Derechos de autor 2022 Investigación e Innovación en Ingenierías
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Modelo Estadístico para determinar los factores académicos en los resultados de las pruebas Saber Pro
Corresponding Author(s) : Alberto Fabio Narváez Zúñiga
Investigación e Innovación en Ingenierías,
Vol. 11 Núm. 1 (2023): Enero-Junio
Resumen
Objetivo: Diseñar un modelo estadístico que determine los factores académicos sobre resultados de las Pruebas Saber Pro. Metodología: El estudio de técnicas de relaciones multivariables y de aprendizaje fueron empleadas para establecer un mecanismo de relación entre un conjunto de variables académicas y sociodemográficas y su influencia con el resultado de la prueba Saber Pro, a través de un diseño y selección de un modelo estadístico multivariable que determine en forma óptima los factores académicos que inciden en los resultados de las pruebas Saber Pro. Resultados: Se apreció que no existen diferencias significativas entre los modelos y la realidad reflejada en la muestra de la validación a excepción de la prueba PCME que el modelo de Random Forest no prueba hipótesis de validación. Se identificó que el modelo de regresión lineal multivariante no muestra diferencias significativas en ninguna de las pruebas, al contrario del modelo Random Forest si muestra diferencias para ciertos valores de α en ING y FPI además de rechazar hipótesis de igualdad para la prueba PCME. Conclusiones: Cualquiera de las técnicas utilizadas en el estudio puede ayudar a realizar un modelo predictivo que sea capaz de permitir a la institución generar estrategias para lograr crear políticas orientadas a mejorar el rendimiento de los estudiantes. Sin embargo, la técnica de regresión lineal multivariante de acuerdo a las pruebas de hipótesis es la mejor posicionada en este estudio.
Palabras clave
Descargar cita
Endnote/Zotero/Mendeley (RIS)BibTeX
- Consejo Nacional de Acreditación (CNA). Lineamientos y aspectos por evaluar para la acreditación en alta calidad de programas académicos.[en línea].2017. Disponible en https://www.cna.gov.co/1779/articles-404750_norma.pdf.
- J. Ruby y K. David, K. An Analysis on Academic Performance of Students using a Hybrid Model for Higher Education.(2017,Jun) International Journal of Engineering and Technology [en línea]. (9)3. Disponible en https://www.enggjournals.com/ijet/docs/IJET17-09-03-146.pdf
- N Nghe, P. Janecek y P. Haddawy. “A comparative analysis of techniques for predicting academic performance,” 37th Annual Frontiers in Education Conference Global Engineering: Knowledge without Borders, Opportunities without passports, 2017. DOI 10.1109/FIE.2007.4417993
- R. Asif, A. Merceron, S. Ali, y N. Haider. “Analyzing undergraduate students performance using educational data mining” Computers & Education, vol 113, No 5, pp 177-194, 2017. DOI:10.1016/j. compedu.2017.05.007.
- A. Shahiri, W. Husain, y R. Abdul. “A review on predicting student's performance using data mining techniques”, Procedia Computer Science, vol 72, pp 414-422, 2015. DOI:10.1016/j.procs.2015.12.157 , 2015.
- M Goga, S. Kuyoro, y N. Goga. “A recommender for improving the student academic performance”. Procia
- - Social and behavioral Sciences, Vol 180 No 5, pp 1481 – 1488, 2017 DOI:10.1016/j.sbspro.2015.02.296.
- S. Anil, A. Kurian, s. Dey, S. Saha, y A. Sinha, A. “Genealogy Tree: Understanding Academic Lineage of Authors via Algorithmic and Visual Analysis”. Journal of Scientometric Research, Vol 7, 120 – 124, 2018. DOI: 10.5530/jscires.7.2.18,
- C. Beaulac y J. Rosenthal. “Predicting University Students Academic Success and Major using random forests”. Research in Higher Education, Vol 60, No 7, pp1048 – 1064, 2019.DOI:10.1007/s11162-019-09546-y
- L. Breiman, J.H. Friedman, R.A. Olshen y C.S. Stone,”Classification and regression trees”, 2017. DOI=10.1201%2f9781315139470&partnerID=40&md5=
- S. Alturki, N. Alturki, y N. Stuckenschmidt, “Using Educational Data Mining To Predict Students Academic Performance For Applying Early Interventions”, Journal of Information Technology Education: Innovations in Practice, Vol 20, pp. 121-137, 2021. DOI 10.28945/4835.
