Derechos de autor 2020 Investigación e Innovación en Ingenierías
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Factores asociados al desempeño académico en Lectura Crítica en las pruebas Saber 11° con árboles de decisión
Corresponding Author(s) : Ricardo Timarán Pereira
Investigación e Innovación en Ingenierías,
Vol. 8 Núm. 3 (2020): Numero especial - XV Jornadas iberoamericanas de Ingeniería de Software e Ingeniería del Conocimiento - JIISIC 2020
Resumen
Objetivo: Descubrir patrones relacionados con el desempeño en la prueba de Lectura Crítica del examen Saber 11o, de los estudiantes de grado once de bachillerato que presentaron este examen en los años 2015 y 2016, utilizando la técnica de árboles de decisión. Metodología: Se utilizó CRISP-DM como metodología. A partir de los datos disponibles en el servicio ftp del ICFES sobre las pruebas Saber 11º, se construyó un conjunto de datos, el cual fue preprocesado y transformado. Se seleccionó como atributo clase, el resultado obtenido por los estudiantes en la prueba de lectura crítica. Se obtuvo un modelo de clasificación basado en árboles de decisión, utilizando la herramienta de minería de datos Weka. Resultados: Entre los factores relacionados con el rendimiento en Lectura Crítica y que son parte integrante de los patrones descubiertos están: la edad, el estrato, la jornada de estudios y las condiciones TICs del estudiante. Conclusiones: Un buen desempeño académico en la prueba de lectura crítica está asociado a estudiantes de estratos socioeconómicos altos, a estudiantes que asisten a colegios con jornada completa o única, así como también a estudiantes con condiciones TIC buenas. Esto significa que, para mejorar la calidad de la educación básica y media en Colombia, es necesario que el gobierno nacional, a través del MEN implemente la jornada única en la mayoría de los colegios públicos, con una dotación necesaria que permita que los estudiantes de los estratos bajos encuentren mejores condiciones de estudio que los estratos altos y de esta manera se disminuya la brecha social que existe actualmente.
Palabras clave
Descargar cita
Endnote/Zotero/Mendeley (RIS)BibTeX
-
[1] Icfes, “Guía de orientación Saber 11º”, Bogotá, Colombia: Publicación del Instituto Colombiano para la Evaluación de la Educación (icfes), 2019.
[2] Icfes, “Lineamientos generales para la presentación del examen de Estado Saber 11°”, Bogotá, Colombia: Publicación del Instituto Colombiano para la Evaluación de la Educación, 2018.ISBN: 978-958-11-0680-6.
[3] MEN, “Estándares Básicos de Competencias en Lenguaje, Matemáticas, Ciencias y Ciudadanas: Guía sobre lo que los estudiantes deben saber y saber hacer con lo que aprenden”, Bogotá, Colombia: Ministerio de Educación Nacional, 2006. ISBN: 958-691-290-6.
[4] F. Rodríguez, H. Benavides and A. Riascos. Predicción del desempeño académico usando técnicas de aprendizaje de máquinas. 2019. Disponible en: https://www.icfes.gov.co/documents/20143/234129/Prediccion+desempeno+academico+usando+un+enfoque+de+mineria+de+datos.pdf/0e5d0f1d-20ac-dffc-f3f1-88ccfde6b0bc.
[5] A. Gaviria and J. Barrientos, Calidad de la educación y rendimiento académico en Bogotá, Revista Coyuntura Social, núm. 24, jun, 2001. ISSN: 0121-2532.
[6] J. Barrientos, Calidad de la educación pública y logro académico en Medellín 2004-2006: Una aproximación por regresión intercuartil. Revista Lecturas de Economía, núm. 68, pp. 121-144, ene-jun,2008. https://doi.org/10.17533/udea.le.n68.
[7] J.J. Correa, Determinantes del Rendimiento Educativo de los Estudiantes de Secundaria en Cali: un análisis multinivel, Revista Sociedad y Economía, núm. 6. pp. 81-105, abr,2004. ISSN: 1657-6357.
[8] S. Chica, D. Galvis and A. Ramírez,. Determinantes del rendimiento académico en Colombia: pruebas ICFES Saber 11º. Revista Universidad EAFIT, vol. 46, núm. 160, 2010. ISSN: 0120-341X.
[9] J. Gómez, Análisis de las competencias en matemáticas y lenguaje de los bachilleres colombianos. Trabajo de grado, Facultad de Ciencias Administrativas y Económicas Economía y Negocios Internacionales. Universidad ICESI. Cali, Colombia, 2014. https://repository.icesi.edu.co/biblioteca_digital/bitstream/10906/77946/1/gomez_analisis_competencias_2014.pdf.
