Diseño e implementación de un modelo de red neuronal artificial para la predicción del rendimiento académico utilizando información no personal

Abstract

La presente investigación se basa en la investigación realizada por los autores, denominada “Artificial neural network model to predict student performance using nonpersonal information” [1] que constó de lo siguiente:

Análisis y propósito de la investigación: El bajo rendimiento académico es uno de los principales problemas que enfrenta la educación superior, y es difícil combatirlo ya que es influenciado por diferentes factores. En el Perú, la pandemia del COVID-19 forzó a los estudiantes migrar a entornos virtuales de aprendizaje. Esto introdujo la necesidad de que estudiantes y profesores se adaptaran a un entorno de aprendizaje virtual. Esta investigación propone desarrollar un sistema que pueda predecir el rendimiento académico en base a la interacción de los alumnos con la plataforma virtual de aprendizaje sin usar información personal.

Diseño y Metodología: Para el diseño del sistema predictor es necesario obtener y procesar una base de datos que tengas toda esta información, luego de obtenida, se realiza una limpieza, selección previa de variables, transformación, extracción, combinación, manipulación, etc. para generar las variables deseadas para el análisis del modelado predictivo, a esto también se le conoce como Feature engineering. Luego de tener los datos listos se realiza la implementación y optimización de distintos modelos de Aprendizaje Automático y Redes Neuronales Profundas, para luego ser comparadas y seleccionar al que logre el mejor desempeño.

Resultados: El algoritmo escogido es una Red Neuronal Artificial, al realizar la prueba de validación de un total de 291 estudiantes que aprobaban un curso, 274 se predijeron correctamente, y de un total de 210 estudiantes que desaprobaron, 196 se predijeron correctamente. Las métricas que obtuvo el modelo fueron las siguientes: 93.81% accuracy, 94.15% precision, 95.13% recall, y 94.64% F1-score.

Principal conclusión: La predicción del rendimiento académico de los estudiantes permite a las instituciones identificar mejor a los estudiantes en riesgo y tomar medidas de apoyo, garantizando así que los estudiantes completen con éxito sus ciclos académicos, a su vez, ayudando a las instituciones a ganar más prestigio.

The present research is based on the research conducted by the authors, entitled “Artificial neural network model to predict student performance using nonpersonal information“ [1] which consisted of the following:

Analysis and purpose of the research: Low academic performance is one of the main problems facing higher education, and it is difficult to combat it as it is influenced by different factors. In Peru, the COVID-19 pandemic forced students to migrate to virtual learning environments. This introduced the need for students and teachers to adapt to a virtual learning environment. This research proposes to develop a system that can predict academic performance based on student interaction with the virtual learning platform without using personal information.

Design and Methodology: For the design of the predictive system it is necessary to obtain and process a database that has all this information, after obtaining it, a cleaning, previous selection of variables, transformation, extraction, combination, manipulation, etc. is performed to generate the desired variables for the analysis of the predictive modeling, this is also known as Feature engineering. After having the data ready, the implementation and optimization of different models of Machine Learning and Deep Neural Networks is performed, to then be compared and select the one that achieves the best performance.

Results: The chosen algorithm is an Artificial Neural Network, when performing the validation test of a total of 291 students who passed a course, 274 were correctly predicted, and of a total of 210 students who failed, 196 were correctly predicted. The metrics obtained by the model were as follows: 93.81% accuracy, 94.15% precision, 95.13% recall, and 94.64% F1-score.

Main conclusion: Predicting students' academic performance allows institutions to better identify at-risk students and take supportive measures, thus ensuring that students successfully complete their academic cycles, in turn, helping institutions gain more prestige.