Diseño de un sistema que permite identificar las aptitudes para el estudio de carreras stem basado en los resultados de las pruebas estandarizadas icfes saber 11
Este trabajo proviene de la carencia de orientación vocacional para los jóvenes Colombianos acerca de la elección de una carrera de pregrado acorde a sus aptitudes. Por lo tanto, nos encaminamos a diseñar un sistema inteligente que permita identificar las aptitudes para el estudio de carreras STEM b...
- Autores:
-
Argüelles Monterrosa, Carlos de Jesús
Meléndez Armella, Lila Vanessa
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad de Córdoba
- Repositorio:
- Repositorio Institucional Unicórdoba
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unicordoba.edu.co:ucordoba/8001
- Acceso en línea:
- https://repositorio.unicordoba.edu.co/handle/ucordoba/8001
https://repositorio.unicordoba.edu.co/
- Palabra clave:
- Orientación vocacional
Pruebas Saber 11
Aprendizaje automático
STEM
Vocational guidance
Saber 11 test
Machine learning
STEM
- Rights
- openAccess
- License
- Copyright Universidad de Córdoba, 2023
| id |
UCORDOBA2_bc1002f888c3d016ccbfa44b0f6feab1 |
|---|---|
| oai_identifier_str |
oai:repositorio.unicordoba.edu.co:ucordoba/8001 |
| network_acronym_str |
UCORDOBA2 |
| network_name_str |
Repositorio Institucional Unicórdoba |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Diseño de un sistema que permite identificar las aptitudes para el estudio de carreras stem basado en los resultados de las pruebas estandarizadas icfes saber 11 |
| title |
Diseño de un sistema que permite identificar las aptitudes para el estudio de carreras stem basado en los resultados de las pruebas estandarizadas icfes saber 11 |
| spellingShingle |
Diseño de un sistema que permite identificar las aptitudes para el estudio de carreras stem basado en los resultados de las pruebas estandarizadas icfes saber 11 Orientación vocacional Pruebas Saber 11 Aprendizaje automático STEM Vocational guidance Saber 11 test Machine learning STEM |
| title_short |
Diseño de un sistema que permite identificar las aptitudes para el estudio de carreras stem basado en los resultados de las pruebas estandarizadas icfes saber 11 |
| title_full |
Diseño de un sistema que permite identificar las aptitudes para el estudio de carreras stem basado en los resultados de las pruebas estandarizadas icfes saber 11 |
| title_fullStr |
Diseño de un sistema que permite identificar las aptitudes para el estudio de carreras stem basado en los resultados de las pruebas estandarizadas icfes saber 11 |
| title_full_unstemmed |
Diseño de un sistema que permite identificar las aptitudes para el estudio de carreras stem basado en los resultados de las pruebas estandarizadas icfes saber 11 |
| title_sort |
Diseño de un sistema que permite identificar las aptitudes para el estudio de carreras stem basado en los resultados de las pruebas estandarizadas icfes saber 11 |
| dc.creator.fl_str_mv |
Argüelles Monterrosa, Carlos de Jesús Meléndez Armella, Lila Vanessa |
| dc.contributor.advisor.none.fl_str_mv |
Caicedo Castro, Isaac |
| dc.contributor.author.none.fl_str_mv |
Argüelles Monterrosa, Carlos de Jesús Meléndez Armella, Lila Vanessa |
| dc.contributor.jury.none.fl_str_mv |
Barreiro Pinto, Francisco Ricardo García Hoyos , Rodrigo |
| dc.subject.proposal.spa.fl_str_mv |
Orientación vocacional Pruebas Saber 11 Aprendizaje automático STEM |
| topic |
Orientación vocacional Pruebas Saber 11 Aprendizaje automático STEM Vocational guidance Saber 11 test Machine learning STEM |
| dc.subject.keywords.eng.fl_str_mv |
Vocational guidance Saber 11 test Machine learning STEM |
| description |