- E.I. Al-Fairouz, M.A. Al-Hagery, “Students performance: From detection of failures and anomaly cases to the solutions-based mining algorithms Allergy”, Asthma and Immunology Research, Vol 13, No 10, pp. 2895-2908, 2020.
- R. Montero, Modelos de regresión lineal múltiple. Documentos de Trabajo en Economía Aplicada. 2016. Disponible en https://www.urg.es/montero/matematicas/regresion_lineal.pdf.
- S. Hussain, S. Gaftandzhieva, D. Maniruzzaman, y Z. Muhsin, “Regression analysis of student academic performance using deep learning”, Education and Information technologies, vol 26 No 01, 2020. DOI:10.1007/s10639-020-10241-0, 2020.
- P. Strecht, J. Mendes-Moreira, C. Soares, Merging decision trees: A case study in predicting student performance Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 8933, pp. 535-548, 2014. DOI: 10.1007/978-3-319-14717-8_42,.
- A.B. Urbina-Nájera, A. Téllez-Velázquez y R.C. Barbosa. (2021, Marz), Patterns to Identify Dropout University Students with Educational Data Mining. Revista Electrónica de Investigación Educativa [en línea] (23)29. Disponible en https://www.scopus.com/inward/record.uri?eid=2-s2.0-85123517169&doi =10.24320%2fREDIE.2021.23.E29.3918&partnerID=40
- ICFES. (2019). Instituto Colombiano para la Evaluación de la Educación. Obtenido de https://www. icfes.gov.co/es/web/guest/quien-somos-icfes
- I. Malá, V. Sládek, y D. Bílková, “Power comparisons of normality tests based on l-moments and classical tests”. Mathematics and Statistics, Vol 9, No 6, pp. 994-1003, 2021. DOI: 10.13189/ms.2021.090615
- “R-Studio Team”, 2021.[en línea] Disponible en www.rstudio.com
- Turcios, R.A.S. Student’s t (2015,ene-Marz) Uses and abuses. Revista Mexicana de Cardiología [en línea] vol 26, No 1, pp. 59-61. Disponible en https://www.scopus.com/inward/record.uri?eid=2-s2.0-84927605287&partnerID=40&md5=aff76bf6cf125f6507040c313868930c
- [J.G. Lugo-Armenta y L.R., Pino-Fan (2021) Inferential Reasoning Levels for t-Student Statistical. Bolema - Mathematics Education Bulletin [en linea] Vol 35 No 71, pp. 1776-1802, DOI: 10.1590/1980-4415V35N71A25.
Referencias
Consejo Nacional de Acreditación (CNA). Lineamientos y aspectos por evaluar para la acreditación en alta calidad de programas académicos.[en línea].2017. Disponible en https://www.cna.gov.co/1779/articles-404750_norma.pdf.
J. Ruby y K. David, K. An Analysis on Academic Performance of Students using a Hybrid Model for Higher Education.(2017,Jun) International Journal of Engineering and Technology [en línea]. (9)3. Disponible en https://www.enggjournals.com/ijet/docs/IJET17-09-03-146.pdf
N Nghe, P. Janecek y P. Haddawy. “A comparative analysis of techniques for predicting academic performance,” 37th Annual Frontiers in Education Conference Global Engineering: Knowledge without Borders, Opportunities without passports, 2017. DOI 10.1109/FIE.2007.4417993
R. Asif, A. Merceron, S. Ali, y N. Haider. “Analyzing undergraduate students performance using educational data mining” Computers & Education, vol 113, No 5, pp 177-194, 2017. DOI:10.1016/j. compedu.2017.05.007.
