Principales variables que predicen la competencia motora: análisis con árboles de clasificación

• Angel Anibal Mamani-Ramos ^[1] ; Edgar Froilan Damian-Nuñez ^[1] ; Edgar Eloy Carpio-Vargas ^[4] ; Indalecio Mujica-Bermúdez ^[2] ; Carlos Manuel Pérez-Reátegui ^[5] ; Luis Martin Botton-Estrada ^[1] ; Jorge Alber Quisocala-Ramos ^[1] ; Henry Quispe-Cruz ^[4] ; Carlos Vidal Cutimbo-Quispe ^[4] ; Jhony Ruben Rodriguez-Mamani ^[4] ; Rosario Patricia Palomino-Crisóstomo ^[3] ; Willy Roger Cutipa-Salluca ^[4] ; Kandy Faviola Tuero-Chirinos ^[4] ; Naysha Sharon Villanueva-Alvaro ^[4] ; Jhonny Jesús Lava-Gálvez ^[1]
  1. [1] Universidad Nacional Mayor de San Marcos

     Universidad Nacional Mayor de San Marcos

     Perú

     
  2. [2] Universidad Nacional de San Cristóbal de Huamanga

     Universidad Nacional de San Cristóbal de Huamanga

     Ayacucho, Perú

     
  3. [3] Universidad Nacional de Educación Enrique Guzmán y Valle

     Universidad Nacional de Educación Enrique Guzmán y Valle

     Perú

     
  4. [4] Universidad Nacional del Altiplano de Puno
  5. [5] Universidad Nacional de la Amazonía Peruana

  Mostrar afiliaciones +
• Localización: Retos: nuevas tendencias en educación física, deporte y recreación, ISSN-e 1988-2041, ISSN 1579-1726, Nº. 68, 2025, págs. 318-330
• Idioma: español
• Títulos paralelos:
  • Main variables predicting motor skills: analysis with classification trees
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 3 Citas
• Resumen
  • español

    Introducción: La competencia motora es una variable que marca la vida del ser humano. Por tal razón, realizar estudios de predicción que expliquen el comportamiento de esta es trascendental. Objetivo: El propósito del estudio fue explorar las principales variables que predicen la competencia motora según el análisis con árboles de clasificación. Método: Participaron 291 niños peruanos de 6 a 10 años (M=8.35; DE=1.29), a quienes se les aplicó el test de desarrollo motor grueso; una prueba de matemática y lectura; un cuestionario sociodemográfico; y se les realizó las mediciones de masa corporal y estatura. Resultados: Los resultados de predicción presentaron un modelo inicial con 22 nodos termina-les con el 65.52 % de precisión, y un modelo optimizado con 10 nodos terminales con el 68.34 % de precisión. Discusión: Este es el primer estudio que aplica el aprendizaje automático mediante el modelo árbol de clasificación en base a la metodología CRISP-DM para explorar las principales variables que predicen la competencia motora en niños de 6 a 10 años. Conclusiones: Este estudio confirma que el aprendizaje automático mediante el modelo árbol de clasificación en base a la metodología CRISP-DM puede predecir la competencia motora en niños de 6 a 10 años con una precisión de 68.34 %, siendo las horas de práctica de actividad física al día la variable más importante, además de las horas de uso de dispositivos con pantalla al día y la masa corporal de siete variables.

  • English

    Introduction:Motor skills is a variable that marks the life of the human being. For this reason, predictive studies that explain the behavior of this variable are transcendental. Objective:The purpose of this study was to explore the main variables that predict motor skills according to classification tree analysis. Methods:A total of 291 Peruvian children aged 6 to 10 years (M=8.35; SD=1.29) participated in the study. They underwent a gross motor development test; a mathematics and reading test; a sociodemographic questionnaire; and body mass and height measurements. Results:The prediction results showed an initial model with 22 terminal nodes with 65.52% accuracy, and an optimized model with 10 terminal nodes with 68.34% accuracy. Discussion:This is the first study that applies machine learning by means of the classification tree model based on the CRISP-DM methodology to explore the main variables that predict mo-tor skills in children aged 6 to 10 years.Conclusions:This study confirms that machine learning using classification tree modeling based on CRISP-DM methodology can predict motor skills in children aged 6 to 10 years with an accuracy of 68.34 %, with hours of physical activity practice per day being the mostim-portant variable, in addition to hours of screen device use per day and body mass of seven var-iables.