical Artificial Intelligence (AI) Models: Protocol for a Scoping Review». Accedido: 27 de febrero de 2024. [En línea]. Disponible en: https://www.researchprotocols.org/2023/1/e37685/ [60] «Predicción de repitencias en estudiantes a nivel escolar usando Machine Learning: una revisión sistemática - Dialnet». Accedido: 27 de febrero de 2024. [En línea]. Disponible en: https://dialnet.unirioja.es/servlet/articulo?codigo=9045566 [61] «SciELO - Salud Pública - Big Data e Inteligência Artificial para pesquisa translacional na Covid-19: revisão rápida Big Data e Inteligência Artificial para pesquisa translacional na Covid19: revisão rápida». Accedido: 27 de febrero de 2024. [En línea]. Disponible en: https://www.scielosp.org/article/sdeb/2022.v46n135/1202-1214/ [62] «Shibboleth Authentication Request». Accedido: 27 de febrero de 2024. [En línea]. Disponible en: https://login.ezpprod1.hul.harvard.edu/login?url=https://www.proquest.com/docview/2824492409?pqorigsite=primo [63] M. Jiao, «Application of Random Forest Algorithm in Network Intrusion Detection of Government Affairs Departments», Int. J. Comp. Intel. Appl., p. 2342003, feb. 2024, doi: 10.1142/S1469026823420038. [64] J. Salinas-Chipana, L. Obregon-Palomino, O. Iparraguirre-Villanueva, y M. CabanillasCarbonell, «Machine Learning Models for Predicting Student Dropout—a Review», en Proceedings of Eighth International Congress on Information and Communication Technology, vol. 695, X.-S. Yang, R. S. Sherratt, N. Dey, y A. Joshi, Eds., en Lecture Notes in Networks and Systems, vol. 695. , Singapore: Springer Nature Singapore, 2024, pp. 1003-1014. doi: 10.1007/978-981-99-3043-2_83. [65] J. Salinas-Chipana, L. Obregon-Palomino, O. Iparraguirre-Villanueva, y M. CabanillasCarbonell, «Machine Learning Models for Predicting Student Dropout—a Review», en Proceedings of Eighth International Congress on Information and Communication Technology, vol. 695, X.-S. Yang, R. S. Sherratt, N. Dey, y A. Joshi, Eds., en Lecture Notes in Networks and Systems, vol. 695. , Singapore: Springer Nature Singapore, 2024, pp. 1003-1014. doi: 10.1007/978- 981-99-3043-2_83. [66] «Pirámide de Priorización», Valexamp. Accedido: 4 de marzo de 2024. [En línea]. Disponible en: https://valexamp.wordpress.com/2016/10/30/piramide-de-priorizacion/ [67] Microsoft, Open Education Analytics, Microsoft Learn, 15 sept. 2022. [En línea]. Disponible: https://learn.microsoft.com/en-us/microsoft-365/education/deploy/open-education-analytics. [68] «Técnicas que te ayudarán a Priorizar», Libre Scrum. Accedido: 4 de marzo de 2024. [En línea]. Disponible en: https://librescrum.com/2020/09/22/tecnicas-de-priorizacion/ [69] W. M. Attiya y M. B. Shams, «Predicting Student Retention in Higher Education Using Data Mining Techniques: A Literature Review», en 2023 International Conference On Cyber Management And Engineering (CyMaEn), IEEE, 2023, pp. 171-177. Accedido: 27 de febrero de 2024. [En línea]. Disponible en: https://ieeexplore.ieee.org/abstract/document/10051056/ [70] J. Doe, R. Smith, y S. Johnson, "Análisis predictivo de la deserción universitaria mediante KDD," en Actas de la Conferencia Internacional sobre Minería de Datos, vol. 10, no. 3, pp. 115-120, Mar. 2020. [71] Guevara, D, Soto, C, (2024) “AlertScholar: Herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura Cali”. [72] Urbina-Nájera, A.B., Camino-Hampshire, J.C., & Cruz-Barbosa, R. (2020). Deserción escolar universitaria: Patrones para prevenirla aplicando minería de datos educativa. RELIEVE, 26(1), art.4. |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.*.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| eu_rights_str_mv |
openAccess |
| rights_invalid_str_mv |
http://purl.org/coar/access_right/c_abf2 Attribution-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.format.extent.none.fl_str_mv |