A. Shahiri, W. Husain, y R. Abdul. “A review on predicting student's performance using data mining techniques”, Procedia Computer Science, vol 72, pp 414-422, 2015. DOI:10.1016/j.procs.2015.12.157 , 2015.
M Goga, S. Kuyoro, y N. Goga. “A recommender for improving the student academic performance”. Procia
- Social and behavioral Sciences, Vol 180 No 5, pp 1481 – 1488, 2017 DOI:10.1016/j.sbspro.2015.02.296.
S. Anil, A. Kurian, s. Dey, S. Saha, y A. Sinha, A. “Genealogy Tree: Understanding Academic Lineage of Authors via Algorithmic and Visual Analysis”. Journal of Scientometric Research, Vol 7, 120 – 124, 2018. DOI: 10.5530/jscires.7.2.18,
C. Beaulac y J. Rosenthal. “Predicting University Students Academic Success and Major using random forests”. Research in Higher Education, Vol 60, No 7, pp1048 – 1064, 2019.DOI:10.1007/s11162-019-09546-y
L. Breiman, J.H. Friedman, R.A. Olshen y C.S. Stone,”Classification and regression trees”, 2017. DOI=10.1201%2f9781315139470&partnerID=40&md5=
S. Alturki, N. Alturki, y N. Stuckenschmidt, “Using Educational Data Mining To Predict Students Academic Performance For Applying Early Interventions”, Journal of Information Technology Education: Innovations in Practice, Vol 20, pp. 121-137, 2021. DOI 10.28945/4835.
E.I. Al-Fairouz, M.A. Al-Hagery, “Students performance: From detection of failures and anomaly cases to the solutions-based mining algorithms Allergy”, Asthma and Immunology Research, Vol 13, No 10, pp. 2895-2908, 2020.
R. Montero, Modelos de regresión lineal múltiple. Documentos de Trabajo en Economía Aplicada. 2016. Disponible en https://www.urg.es/montero/matematicas/regresion_lineal.pdf.
S. Hussain, S. Gaftandzhieva, D. Maniruzzaman, y Z. Muhsin, “Regression analysis of student academic performance using deep learning”, Education and Information technologies, vol 26 No 01, 2020. DOI:10.1007/s10639-020-10241-0, 2020.
P. Strecht, J. Mendes-Moreira, C. Soares, Merging decision trees: A case study in predicting student performance Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 8933, pp. 535-548, 2014. DOI: 10.1007/978-3-319-14717-8_42,.
A.B. Urbina-Nájera, A. Téllez-Velázquez y R.C. Barbosa. (2021, Marz), Patterns to Identify Dropout University Students with Educational Data Mining. Revista Electrónica de Investigación Educativa [en línea] (23)29. Disponible en https://www.scopus.com/inward/record.uri?eid=2-s2.0-85123517169&doi =10.24320%2fREDIE.2021.23.E29.3918&partnerID=40
ICFES. (2019). Instituto Colombiano para la Evaluación de la Educación. Obtenido de https://www. icfes.gov.co/es/web/guest/quien-somos-icfes
I. Malá, V. Sládek, y D. Bílková, “Power comparisons of normality tests based on l-moments and classical tests”. Mathematics and Statistics, Vol 9, No 6, pp. 994-1003, 2021. DOI: 10.13189/ms.2021.090615
“R-Studio Team”, 2021.[en línea] Disponible en www.rstudio.com
Turcios, R.A.S. Student’s t (2015,ene-Marz) Uses and abuses. Revista Mexicana de Cardiología [en línea] vol 26, No 1, pp. 59-61. Disponible en https://www.scopus.com/inward/record.uri?eid=2-s2.0-84927605287&partnerID=40&md5=aff76bf6cf125f6507040c313868930c
[J.G. Lugo-Armenta y L.R., Pino-Fan (2021) Inferential Reasoning Levels for t-Student Statistical. Bolema - Mathematics Education Bulletin [en linea] Vol 35 No 71, pp. 1776-1802, DOI: 10.1590/1980-4415V35N71A25.