Predicción del rendimiento académico en estudiantes de la Escuela Profesional de Estadística utilizando minería de datos, año 2010 – 2018

Abstract

Los centros de estudios superiores tienen que enfrentar diferentes retos y uno de los cuales es el mejoramiento de sus calificaciones que conlleven a tener un buen rendimiento académico, antes del año 2000 el sistema de inscripción que realizaban los estudiantes era lento y con muchas dificultades para la elección de que cursos se debería escoger, en algunas situaciones consistía inscribirse básicamente teniendo en cuenta el reglamento interno de la universidad observando su promedio ponderado, el avance tecnológico en nuestros tiempos ha facilitado este sistema de inscripción; pero no ha desplazo la decisión final del estudiante en la inscripción o no de sus cursos sin tener algún tipo de asesoramiento o tener alternativas de decisión sea humana o tecnológica, el presente trabajo se centró en la construcción de modelos que ayuden al estudiante a escoger los cursos que tienen mayor probabilidad de salir con notas satisfactorias en el transcurso de su carrera utilizando con ayuda de métodos estadísticos y de minería de datos. El objetivo principal de estudio fue utilizar minería de datos para predecir el rendimiento académico en estudiantes de estadística de la Universidad Nacional de Piura 2010-2018, para ello se realizó una selección de las variables de estudio, teniendo en cuenta la experiencia del autor de la catedra universitaria y luego confrontándolo con trabajos publicados relacionados con el tema. Se usó la base de datos de los alumnos de una especialidad (depurada) teniendo en cuenta su malla curricular, analizándose para la aplicación de las técnicas de predicción 07 cursos, utilizado los datos de los periodos académicos del 2010 a 2018. La aplicación de las técnicas de redes neuronales para la predicción de la aprobación o no del promedio ponderado arrojan porcentajes de aciertos similares, de 91,3 % y 100 % respectivamente considerándose que la utilización de la regresión lineal múltiple es más eficaz, teniendo en cuenta la predicción de la aprobación o no de un curso una red neuronal artificial (RNA) tiene un porcentaje de acierto del 97,9 % y 98,1 % respectivamente considerándose esta técnica más adecuada que la regresión lineal múltiple, teniendo en cuenta para la comparación el cuadrado medio del error (CME) cuyos resultados fueron para la predicción del promedio ponderado en la RNA de 7,559 y de ,761 en la técnica de regresión lineal múltiple; demostrando que es más efectivo el modelo de regresión lineal múltiple. La utilización de Excel y IBM SPSS v.27 ayudo al análisis para la predicción de los dos diferentes modelos plateados en el estudio.