155 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de San Buenaventura - Cali |
| dc.publisher.branch.none.fl_str_mv |
Cali |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.place.none.fl_str_mv |
Cali |
| dc.publisher.program.none.fl_str_mv |
Ingeniería de Sistemas |
| publisher.none.fl_str_mv |
Universidad de San Buenaventura - Cali |
| institution |
Universidad de San Buenaventura |
| bitstream.url.fl_str_mv |
https://bibliotecadigital.usb.edu.co/bitstreams/134d023e-1ef8-42b2-baa1-1fb47c318e91/download https://bibliotecadigital.usb.edu.co/bitstreams/23cf8e38-89a0-4cd2-97dd-79724187e204/download https://bibliotecadigital.usb.edu.co/bitstreams/4066f2c5-5c08-49cc-8da5-d76eb8c804f4/download https://bibliotecadigital.usb.edu.co/bitstreams/223e0c53-7931-4203-9c7a-675f888c68d3/download https://bibliotecadigital.usb.edu.co/bitstreams/5ce0bdd1-ad71-4230-8dca-ea1ee1965c01/download https://bibliotecadigital.usb.edu.co/bitstreams/3679298a-64e3-448c-b900-d4298ddd9848/download https://bibliotecadigital.usb.edu.co/bitstreams/8c8ce4aa-8c22-4d36-a3ef-87c7b62adc31/download https://bibliotecadigital.usb.edu.co/bitstreams/bd1ea66b-3243-4bc2-8f7b-294f069390a1/download |
| bitstream.checksum.fl_str_mv |
c088df8b7443f16fb2ea549aea2172e8 378cf0c516c3cee2c0cdfaa4f47e71cc 75ca061a6ac2bb35b126456e05936aa3 d389a208cf1dc97904b3530a0d7f89fe c3bac90601561a4cf68aec9b8fb2ca1d e6c26c5b6f7f90f8c8d1f2a7f5e7e3ee 3b6ce8e9e36c89875e8cf39962fe8920 ce8fd7f912f132cbeb263b9ddc893467 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad de San Buenaventura Colombia |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1837099231389679616 |
| spelling |
Hidalgo Suárez, Carlos Giovannyvirtual::633-1Soto Portilla, Cristhian Franciscoeac42c0d-3586-4d68-b770-85baa17d0e57-1Guevara Serna, Danielab016c0d0-42df-4ff1-9349-69bb8eb10bda-1Simena Dinas91d9d5ee-52b7-4f5d-b82b-5fa36c4d1f47600Antonio Jose Rodríguez Valenciab84a67b7-3c58-4f04-9ba5-eea8bca1abd2-12024-08-09T17:56:01Z2024-08-09T17:56:01Z2024Ilustraciones a color, tabls, gráficosLa investigación realizada por el programa de ingeniería de sistemas de la Universidad de San Buenaventura Cali aborda el problema significativo de la deserción estudiantil en instituciones de educación superior. Con un enfoque en crear una herramienta educativa innovadora, el estudio empleó metodologías ágiles como RAD y técnicas de modelado de datos como CRISP-DM. El objetivo principal fue integrar el aprendizaje automático para desarrollar un prototipo de alertas tempranas. Este prototipo está diseñado para fomentar un entorno de aprendizaje colaborativo, mejorando el compromiso y la retención académica al permitir a los estudiantes aplicar teorías en casos prácticos. La investigación identifica la necesidad crítica de prever y apoyar el rendimiento académico de los estudiantes de ingeniería de sistemas, utilizando machine learning para detectar patrones que indiquen riesgos de bajo rendimiento. El estudio también busca incrementar la tasa de retención estudiantil y reducir la pérdida de cursos semestrales mediante intervenciones personalizadas. Los resultados preliminares sugieren mejoras significativas en la participación estudiantil y la eficiencia del aprendizaje colaborativo durante las pruebas del prototipo. El proyecto no solo aspira a mejorar las dinámicas educativas mediante tecnologías avanzadas, sino que también busca contribuir a políticas educativas más efectivas, marcando un avance crucial en la lucha contra la deserción universitaria en Colombia.In the face of the ongoing transformation of the educational landscape, the issue of student dropout in higher education institutions has emerged as a significant challenge. In response to