Buscar en Google Scholar
Registro completo de metadatos
Gamarra Moreno, Abraham Esteban
Arana Caparachin, Maglioni
2024-02-09T13:42:32Z
2024-02-09T13:42:32Z
2024-02-09T13:42:32Z
2024-02-09T13:42:32Z
2021
APA (es_PE)
http://hdl.handle.net/20.500.12894/10359
El éxito académico ha sido objeto de estudio durante varios años. Los estudiantes universitarios son vulnerables a presentar problemas que afectan su formación académica, llegando en algunos casos hasta la deserción. La presente investigación analizó el éxito académico de los ingresantes a la UNCP tomando aspectos de la trayectoria escolar, nivel sociodemográfico, las competencias académicas y logros extracurriculares. La metodología seleccionada fue el método deductivo-inductivo, tipo aplicada, nivel explicativo-predictivo, diseño no experimental longitudinal de estudio cohorte; la población elegida fueron los 11466 ingresantes en los periodos académicos 2020-I, 2020-II, 2021-I y 2021-II. La predicción fue realizada mediante tres algoritmos de machine learning: regresión lineal, árbol de decisiones y clasificación; donde el resultado fue 95.44% de predicción con el modelo de clasificación. Los indicadores tomados en cuenta para el modelo incluyeron la nota de ingreso, todas las modalidades de ingreso, la preparación académica, edad del ingresante, participaciones deportivas y artísticas al ingresar a la universidad, los créditos aprobados y el promedio obtenido al finalizar el primer semestre académico. Usando herramientas de machine learning fue posible predecir el éxito académico de los ingresantes de la UNCP, permitiendo detectar a los estudiantes que podrían enfrentar problemas en sus estudios universitarios. (es_PE)
application/pdf (es_PE)
spa (es_PE)
Universidad Nacional del Centro del Perú (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
https://creativecommons.org/licenses/by/4.0/ (es_PE)
Éxito académico, proceso de admisión, modelo predictivo, machine learning, microsoft azure. (es_PE)
Modelo de predicción del éxito académico de los procesos de admisión con criterios múltiples empleando herramientas de machine learning (es_PE)
info:eu-repo/semantics/doctoralThesis (es_PE)
Universidad Nacional del Centro del Perú. Facultad de Ingeniería de Sistemas (es_PE)
Facultad de Ingeniería de Sistemas (es_PE)
Doctor en Ingeniería de Sistemas (es_PE)
PE (es_PE)
https://purl.org/pe-repo/ocde/ford#2.02.04 (es_PE)
http://purl.org/pe-repo/renati/level#doctor (es_PE)
19919722
https://orcid.org/0000-0002-3953-8014 (es_PE)
20038141
612018 (es_PE)
Huamán Samaniego, Hector
Cerrón Perez, Jose Luis
Gamarra Moreno, Abraham Esteban
http://purl.org/pe-repo/renati/type#tesis (es_PE)
Pública



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons