III Conferencia Científica Internacional "Retos de la Educación 2023"

Modelo de Aprendizaje Automático para Predecir el Rendimiento Académico en la Asignatura "Producción de Artefactos" En La Educación Superior

Resumen

La aplicación de modelos de aprendizaje automático ha demostrado ser una solución para predecir el rendimiento académico en diversos niveles educativos, mejorando la calidad de los procesos de aprendizaje. A pesar de ello, el uso limitado del análisis predictivo por parte de los instructores en la asignatura "Producción de Artefactos" ha conducido a resultados académicos inesperados. Esta investigación tiene como objetivo diseñar una estrategia de análisis predictivo que determine el rendimiento académico de los estudiantes en dicha asignatura basada en el aprendizaje automático. La metodología empleada en este estudio se basa en los "Marcos de Investigación de Ciencia del Diseño", que abarcan cinco fases. Una fase crucial gira en torno a la recopilación de información a través de una encuesta, abordando aspectos relacionados con los métodos de aprendizaje y los factores influyentes en estos procesos. Para la formulación de una estrategia de análisis predictivo, considerando varios modelos de aprendizaje automático, como la regresión lineal, los árboles de decisión y las redes neuronales. Esta estrategia diseñada emplea un clasificador de bosque aleatorio, exhibiendo un rendimiento superior en comparación con modelos de predicción alternativos, aprovechando las ideas de la investigación. Este proyecto destaca la importancia del análisis basado en el aprendizaje automático, respaldando la adopción de estrategias como el clasificador de bosque aleatorio. Esto proporciona a los educadores herramientas para anticipar y abordar los desafíos en el aprendizaje de los estudiantes. Esta investigación contribuye al avance del análisis predictivo en la educación, promoviendo la toma de decisiones informadas y mejorando los resultados.

Abstract

The application of machine learning models has proven to be a solution to predict academic performance at various educational levels, improving the quality of learning processes. Despite this, the limited use of predictive analytics by instructors in the course "Artifact Production" has led to unexpected academic results. This research aims to design a predictive analysis strategy that determines the academic performance of students in said subject based on machine learning. The methodology used in this study is based on the "Design Science Research Frameworks", which span five phases. A crucial phase revolves around the collection of information through a survey, addressing aspects related to learning methods and the influential factors in these processes. For the formulation of a predictive analysis strategy, considering various machine learning models, such as linear regression, decision trees and neural networks. This designed strategy employs a random forest classifier, exhibiting superior performance compared to alternative prediction models, taking advantage of research insights. This project highlights the importance of analysis based on machine learning, supporting the adoption of strategies such as the random forest classifier. This provides educators with tools to anticipate and address challenges in student learning. This research contributes to the advancement of predictive analytics in education, promoting informed decision making and improving outcomes.