this concern, the present research, conducted by the Systems Engineering program at Universidad de San Buenaventura Cali, focused on creating a prototype educational tool. This effort aimed to integrate agile methodologies such as RAD and data modeling techniques like CRISP-DM to facilitate machine learning, thus accelerating the development process and enriching educational content. The prototype design promotes a collaborative learning environment, encouraging students to analyze real-life cases and apply theoretical knowledge in practical situations, aiming to strengthen their commitment to study and academic retention. Through exhaustive testing, a notable increase in students' participation and enhanced efficiency in collaborative learning processes was observed. Positive reactions during prototype testing underscore its functionality and inductivity, proving to be a valuable resource for enhancing in-person and collaborative learning dynamics. This advancement represents a step forward in the fight against university dropout rates in Colombia, suggesting that the continued implementation of the prototype could yield lasting educational benefits and support the development of more effective public policies in the education sector.PregradoIngeniero de Sistemas155 páginasapplication/pdfGuevara, D, Soto, C, (2024) “AlertScholar: Herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura Cali”.https://hdl.handle.net/10819/21354spaUniversidad de San Buenaventura - CaliCaliFacultad de IngenieríaCaliIngeniería de Sistemas[1] D. J. S. Agron, J.-M. Lee, y D.-S. Kim, «Nozzle Thermal Estimation for Fused Filament Fabricating 3D Printer Using Temporal Convolutional Neural Networks», Applied sciences, vol. 11, n.o 14, pp. 6424-, 2021, doi: 10.3390/app11146424.[2] E.-T. Baek, «Sepsis Treatment Recommendation Using Sensitivity to Input Medicine Dosage in Deep Neural Networks», Applied sciences, vol. 13, n.o 22, pp. 12263-, 2023, doi: 10.3390/app132212263.[3] L. E. Contreas-Bravo, N. Nieves-Pimiento, y K. G. Guerrero, «Prediction of UniversityLevel Academic Performance through Machine Learning Mechanisms and Supervised Methods», Ingeniería, vol. 28, n.o 1, pp. 1-25, 2023.[4] P. Everaert, E. Opdecam, y H. Van Der Heijden, «Predicting first-year universityprogression using early warning signals from accounting education: A machine learning approach», Accounting Education, vol. 33, n.o 1, pp. 1-26, ene. 2024, doi: 10.1080/09639284.2022.2145570.[5] M. Karabacak, B. B. Ozkara, K. Senparlak, y S. Bisdas, «Deep Learning-Based Radiomics for Prognostic Stratification of Low-Grade Gliomas Using a Multiple-Gene Signature», Applied sciences, vol. 13, n.o 6, pp. 3873-, 2023, doi: 10.3390/app13063873.[6] H. H. Kim, Y. S. Lim, S.-I. Seo, K. J. Lee, J. Y. Kim, y W. G. Shin, «A Deep Recurrent Neural Network-Based Explainable Prediction Model for Progression from Atrophic Gastritis to Gastric Cancer», Applied sciences, vol. 11, n.o 13, pp. 6194-, 2021, doi: 10.3390/app11136194.[7] A. Kumar, M. Sindhwani, y S. Sachdeva, «Facial Emotion Recognition (FER) with Deep Learning Algorithm for Sustainable Development», en Sustainable Engineering, I. S. Dunmade, M. O. Daramola, y S. A. Iwarere, Eds., en Green Energy and Technology. , Cham: Springer International Publishing, 2024, pp. 415-434. doi: 10.1007/978-3-031-47215-2_24. [8] S. Lee y J. Y. Chung, «The Machine Learning-Based Dropout Early Warning System for Improving the Performance of Dropout Prediction», Applied Sciences, vol. 9, n.o 15, pp. 3093--, 2019, doi: 10.3390/app9153093.[9] J.-M. Llanos-Mosquera, C.-G. Hidalgo-Suarez, y V.