Teresa Mirian Santamaria lopez, Darwin Patiño Pérez, Vicente González Ruiz, Leyla Flores Carvajal
Este trabajo se describe la implementación de las técnicas de machine learning (ML): Random Forest, Xtreme Boosting Gradient, Suport Vector Machine, K-Nearest-Neighbor y Logistic Regression, así como la creación de una red neuronal artificial (ANN), que fueron comparadas para determinar la técnica que puede aprender a predecir con mayor exactitud, el bajo rendimiento académico de estudiantes universitarios, para mejorar los mecanismos de e-learning y streaming que les ayude a elevar el rendimiento académico. La metodología e-learning fue instaurada por primera vez a finales de los noventa, sin embargo, a partir de la pandemia del Covid-19, se estableció como la mejor alternativa a la educación tradicional ubicándola como un referente a nivel mundial. Una de las preocupaciones en el ambiente universitario donde se realizó este estudio, es poder determinar el impacto que ha tenido la enseñanza virtual en comparación con la enseñanza presencial, ya que existen factores (género, número de hijos, sexo, edad, modalidad de estudio) que podrían influir en el rendimiento académico de los estudiantes. Mediante el uso de las métricas de clasificación dentro del proceso comparativo, se determinó que entre las técnicas de ML implementadas el XGBoost alcanzó el 78.4% de exactitud, pero fue superado por la red neuronal artificial(ANN) que aprendió a predecir con el 82.4% de exactitud. Por lo expuesto, se recomienda el uso de la red neuronal artificial para la predicción del rendimiento académico de los estudiantes universitarios ya que además con ella se pueden realizar predicciones masivas por su alta capacidad de procesamiento.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados