Show simple item record

dc.contributor.authorAyala Franco, Enrique
dc.contributor.authorLópez Martínez, Rocío Edith
dc.contributor.authorMenéndez Domínguez, Víctor Hugo
dc.date.issued2021
dc.identifier.citationp. 32-36spa
dc.identifier.issn1578-7680spa
dc.identifier.urihttps://revistas.um.es/red/article/view/463561spa
dc.identifier.urihttps://hdl.handle.net/11162/213906
dc.descriptionTítulo, resumen y palabras clave en español e inglésspa
dc.descriptionResumen basado en el de la publicaciónspa
dc.description.abstractLos problemas de bajo rendimiento académico y rezago son recurrentes en instituciones educativas de nivel superior, especialmente al inicio de los estudios universitarios. En el contexto local, análisis diagnósticos han mostrado altos índices de reprobación y bajo rendimiento académico. Se utilizaron datos sociodemográficos y resultados de exámenes de admisión de 415 alumnos de las carreras del área de computación de la Universidad Autónoma de Yucatán (México), inscritos entre 2016 y 2019. Se busca generar modelos predictivos de riesgo académico, empleando métodos de la minería de datos educativa, que sirvan como herramientas de detección temprana de condiciones de riesgo académico y faciliten el despliegue de estrategias de intervención educativa. Se siguieron las etapas del Proceso de Extracción de Conocimiento en Bases de Datos, concretamente, se aplicaron técnicas de clasificación para el análisis, obtención y validación de los modelos. Los resultados muestran que el mejor modelo corresponde al algoritmo LMT, con un valor de precisión de 75.42% y un 0.805 para el área bajo la curva ROC. Se logró identificar a los mejores atributos predictores, particularmente las pruebas del examen de ingreso a licenciatura fueron muy significativas. Se propone el desarrollo de herramientas informáticas para la detección precoz de riesgo académico y estrategias de intervención educativa oportuna.spa
dc.format.mediumDigitalspa
dc.format.mediumRevistaspa
dc.language.isospaspa
dc.relation.ispartofRED. Revista de educación a distancia. 2021, v. 21, n. 66 ; 36 p.spa
dc.rightsAttribution-NonCommercial 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/*
dc.subjectenseñanza superiorspa
dc.subjectrendimientospa
dc.subjectmétodo estadísticospa
dc.subjectpredicciónspa
dc.subjectestrategia de aprendizajespa
dc.subjecttratamiento electrónico de datosspa
dc.titleModelos predictivos de riesgo académico en carreras de computación con minería de datos educativosspa
dc.typeArtículo de revistaspa
dc.audienceProfesoradospa
dc.bbddAnalíticasspa
dc.description.paisESPspa
dc.educationLevelEducación Superiorspa
dc.title.journalRED. Revista de educación a distanciaspa
dc.identifier.doi10.6018/red.463561spa


Files in this item

    Show simple item record

    Attribution-NonCommercial 4.0 International
    Except where otherwise noted, this item's license is described as Attribution-NonCommercial 4.0 International