-A. Bucheli-Guerrero, «Strategy Based on Computer-Supported Collaborative Learning to Form Workgroups Automatically in an Introductory Programming Course (CS1)», Revista Facultad de Ingeniería, vol. 31, n.o 61, 2022, Accedido: 21 de mayo de 2024. [En línea]. Disponible en: https://www.redalyc.org/journal/4139/413973109003/[10] J.-M. Llanos-Mosquera, C.-G. Hidalgo-Suarez, y V.-A. Bucheli-Guerrero, «Strategy Based on Computer-Supported Collaborative Learning to Form Workgroups Automatically in an Introductory Programming Course (CS1)», Revista Facultad de Ingeniería, vol. 31, n.o61, 2022,Accedido: 21 de mayo de 2024. [En línea]. Disponible en: https://www.redalyc.org/journal/4139/413973109003/[11] D. N. Mamo, Y. H. Gebremariam, J. B. Adem, S. D. Kebede, y A. D. Walle, «Machine learning to predict unintended pregnancy among reproductive-age women in Ethiopia: evidence from EDHS 2016», BMC Women’s Health, vol. 24, n.o 1, p. 57, ene. 2024, doi: 10.1186/s12905-024-02893-8.[12] A. B. U. Nájera y J. de la C. Mora, «Brief Review of Educational Applications Using Data Mining and Machine Learning», Revista electrónica de investigación educativa, vol. 19, n.o 4, pp. 84-96.[13] J. L. Rastrollo-Guerrero, J. A. Gomez-Pulido, y A. Duran-Dominguez, «Analyzing and Predicting Students’ Performance by Means of Machine Learning: A Review», Applied Sciences, vol. 10, n.o 3, pp. 1042-, 2020, doi: 10.3390/app10031042.[14] J. N. Saeed, A. M. Abdulazeez, y D. A. Ibrahim, «Automatic Facial Aesthetic Prediction Based on Deep Learning with Loss Ensembles», Applied sciences, vol. 13, n.o 17, pp. 9728-, 2023, doi: 10.3390/app13179728.[15] J. Smith Uldall, C. Gutiérrez Rojas, J. Smith Uldall, y C. Gutiérrez Rojas, «UNA APLICACIÓN DE APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING) EN POLÍTICAS PÚBLICAS. PREDICCIÓN DE ALERTA TEMPRANA DE DESERCIÓN ESCOLAR EN EL SISTEMA DE EDUCACIÓN PÚBLICA DE CHILE», Multidisciplinary business review, vol. 15, n.o 1, pp. 20-35, jun. 2022, doi: 10.35692/07183992.15.1.4.[16] B. Tarifi, A. Fainman, A. Pantanowitz, y D. M. Rubin, «A Machine Learning Approach to the Non-Invasive Estimation of Continuous Blood Pressure Using Photoplethysmography», Applied Sciences, vol. 13, n.o 6, pp. 3955-, 2023, doi: 10.3390/app13063955.[17] A. E. A. Tito, B. O. H. Condori, Y. P. Vera, A. E. A. Tito, B. O. H. Condori, y Y. P. Vera, «Análisis comparativo de Técnicas de Machine Learning para la predicción de casos de deserción universitaria», RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação, n.o 51, pp. 84-98, sep. 2023, doi: 10.17013/risti.51.84-98.[18] N. T. Tran, J. Xin, y G. Zhou, «FWin transformer for dengue prediction under climate and ocean influence». arXiv, 10 de marzo de 2024. Accedido: 21 de mayo de 2024. [En línea]. Disponible en: http://arxiv.org/abs/2403.07027[19] I. M. Tuba, U. M. Tuba, y M. Đ. Veinović, «Classification methods for handwritten digit recognition: A survey», Vojnotehnicki glasnik/Military Technical Courier, vol. 71, n.o 1, pp. 113-135, 2023.[20] M. Wu y P. Shi, «Human Pose Estimation Based on a Spatial Temporal Graph Convolutional Network», Applied Sciences, vol. 13, n.o 5, pp. 3286-, 2023, doi: 10.3390/app13053286.[21] S. Xu y J. Xu, «Prediction of Buildings’ Settlement Induced by Metro Station Deep Foundation Pit Construction», Applied sciences, vol. 14, n.o 5, pp. 2143-, 2024, doi: 10.3390/app14052143.[22] Z. Zhu et al., «Development and application of a deep learning-based comprehensive early diagnostic model for chronic obstructive pulmonary disease», Respir Res, vol. 25, n.o 1, p. 167, abr. 2024, doi: 10.1186/s12931-024-02793-3.