Predicción del desempeño académico de un estudiante a partir del análisis de patrones y comportamientos, utilizando estrategias de machine learning

El presente trabajo aborda la predicción del desempeño académico de estudiantes mediante el análisis de patrones y comportamientos individuales utilizando algoritmos de machine learning. A partir de un conjunto de datos de Kaggle, se identificaron variables como horas de estudio, asistencia, participación parental, acceso a recursos educativos, y motivación, que impactan en los resultados académicos. Tras una cuidadosa limpieza y preprocesamiento de datos, se implementaron seis algoritmos de clasificación supervisada: KNN, Bayes, LDA, QDA, árboles de decisión, y SVM, los cuales lograron una precisión superior al 98% en la predicción de desempeño estudiantil (Suficiente o Satisfactorio). La metodología incluyó un análisis de correlación para seleccionar las variables con mayor relevancia, descartando aquellas con baja influencia. La eliminación de la puntuación en el examen final como variable permitió enfocar la predicción en patrones conductuales en lugar de calificaciones previas. La implementación del modelo fue validada mediante la simulación de tres perfiles estudiantiles distintos, lo que demostró la efectividad y adaptabilidad del modelo para anticipar el rendimiento académico y ofrecer recomendaciones personalizadas.

• Autores: Cruz Holguín, Héctor Jaime; Catuche Mompotes, Miguel Ángel
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Corporación Universitaria Remington
• Repositorio: Repositorio institucional Uniremington
• Idioma: spa
• OAI Identifier: oai:repositorio.uniremington.edu.co:123456789/5417
• Acceso en línea: https://repositorio.uniremington.edu.co/handle/123456789/5417
• Palabra clave: Data Set; Modelo de predicción; Aprendizaje supervisado; Patrones; Comportamientos; Variables; Análisis; Algoritmos de clasificación; Aprendizaje automático (Inteligencia artificial); Análisis de datos; Estudiantes
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)