[10] O. Hernández, Determinantes del Rendimiento Académico en la Educación Media de Cundinamarca. Trabajo de grado, Facultad de Economía, Escuela Colombiana de Ingeniería Julio Garavito. Bogotá D.C., Colombia, 2015. http://repositorio.escuelaing.edu.co/handle/001/349.
[11]S.R. Timarán, I. Hernández, S.J. Caicedo, A. Hidalgo and J.C. Alvarado, Descubrimiento de patrones de desempeño académico con árboles de decisión en las competencias genéricas de la formación profesional. Bogotá, Colombia: Ediciones Universidad Cooperativa de Colombia, 2016. https://dx.doi.org/10.16925/9789587600490.
[12] C. Pérez, & D. Santín. Data Mining: Soluciones con Enterprise Miner. México: Editorial Alfaomega, 2007. ISBN:84-7897-695-7.
[13] Chapman, P., Clinton, J., Kerber, R, Khabaza, T., Reinartz, T.,Shearer, C.and Wirth, R.(2000). CRISP-DM 1.0: Step-by-step data mining guide [en línea]. Disponible en: https://www.kde.cs.uni-kassel.de/wp-content/uploads/lehre/ws2012-13/kdd/files/CRISPWP-0800.pdf
[14] Villena J. CRISP-DM: La metodología para poner orden en los proyectos de Data Science. (2016). Disponible en: https://data.sngular.team/es/art/25/crisp-dm-la-metodologia-para-poner-orden-en-los-proyectos-de-data-science.
[16] A. Azevedo and M. Santos, “KDD, SEMMA and CRISP-DM: a parallel overview”, presentado en IADIS European Conference on Data Mining, Amsterdam, Netherlands. pp. 182-185, 2008. ISBN: 978-972-8924-63-8.
[17] J. Hernández, M. Ramírez and C. Ferri, Introducción a la Minería de Datos. Madrid, España: Editorial Pearson Educación SA, 2005. http://dspace.ucbscz.edu.bo/dspace/handle/123456789/526.
[18] J. Han and M. Kamber, Data Mining: Concepts and Techniques. San Francisco, USA: Morgan Kaufmann Publishers; 2001. 550 p.
[19] K. Sattler and O. Dunemann, “SQL Database Primitives for Decision Tree Classifiers”, presentado en la 10th ACM International Conference on Information and Knowledge Management. Atlanta, USA: ACM New York. p. 379-86, 2001.
[20] S.R. Timarán, I. Hernández, S.J. Caicedo, A. Hidalgo and J.C. Alvarado, Descubrimiento de patrones de desempeño académico con árboles de decisión en las competencias genéricas de la formación profesional. Bogotá, Colombia: Ediciones Universidad Cooperativa de Colombia, 2016. https://dx.doi.org/10.16925/9789587600490.
[21] I. Witten, I., E. Frank and M. Hall, Data Mining: Practical Machine Learning Tools and Techniques (Third Edition). New York,USA:Morgan Kaufmann, 2011. ISBN:978-0-12-374856-0. https://doi.org/10.1016/C2009-0-19715-5.
.[22] J.R. Quinlan, J.R. (1993). C 4. 5: Programs for Machine Learning. San Francisco, USA: Morgan Kaufmann Publishers. 299 p., 1993. ISBN: 1-55860-238-0.
[23] M.García and A. Álvarez, Análisis de Datos en WEKA:Pruebas de Selectividad. 2010. http://www.it.uc3m.es/jvillena/irc/practicas/06-07/28.pdf.
[24] G. Fernández, Extracción de Información de la Web usando Técnicas de Minería de Datos, 2009. http://www.tdg-seville.info/Download.ashx?id=48
[25] R. Timarán., R., J. Caicedo and A. Hidalgo, A. (2019). Árboles de decisión para predecir factores asociados al desempeño académico de estudiantes de bachillerato en las pruebas saber 11°. Revista de Investigación, Desarrollo e Innovación, 9 (2), pp. 363-378, ene-jun,2019. https://doi.org/10.19053/20278306.v9.n2.2019.9184.
[26] G.M. Garbanzo, Factores asociados al rendimiento académico en estudiantes universitarios, una reflexión desde calidad de la educación superior pública. Revista Educación, vol. 31(1), pp. 43-63, 2007. ISSN: 0379-7082.
[27] J. Seibold, La calidad integral en educación. Reflexiones sobre un nuevo concepto de calidad educativa que integre valores y equidad educativa. Revista Iberoamericana de Educación, vol. 23, may,2000. https://doi.org/10.35362/rie2301012.