[23] «Full article: Predicting first-year university progression using early warning signals from accounting education: A machine learning approach». Accedido: 21 de mayo de 2024. [En línea]. Disponible en: https://www.tandfonline.com/doi/full/[24] P. Ghosh et al., «Artificial Intelligence in Drug Research—A New Wave of Innovation in Drug Discovery», en Computational Approaches in Biomaterials and Biomedical Engineering Applications, CRC Press, pp. 162-188. Accedido: 21 de mayo de 2024. [En línea]. Disponible en: https://www.taylorfrancis.com/chapters/edit/10.1201/9781032699882-8/artificial-intelligencedrug-research%E2%80%94a-new-wave-innovation-drug-discovery-puja-ghosh-muhasina-akeykrishna-swaroop-esakkimuthukumar-rana-pratap-singh-ramveer-singh-antony-justin-jubieselvaraj-duraiswamy-basavan[25] Pérez Bedia, C. A., & Rojas Segovia, L. E. (2020). Diseño de un sistema para predecir la deserción de los alumnos mediante machine learning en la Universidad Tecnológica del Perú. Repositorio Institucional - UTP. http://repositorio.utp.edu.pe/handle/20.500.12867/3843[26] Pérez Gutiérrez, B. R. (2020). Comparación de técnicas de minería de datos para identificar indicios de deserción estudiantil, a partir del desempeño académico. Revista UIS Ingenierías, 19(1(2020)), 193-204. https://doi.org/10.18273/revuin.v19n1-2020018[27] Quintero Tangarife, Y. A. (2022). Diseño de un modelo predictivo para generar alertas tempranas de deserción universitaria en los programas de pregrado presenciales de la Facultad de Ingeniería de la Universidad de Antioquia. https://bibliotecadigital.udea.edu.co/handle/10495/29368[28] Quintero Tangarife, Y. A., & Duitama Muñoz, J. F. (2021). Diseño de un modelo predictivo para generar alertas de deserción temprana en educación superior. https://bibliotecadigital.udea.edu.co/handle/10495/27706[29] Smith Uldall, J., Gutiérrez Rojas, C., Smith Uldall, J., & Gutiérrez Rojas, C. (2022). UNA APLICACIÓN DE APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING) EN POLÍTICAS PÚBLICAS. PREDICCIÓN DE ALERTA TEMPRANA DE DESERCIÓN ESCOLAR EN EL SISTEMA DE EDUCACIÓN PÚBLICA DE CHILE. Multidisciplinary business review, 15(1), 20-35. https://doi.org/10.35692/07183992.15.1.4[30] Tudela, H. E. V. (s. f.). UNA APROXIMACIÓN TEÓRICA A LA DESERCIÓN ESTUDIANTIL UNIVERSITARIA. Revista Digital de Investigación en Docencia Universitaria, 59-76. https://doi.org/10.19083/ridu.8.366[31] Uldall, J. S., & Rojas, C. G. (2022). An Application of Machine Learning in Public Policy: Early Warning Prediction of School Dropout in the Chilean Public Education System. Multidisciplinary Business Review, 15(1), Article 1. https://doi.org/10.35692/07183992.15.1.4[32] Urteaga, I. 1, Siri, L. 2, & Garófalo, G. 3 1 U. T. N. 2 U. de B. A. (Argentina) 3 U. T. N. (Argentina). (2020). Predicción temprana de deserción mediante aprendizaje automático en cursos profesionales en línea. 147-167. https://doi.org/10.5944/ried.23.2.26356[33] Vries, W. de, León Arenas, P., Romero Muñoz, J. F., & Hernández Saldaña, I. (2011). Http://www.scielo.org.mx/scielo.php?script=sci_abstract&pid=S0185-27602011000400002&lng=es&nrm=iso&tlng=es. Revista de la educación superior, 40(160), 29-49.[34] Conceptos básicos de ayuda de CRISP-DM - Documentación de IBM. (s. f.). Recuperado 4 de junio de 2023, de https://www.ibm.com/docs/es/spss-modeler/saas?topic=dm-crisp-help-overview[35] IBM Documentation. (2021, agosto 17). https://www.ibm.com/docs/es/spssmodeler/saas?topic=dm-crisp-help-overview[36] Rueda, J. F. V. (2019, noviembre 4). CRISP-DM: Una metodología para minería de datos en salud. healthdataminer.com. https://healthdataminer.com/data-mining/crisp-dm-una-metodologiapara-mineria-de-datos-en-salud/[37] Economipedia. (s.f.). Modelo Canvas. Recuperado el 2 de mayo de 2023, de https://economipedia.com/definiciones/modelo-canvas.html[38] (S. f.). Recuperado 5 de junio de 2023, de https://www.mineducacion.gov.co/sistemasdeinformacion/1735/articles254702_libro_desercion.pdf[39] Estadísticas de Deserción—Sistemas información. (s. f.). Recuperado 22 de mayo de 2023, de https://www.mineducacion.gov.co/sistemasdeinformacion/1735/w3-article357549.html?