Predicción del rendimiento académico como indicador de éxito/fracaso de los estudiantes de ingeniería, mediante aprendizaje automático

Leonardo E. Contreras, Héctor J. Fuentes, José I. Rodríguez
2020 Formación universitaria  
Resumen Esta propuesta plantea la selección de variables que influyen en la predicción del rendimiento en estudiantes de ingeniería industrial de la Universidad Distrital (Colombia) por diferentes metodologías: filtro, envoltura e integrados. Se implementaron algoritmos de clasificación a través del lenguaje de programación Python como árbol de decisión, K vecinos más cercanos, perceptrón y otros, los cuales son comparados para conocer el mejor resultado de predicción. El género y el puntaje
more » ... ero y el puntaje ICFES (examen de estado en Colombia) para condición matemática se encuentran en el rango superior de todos los métodos de selección de características, y el algoritmo perceptrón arroja mejor exactitud con respecto a los otros algoritmos usados. Se concluye que las variables que más influyen en el rendimiento académico de los estudiantes de ingeniería son: edad, género, puntaje ICFES para aptitud matemática, puntaje global ICFES, valor de matrícula y puntaje ICFES para condición matemática y cohorte. Palabras clave: análisis de datos; aprendizaje automático; educación en ingeniería; modelo; rendimiento académico Academic performance prediction by machine learning as a success/failure indicator for engineering students Abstract This research study identifies variables that influence the prediction of performance in industrial engineering undergraduate students at the Universidad Distrital (Colombia) by three methodologies: filter, wrappers, and integrated. Python programming language classification algorithms such as decision tree, K nearest neighbors, and perceptron are implemented and they are compared to obtain the best prediction results. The results show that gender and the ICFES Score (Colombian nation-wide university admission exam) for mathematics were in the upper range in all the selection methods. The Perceptron algorithm is the most accurate of all the algorithms tested. It is concluded that the variables that most affect academic performance in engineering students are: age, gender, tuition fee, the overall ICFES score, and the ICFES scores for mathematical aptitude and cohort mathematics.
doi:10.4067/s0718-50062020000500233 fatcat:g5q7sne7f5capkweygiy7e3eka