Diseño de un modelo de machine learning para predicción de rendimiento académico a partir de la resiliencia

Para prevenir la alta repitencia en materias críticas, las instituciones educativas suelen desarrollar estrategias para apoyar a sus educandos, sin embargo, estas históricamente se desarrollan desde una perspectiva reactiva (no predictiva), por lo que no suelen dar los resultados esperados. De igual forma, dichas instituciones han pretendido identificar a la población que necesita su apoyo a través de metodologías que implican el análisis de información netamente académica, dejando de lado factores de la personalidad, como la resiliencia del estudiante. Para mejorar entonces la forma en que las universidades identifican la población que tendrá un bajo rendimiento se propone un modelo de aprendizaje automático (Machine Learning) de rendimiento académico teniendo en consideración como variable predictora la resiliencia. El diseño del modelo consta de dos grandes etapas: el computo cuantitativo de la resiliencia, y la estimación del modelo predictivo. Para la primera, se estimó una evaluación cuantitativa de la resiliencia haciendo uso de un algoritmo de reglas de decisión, y para la etapa de clasificación se diseñaron tres modelos: “Decision Tree”, “Random Forest”, y “XGBoostrap”. A todos se les evaluaron unas métricas de desempeño, en este caso el Accuracy y el AUC, para poder comparar la capacidad predictiva de las alternativas, y finalmente seleccionar el mejor modelo. Se encontró que el algoritmo de “eXtreme Gradient Boosted trees” (XGBoost) es confiable y con una robusta capacidad de predicción. Por último, los resultados obtenidos muestran que la resiliencia aporta en la predicción de rendimiento académico, sin embargo, existen variables con mayor poder explicativo, como el tipo de metodología de evaluación que se utilice en el semestre en el que se dará la asignatura.

• Autores: Granadillo Díaz, Carlos Daniel; Llinás Marimón, Brian Jesús; López Ramos, Simón Eduardo
• Fecha de publicación: 2022
• Institución: Universidad del Norte
• Repositorio: Repositorio Uninorte
• Idioma: spa
• OAI Identifier: oai:manglar.uninorte.edu.co:10584/10497
• Acceso en línea: http://hdl.handle.net/10584/10497
• Palabra clave: Resiliencia; Machine Learning; Rendimiento académico; Clasificación; Árbol de decisión; Bosque aleatorio; XGBoost; Resilience; Machine Learning; Academic performance; Classification; Decision Trees; Random forest; XGBoost
• License: Universidad del Norte