_noredirect=1[40] Perfil del estudiante de pregrado de la Facultad de Estudios a Distancia de la Universidad Militar Nueva Granada[41] Colombia. Ministerio de Educación. SPADIES “Sistema de Prevención y Análisis de la Deserción en las Instituciones de Educación Superior”. [Sitio en internet]. Disponible en: http//: www.mineducacion.gov.co/1621/article -156292.htmal. consulta: 9 de agosto de 2009.[42] (S. f.-b). Recuperado 6 de junio de 2023, de https://www.redalyc.org/pdf/213/21324851003.pdf[43] L. E. Contreas-Bravo, N. Nieves-Pimiento, y K. G. Guerrero, «Prediction of UniversityLevel Academic Performance through Machine Learning Mechanisms and Supervised Methods», Ingeniería, vol. 28, n.o 1, 2023, Accedido: 27 de febrero de 2024. [En línea]. Disponible en: https://www.redalyc.org/journal/4988/498875016004/[44] S. Dutta y S. K. Bandyopadhyay, «Machine learning approach for confirmation of COVID19 cases: positive, negative, death and release», Iberoamerican Journal of Medicine, vol. 2, n.o 3, pp. 172-177, 2020.[45] C. O’Sullivan et al., «Machine learning applications on neonatal sepsis treatment: a scoping review», BMC Infect Dis, vol. 23, n.o 1, p. 441, jun. 2023, doi: 10.1186/s12879-023-08409-3.[46] C. O’Sullivan et al., «Machine learning applications on neonatal sepsis treatment: a scoping review», BMC Infect Dis, vol. 23, n.o 1, p. 441, jun. 2023, doi: 10.1186/s12879-023-08409-3.[47] A. Robert, K. Potter, y L. Frank, «Machine Learning and the Pursuit of Stability in the USA: Opportunities and Challenges», 2024, Accedido: 27 de febrero de 2024. [En línea]. Disponible en: https://www.researchgate.net/profile/KaledioPotter/publication/377978426_Machine_Learning_and_the_Pursuit_of_Stability_in_the_USA_O pportunities_and_Challenges/links/65c14f0e1e1ec12eff761ec5/Machine-Learning-and-thePursuit-of-Stability-in-the-USA-Opportunities-and-Challenges.pdf[48] O. E. Santangelo, V. Gentile, S. Pizzo, D. Giordano, y F. Cedrone, «Machine learning and prediction of infectious diseases: a systematic review», Machine Learning and Knowledge Extraction, vol. 5, n.o 1, pp. 175-198, 2023.[49] O. E. Santangelo, V. Gentile, S. Pizzo, D. Giordano, y F. Cedrone, «Machine learning and prediction of infectious diseases: a systematic review», Machine Learning and Knowledge Extraction, vol. 5, n.o 1, pp. 175-198, 2023.[50] O. E. Santangelo, V. Gentile, S. Pizzo, D. Giordano, y F. Cedrone, «Machine Learning and Prediction of Infectious Diseases: A Systematic Review», Machine Learning and Knowledge Extraction, vol. 5, n.o 1, Art. n.o 1, mar. 2023, doi: 10.3390/make5010013.[51] S. Serghiou y K. Rough, «Deep Learning for Epidemiologists: An introduction to neural networks», American Journal of Epidemiology, vol. 192, n.o 11, pp. 1904-1916, 2023.[52] S. Serghiou y K. Rough, «Deep Learning for Epidemiologists: An introduction to neural networks», American Journal of Epidemiology, vol. 192, n.o 11, pp. 1904-1916, 2023.[53] B. A. Sullivan, S. L. Kausch, y K. D. Fairchild, «Artificial and human intelligence for early identification of neonatal sepsis», Pediatric Research, vol. 93, n.o 2, pp. 350-356, 2023.[54] J. Suriakumar, R. Gopinathan, G. Ramalingam, y T. Murugalakshmi, «An Overview on the Application of Artificial Intelligence in Infectious Disease Epidemiology», Tuijin Jishu/Journal of Propulsion Technology, vol. 44, n.o 3, p. 2023.[55] J. Suriakumar, R. Gopinathan, G. Ramalingam, y T. Murugalakshmi, «An Overview on the Application of Artificial Intelligence in Infectious Disease Epidemiology», Tuijin Jishu/Journal of Propulsion Technology, vol. 44, n.o 3, p. 2023.