[28] E. Montero, J. Villalobos and A. Valverde, Factores institucionales, pedagógicos, psicosociales y sociodemográficos asociados al rendimiento académico en la Universidad de Costa Rica: un análisis multinivel, Revista RELIEVE, vol. 3(2), pp. 215-234, 2007. www.uv.es/RELIEVE/v13n2/RELIEVEv13n2_5.htm.
[29] J. Tejedor. Poder explicativo de algunos determinantes del rendimiento en los estudios universitarios. Revista española de pedagogía, No. 224, pp. 5-32, 2003.
[30] I. Ridao and J. Gil, La jornada escolar y el rendimiento de los alumnos, Revista de Educación, núm 327, pp.141-156, 2002. https://hdl.handle.net/11441/77859.
[31] H.Botello and A. Guerrero, La influencia de las TIC en el desempeño académico de los estudiantes en América Latina: Evidencia de la prueba PISA. Memorias Virtual Educa, Lima, Perú, 2014. http://hdl.handle.net/20.500.12579/4050.
Referencias
[2] Icfes, “Lineamientos generales para la presentación del examen de Estado Saber 11°”, Bogotá, Colombia: Publicación del Instituto Colombiano para la Evaluación de la Educación, 2018.ISBN: 978-958-11-0680-6.
[3] MEN, “Estándares Básicos de Competencias en Lenguaje, Matemáticas, Ciencias y Ciudadanas: Guía sobre lo que los estudiantes deben saber y saber hacer con lo que aprenden”, Bogotá, Colombia: Ministerio de Educación Nacional, 2006. ISBN: 958-691-290-6.
[4] F. Rodríguez, H. Benavides and A. Riascos. Predicción del desempeño académico usando técnicas de aprendizaje de máquinas. 2019. Disponible en: https://www.icfes.gov.co/documents/20143/234129/Prediccion+desempeno+academico+usando+un+enfoque+de+mineria+de+datos.pdf/0e5d0f1d-20ac-dffc-f3f1-88ccfde6b0bc.
[5] A. Gaviria and J. Barrientos, Calidad de la educación y rendimiento académico en Bogotá, Revista Coyuntura Social, núm. 24, jun, 2001. ISSN: 0121-2532.
[6] J. Barrientos, Calidad de la educación pública y logro académico en Medellín 2004-2006: Una aproximación por regresión intercuartil. Revista Lecturas de Economía, núm. 68, pp. 121-144, ene-jun,2008. https://doi.org/10.17533/udea.le.n68.
[7] J.J. Correa, Determinantes del Rendimiento Educativo de los Estudiantes de Secundaria en Cali: un análisis multinivel, Revista Sociedad y Economía, núm. 6. pp. 81-105, abr,2004. ISSN: 1657-6357.
[8] S. Chica, D. Galvis and A. Ramírez,. Determinantes del rendimiento académico en Colombia: pruebas ICFES Saber 11º. Revista Universidad EAFIT, vol. 46, núm. 160, 2010. ISSN: 0120-341X.
[9] J. Gómez, Análisis de las competencias en matemáticas y lenguaje de los bachilleres colombianos. Trabajo de grado, Facultad de Ciencias Administrativas y Económicas Economía y Negocios Internacionales. Universidad ICESI. Cali, Colombia, 2014. https://repository.icesi.edu.co/biblioteca_digital/bitstream/10906/77946/1/gomez_analisis_competencias_2014.pdf.
[10] O. Hernández, Determinantes del Rendimiento Académico en la Educación Media de Cundinamarca. Trabajo de grado, Facultad de Economía, Escuela Colombiana de Ingeniería Julio Garavito. Bogotá D.C., Colombia, 2015. http://repositorio.escuelaing.edu.co/handle/001/349.
[11]S.R. Timarán, I. Hernández, S.J. Caicedo, A. Hidalgo and J.C. Alvarado, Descubrimiento de patrones de desempeño académico con árboles de decisión en las competencias genéricas de la formación profesional. Bogotá, Colombia: Ediciones Universidad Cooperativa de Colombia, 2016. https://dx.doi.org/10.16925/9789587600490.
[12] C. Pérez, & D. Santín. Data Mining: Soluciones con Enterprise Miner. México: Editorial Alfaomega, 2007. ISBN:84-7897-695-7.
