Predicción de Estudiantes Universitarios En Riesgo Académico Usando Algoritmos Supervisados

EasyChair Preprint no. 6610

Abstract

El presente trabajo, tuvo como propósito la creación de modelos predictivos usando Algoritmos Supervisados de Clasificación, con el fin de dar a conocer que alumnos llegaran a estar en riesgo académico y poder realizar un seguimiento focalizado.

En este estudio se usó la metodología CRISP-DM para la creación de los modelos predictivos, se aprovecho en su totalidad los datos obtenidos por la propia universidad, donde estos solo contienen calificaciones académicas. Algunos hallazgos importantes obtenidos durante el análisis de los datos fue la importancia del periodo de verano, gracias a este ciclo la cantidad de alumnos en riesgo disminuye significativamente. Además, que la mayoría de alumnos en riesgo se encuentra focalizado entre los cuatro primeros semestres. Se presentan cinco clasificadores, Clasificador Bayesiano, Red Neuronal Artificial, Análisis Cuadrático Discriminante, Maquina de Vectores de Soporte y Regresión Logística. La elección del mejor modelo está basada en dos Medidas de Rendimiento, la Curva ROC y la Sensibilidad, entonces se presentan a los dos mejores modelos de acuerdo a los recursos que posee la institución, el Clasificador Bayesiano cuando se tienen suficientes recursos y la Regresión Logística cuando los recursos son escasos.

Keyphrases: Algoritmos Supervisados, Calificaciones Académicas, Clasificador Bayesiano, Sensibilidad

@Booklet{EasyChair:6610,
  author = {Edson Nicks Lazaro Camasca and Yuri Nuñez Medrano},
  title = {Predicción de Estudiantes Universitarios En Riesgo Académico Usando Algoritmos Supervisados},
  howpublished = {EasyChair Preprint no. 6610},

  year = {EasyChair, 2021}}