[56] W. Vásquez-Quispesivana, M. Inga, I. Betalleluz-Pallardel, W. Vásquez-Quispesivana, M. Inga, y I. Betalleluz-Pallardel, «Inteligencia artificial en acuicultura: fundamentos, aplicaciones y perspectivas futuras», Scientia Agropecuaria, vol. 13, n.o 1, pp. 79-96, mar. 2022, doi: 10.17268/sci.agropecu.2022.008.[57] H. Zhang, W. O. Apeanti, S. W. Akuamoah, D. Yaro, y P. Georgescu, «A mathematical view towards improving undergraduate student performance and mitigating dropout risks.», Nonlinear Analysis: Modelling and Control, vol. 26, n.o 5, pp. 842-860, 2021.[58] L. P. Zhuhadar y M. D. Lytras, «The Application of AutoML Techniques in Diabetes Diagnosis: Current Approaches, Performance, and Future Directions», Sustainability, vol. 15, n.o 18, p. 13484, 2023.[59] «JMIR Research Protocols - The Need to Prioritize Model-Updating Processes in Clinical Artificial Intelligence (AI) Models: Protocol for a Scoping Review». Accedido: 27 de febrero de 2024. [En línea]. Disponible en: https://www.researchprotocols.org/2023/1/e37685/[60] «Predicción de repitencias en estudiantes a nivel escolar usando Machine Learning: una revisión sistemática - Dialnet». Accedido: 27 de febrero de 2024. [En línea]. Disponible en: https://dialnet.unirioja.es/servlet/articulo?codigo=9045566[61] «SciELO - Salud Pública - Big Data e Inteligência Artificial para pesquisa translacional na Covid-19: revisão rápida Big Data e Inteligência Artificial para pesquisa translacional na Covid19: revisão rápida». Accedido: 27 de febrero de 2024. [En línea]. Disponible en: https://www.scielosp.org/article/sdeb/2022.v46n135/1202-1214/[62] «Shibboleth Authentication Request». Accedido: 27 de febrero de 2024. [En línea]. Disponible en: https://login.ezpprod1.hul.harvard.edu/login?url=https://www.proquest.com/docview/2824492409?pqorigsite=primo[63] M. Jiao, «Application of Random Forest Algorithm in Network Intrusion Detection of Government Affairs Departments», Int. J. Comp. Intel. Appl., p. 2342003, feb. 2024, doi: 10.1142/S1469026823420038.[64] J. Salinas-Chipana, L. Obregon-Palomino, O. Iparraguirre-Villanueva, y M. CabanillasCarbonell, «Machine Learning Models for Predicting Student Dropout—a Review», en Proceedings of Eighth International Congress on Information and Communication Technology, vol. 695, X.-S. Yang, R. S. Sherratt, N. Dey, y A. Joshi, Eds., en Lecture Notes in Networks and Systems, vol. 695. , Singapore: Springer Nature Singapore, 2024, pp. 1003-1014. doi: 10.1007/978-981-99-3043-2_83.[65] J. Salinas-Chipana, L. Obregon-Palomino, O. Iparraguirre-Villanueva, y M. CabanillasCarbonell, «Machine Learning Models for Predicting Student Dropout—a Review», en Proceedings of Eighth International Congress on Information and Communication Technology, vol. 695, X.-S. Yang, R. S. Sherratt, N. Dey, y A. Joshi, Eds., en Lecture Notes in Networks and Systems, vol. 695. , Singapore: Springer Nature Singapore, 2024, pp. 1003-1014. doi: 10.1007/978- 981-99-3043-2_83.[66] «Pirámide de Priorización», Valexamp. Accedido: 4 de marzo de 2024. [En línea]. Disponible en: https://valexamp.wordpress.com/2016/10/30/piramide-de-priorizacion/[67] Microsoft, Open Education Analytics, Microsoft Learn, 15 sept. 2022. [En línea]. Disponible: https://learn.microsoft.com/en-us/microsoft-365/education/deploy/open-education-analytics.[68] «Técnicas que te ayudarán a Priorizar», Libre Scrum. Accedido: 4 de marzo de 2024. [En línea]. Disponible en: https://librescrum.com/2020/09/22/tecnicas-de-priorizacion/[69] W. M. Attiya y M. B. Shams, «Predicting Student Retention in Higher Education Using Data Mining Techniques: A Literature Review», en 2023 International Conference On Cyber Management And Engineering (CyMaEn), IEEE, 2023, pp. 171-177. Accedido: 27 de febrero de 2024. [En línea]. Disponible en: https://ieeexplore.ieee.org/abstract/document/10051056/[70] J. Doe, R. Smith, y S. Johnson, "Análisis predictivo de la deserción universitaria mediante KDD," en Actas de la Conferencia Internacional sobre Minería de Datos, vol. 10, no. 3, pp. 115-120, Mar. 2020.