Red Neuronal Profunda RNP Aplicada al Análisis de Deserción Estudiantil de la UPTC-Colombia

• Suarez Baron, Marco Javier ^[1] ; Gonzalez Sanabria, Juan Sebastian ^[1] ; Espindola Diaz, Jorge Enrique ^[1]
  1. [1] Universidad Pedagógica y Tecnológica de Colombia

     Universidad Pedagógica y Tecnológica de Colombia

     Colombia

     
• Localización: Investigación e Innovación en Ingenierías, ISSN-e 2344-8652, Vol. 10, Nº. 1, 2022 (Ejemplar dedicado a: Enero-Junio), págs. 202-214
• Idioma: español
• Títulos paralelos:
  • Deep Neural Network DNN Applied to the Analysis of Student Dropout
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Objetivo: Presentar el diseño de una red neuronal profunda (DNN) enfocada a predecir patrones de deserción estudiantil en la Universidad UPTC de Colombia. Metodología: Aplicamos algoritmos especializados de inteligencia artificial (IA) para la implementación de la DNN específicamente utilizando una máquina de aprendizaje para tareas de clasificación y agrupación. Adicionalmente, se estructuró un dataset que contiene 17 atributos de 3000 estudiantes académicamente activos; el conjunto de datos ha sido preparado para ser entrenado como una entrada a la red neuronal. Resultados: En la investigación se analiza un modelo predictivo entrenado a través de la DNN validado por varias métricas de calidad que demuestran la confiabilidad y precisión de los resultados logrados a través del modelo. Conclusiones: Hemos centrado nuestro estudio en la aplicación de la arquitectura de redes neuronales para abordar este problema de abandono. Nuestro modelo logra no solo una alta precisión, sino también una baja tasa de falsos negativos mientras predice abandonos en el conjunto de datos recopilados.

  • English

    This paper reports the design of a deep neural network (DNN) focused to predict patterns of student dropout at the UPTC University of Colombia. We apply specialized artificial intelligence (AI) algorithms for the implementation of the DNN specifically were using a learning machine for classification and clustering task. Additionally, a dataset containing 17 attributes of 3000 academically active students was structured; the data set has been prepared to be trained as an entry to the neural network. The final result of the research reveals a predictive model trained through the DNN validated by several quality metrics that demonstrate reliability and accuracy of the results accomplished through the model.