México
La educación desempeña un papel fundamental en la sociedad, por lo tanto, es esencial disponer de un sistema educativo sólido. El rendimiento académico se considera un indicador para medir lacalidad de un sistema educativo. En este sentido, las pruebas estandarizadas, como PLANEA en México, brindan la oportunidad de obtener información sobre el logro académico en áreasfundamentales, tales como Lenguaje y Comunicación. El presente estudio se centra en el análisis del rendimiento académico en Lenguaje y Comunicación de estudiantes de Educación Media Superior, pospandemia COVID-19, en Chihuahua, aplicando un enfoque basado en la inteligencia computacional. Se empleó un modelo de aprendizaje no supervisado basado en K-means, algoritmo que modela un conjunto de variables de entrada y asigna elementos (vectores de datos) con características similares a determinados clústeres. El método de solución se dividió en cuatro etapas: adquisición de datos, análisis exploratorio de datos, selección de variables y aplicación de algoritmos.En consecuencia, se halló una segmentación diferenciada en el período evaluado (2022). Durante esta segmentación, se identificaron características para cada uno de los logros académicos alcanzados: deficiente, elemental, satisfactorio y sobresaliente.
The education plays a fundamental role in the society; therefore, it is important to have a solid educational system. Academic achievement is considered an indicator to measure the quality of aneducational system. In this sense, standardized test, such as PLANEA in Mexico, provides the opportunity to obtain information about the academic achievement in fundamental areas, such asLanguage and Communication. The present study focuses on the analysis of academic achievement in Language and Communication of Higher-middle Education students, post COVID-19 pandemic, in Chihuahua, applying an approach based on computational intelligence. An unsupervised learning model based on K-means was used, an algorithm that models a set of input variables and assigns elements (data vectors) with similar characteristics to certain clusters. The solution method was divided into four stages: data acquisition, exploratory data analysis, variable selection, and application of algorithms. Consequently, a differentiated segmentation was found in the evaluated period (2022). From this segmentation, characteristics were identified for each of the academic achievements: deficient, elementary, satisfactory, and outstanding.
© 2001-2026 Fundación Dialnet · Todos los derechos reservados