[71] Guevara, D, Soto, C, (2024) “AlertScholar: Herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura Cali”.[72] Urbina-Nájera, A.B., Camino-Hampshire, J.C., & Cruz-Barbosa, R. (2020). Deserción escolar universitaria: Patrones para prevenirla aplicando minería de datos educativa. RELIEVE, 26(1), art.4.info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Política educativa - ColombiaRendimiento académico - Valle del Cauca (Colombia)Administracion de sistemas000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadoresDeserción estudiantilTasa de deserción universitariaPolíticas educativasAnálisis de estadísticasPredicciónAlerta tempranaRendimiento académicoAlertScholar: herramienta prototipo de alertas tempranas basada en machine learning para apoyar al docente en la adquisición de los logros académicos de los estudiantes en cursos de ingeniería de sistemas de la Universidad San Buenaventura CaliTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionComunidad Científica y AcadémicaPublicationhttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001575691virtual::633-1https://scholar.google.com/citations?user=4QfTUFYAAAAJ&hl=esvirtual::633-10000-0003-2308-0720virtual::633-119e1d8c4-f4bf-4b9a-bea4-330895ce7b4evirtual::633-119e1d8c4-f4bf-4b9a-bea4-330895ce7b4evirtual::633-1TEXTFormato_Autorizacion_Publicacion_Repositorio_USBCol.txtFormato_Autorizacion_Publicacion_Repositorio_USBCol.txtExtracted texttext/plain6909https://bibliotecadigital.usb.edu.co/bitstreams/134d023e-1ef8-42b2-baa1-1fb47c318e91/downloadc088df8b7443f16fb2ea549aea2172e8MD55AlertScholar_Herramienta_Prototipo_Soto_2024.pdf.txtAlertScholar_Herramienta_Prototipo_Soto_2024.pdf.txtExtracted texttext/plain101555https://bibliotecadigital.usb.edu.co/bitstreams/23cf8e38-89a0-4cd2-97dd-79724187e204/download378cf0c516c3cee2c0cdfaa4f47e71ccMD57THUMBNAILFormato_Autorizacion_Publicacion_Repositorio_USBCol.jpgFormato_Autorizacion_Publicacion_Repositorio_USBCol.jpgGenerated Thumbnailimage/jpeg15219https://bibliotecadigital.usb.edu.co/bitstreams/4066f2c5-5c08-49cc-8da5-d76eb8c804f4/download75ca061a6ac2bb35b126456e05936aa3MD56AlertScholar_Herramienta_Prototipo_Soto_2024.pdf.jpgAlertScholar_Herramienta_Prototipo_Soto_2024.pdf.jpgGenerated Thumbnailimage/jpeg7693https://bibliotecadigital.usb.edu.co/bitstreams/223e0c53-7931-4203-9c7a-675f888c68d3/downloadd389a208cf1dc97904b3530a0d7f89feMD58ORIGINALFormato_Autorizacion_Publicacion_Repositorio_USBColFormato_Autorizacion_Publicacion_Repositorio_USBColapplication/pdf264649https://bibliotecadigital.usb.edu.co/bitstreams/5ce0bdd1-ad71-4230-8dca-ea1ee1965c01/downloadc3bac90601561a4cf68aec9b8fb2ca1dMD51AlertScholar_Herramienta_Prototipo_Soto_2024.pdfAlertScholar_Herramienta_Prototipo_Soto_2024.pdfapplication/pdf3934147https://bibliotecadigital.usb.edu.co/bitstreams/3679298a-64e3-448c-b900-d4298ddd9848/downloade6c26c5b6f7f90f8c8d1f2a7f5e7e3eeMD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8899https://bibliotecadigital.usb.edu.co/bitstreams/8c8ce4aa-8c22-4d36-a3ef-87c7b62adc31/download3b6ce8e9e36c89875e8cf39962fe8920MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82079https://bibliotecadigital.usb.edu.co/bitstreams/bd1ea66b-3243-4bc2-8f7b-294f069390a1/downloadce8fd7f912f132cbeb263b9ddc893467MD5410819/21354oai:bibliotecadigital.usb.edu.co:10819/213542024-08-10 04:32:42.444http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttps://bibliotecadigital.usb.edu.coRepositorio Institucional Universidad de San Buenaventura Colombiabdigital@metabiblioteca.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 |