[13] Chapman, P., Clinton, J., Kerber, R, Khabaza, T., Reinartz, T.,Shearer, C.and Wirth, R.(2000). CRISP-DM 1.0: Step-by-step data mining guide [en línea]. Disponible en: https://www.kde.cs.uni-kassel.de/wp-content/uploads/lehre/ws2012-13/kdd/files/CRISPWP-0800.pdf
[14] Villena J. CRISP-DM: La metodología para poner orden en los proyectos de Data Science. (2016). Disponible en: https://data.sngular.team/es/art/25/crisp-dm-la-metodologia-para-poner-orden-en-los-proyectos-de-data-science.
[16] A. Azevedo and M. Santos, “KDD, SEMMA and CRISP-DM: a parallel overview”, presentado en IADIS European Conference on Data Mining, Amsterdam, Netherlands. pp. 182-185, 2008. ISBN: 978-972-8924-63-8.
[17] J. Hernández, M. Ramírez and C. Ferri, Introducción a la Minería de Datos. Madrid, España: Editorial Pearson Educación SA, 2005. http://dspace.ucbscz.edu.bo/dspace/handle/123456789/526.
[18] J. Han and M. Kamber, Data Mining: Concepts and Techniques. San Francisco, USA: Morgan Kaufmann Publishers; 2001. 550 p.
[19] K. Sattler and O. Dunemann, “SQL Database Primitives for Decision Tree Classifiers”, presentado en la 10th ACM International Conference on Information and Knowledge Management. Atlanta, USA: ACM New York. p. 379-86, 2001.
[20] S.R. Timarán, I. Hernández, S.J. Caicedo, A. Hidalgo and J.C. Alvarado, Descubrimiento de patrones de desempeño académico con árboles de decisión en las competencias genéricas de la formación profesional. Bogotá, Colombia: Ediciones Universidad Cooperativa de Colombia, 2016. https://dx.doi.org/10.16925/9789587600490.
[21] I. Witten, I., E. Frank and M. Hall, Data Mining: Practical Machine Learning Tools and Techniques (Third Edition). New York,USA:Morgan Kaufmann, 2011. ISBN:978-0-12-374856-0. https://doi.org/10.1016/C2009-0-19715-5.
.[22] J.R. Quinlan, J.R. (1993). C 4. 5: Programs for Machine Learning. San Francisco, USA: Morgan Kaufmann Publishers. 299 p., 1993. ISBN: 1-55860-238-0.
[23] M.García and A. Álvarez, Análisis de Datos en WEKA:Pruebas de Selectividad. 2010. http://www.it.uc3m.es/jvillena/irc/practicas/06-07/28.pdf.
[24] G. Fernández, Extracción de Información de la Web usando Técnicas de Minería de Datos, 2009. http://www.tdg-seville.info/Download.ashx?id=48
[25] R. Timarán., R., J. Caicedo and A. Hidalgo, A. (2019). Árboles de decisión para predecir factores asociados al desempeño académico de estudiantes de bachillerato en las pruebas saber 11°. Revista de Investigación, Desarrollo e Innovación, 9 (2), pp. 363-378, ene-jun,2019. https://doi.org/10.19053/20278306.v9.n2.2019.9184.
[26] G.M. Garbanzo, Factores asociados al rendimiento académico en estudiantes universitarios, una reflexión desde calidad de la educación superior pública. Revista Educación, vol. 31(1), pp. 43-63, 2007. ISSN: 0379-7082.
[27] J. Seibold, La calidad integral en educación. Reflexiones sobre un nuevo concepto de calidad educativa que integre valores y equidad educativa. Revista Iberoamericana de Educación, vol. 23, may,2000. https://doi.org/10.35362/rie2301012.
[28] E. Montero, J. Villalobos and A. Valverde, Factores institucionales, pedagógicos, psicosociales y sociodemográficos asociados al rendimiento académico en la Universidad de Costa Rica: un análisis multinivel, Revista RELIEVE, vol. 3(2), pp. 215-234, 2007. www.uv.es/RELIEVE/v13n2/RELIEVEv13n2_5.htm.
[29] J. Tejedor. Poder explicativo de algunos determinantes del rendimiento en los estudios universitarios. Revista española de pedagogía, No. 224, pp. 5-32, 2003.
[30] I. Ridao and J. Gil, La jornada escolar y el rendimiento de los alumnos, Revista de Educación, núm 327, pp.141-156, 2002. https://hdl.handle.net/11441/77859.
[31] H.Botello and A. Guerrero, La influencia de las TIC en el desempeño académico de los estudiantes en América Latina: Evidencia de la prueba PISA. Memorias Virtual Educa, Lima, Perú, 2014. http://hdl.handle.net/20.500.12579/4050.