Este trabajo proviene de la carencia de orientación vocacional para los jóvenes Colombianos acerca de la elección de una carrera de pregrado acorde a sus aptitudes. Por lo tanto, nos encaminamos a diseñar un sistema inteligente que permita identificar las aptitudes para el estudio de carreras STEM basado en los resultados de las pruebas estandarizadas Saber 11 en la Universidad de Córdoba. Para lo cual, realizamos una encuesta de la cual obtuvimos 84 observaciones, que fue dirigida a una diversidad de estudiantes de distintas facultades y/o carreras, sobre todo de ingeniería, quienes ingresaron los resultados que obtuvieron en la Saber 11, las cuales son un requisito para ingresar a la educación superior en Colombia. A partir de los datos se evaluaron modelos de aprendizaje automático con la finalidad de encontrar la dependencia funcional entre los resultados y su rendimiento académico en la carrera escogida, medido por el promedio global acumulado (PGA). De los resultados de la evaluación de estos modelos, obtuvimos una exactitud de 75 %, una precisión de 66,19 %, una sensibilidad de 84,13 % y una media armónica (F1) de 72,04 % con el modelo Naïve Bayes. Esto marca un inicio significativo para la implementación del aprendizaje automático en el ámbito educativo, especialmente en las universidades públicas de Colombia. Este avance sienta las bases para investigaciones futuras más precisas que utilicen tecnología con el objetivo de ofrecer orientación más detallada a los jóvenes. Además, la recopilación de datos de la generación actual contribuirá a obtener resultados más exactos. |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-12-21T02:42:00Z |
| dc.date.available.none.fl_str_mv |
2023-12-21T02:42:00Z |
| dc.date.issued.none.fl_str_mv |
2023-12-20 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.none.fl_str_mv |
Text |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unicordoba.edu.co/handle/ucordoba/8001 |
| dc.identifier.instname.none.fl_str_mv |
Universidad de Córdoba |
| dc.identifier.reponame.none.fl_str_mv |
Repositorio Universidad de Córdoba |
| dc.identifier.repourl.none.fl_str_mv |
https://repositorio.unicordoba.edu.co/ |
| url |
https://repositorio.unicordoba.edu.co/handle/ucordoba/8001 https://repositorio.unicordoba.edu.co/ |
| identifier_str_mv |
Universidad de Córdoba Repositorio Universidad de Córdoba |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Alqurashi, E. (2019, enero). Predicting student satisfaction and perceived learning within online learning environments. Distance Education, 40(1), 133–148. Descargado 2023-06- 13, de https://www.tandfonline.com/doi/full/10.1080/01587919.2018.1553562 doi: 10.1080/01587919.2018.1553562 Alyahyan, E., y Düştegör, D. (2020, diciembre). Predicting academic success in higher education: literature review and best practices. International Journal of Educational Technology in Higher Education, 17(1), 3. Descargado 2023-06-02, de https://educationaltechnologyjournal .springeropen.com/articles/10.1186/s41239-020-0177-7 doi: 10.1186/s41239-020 -0177-7 Aulck, L., Aras, R., Li, L., L’Heureux, C., Lu, P., y West, J. (2017, agosto). Stem-ming the Tide: Predicting STEM attrition using student transcript data. arXiv. Descargado 2023-06-06, de http://arxiv.org/abs/1708.09344 (arXiv:1708.09344 [physics, stat]) Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. Descargado 2023-06-28, de http://link.springer.com/10.1023/A:1010933404324 doi: 10.1023/A:1010933404324 Caicedo-Castro, I. (2023). Course prophet: A System for Predicting Course Failures with Machine Learning a Numerical Methods Case Study. IARIA. Caicedo-Castro, I., Macea-Anaya, M., y Castaño-Rivera, S. (2023). Forecasting Failure Risk in Early Mathematics and Physical Science Couses in the Bachelor’s-Degree in Engineering. IARIA. Caicedo-Castro, I., Vélez-Langs, O., Macea-Anaya, M., Castaño-Rivera, S., y Castro-Puché, R. (2022). Early Risk Detection of Bachelor’s Student Withdrawal or Long-Term Retention. IARIA Congress 2022 Proceedings. Castro, P., Ishakian, V., Muthusamy, V., y Slominski, A. (2019, junio). The server is dead, long live the server: Rise of Serverless Computing, Overview of Current State and Future Trends in Re- search and Industry. arXiv. Descargado 2023-11-09, de http://arxiv.org/abs/1906.02888 (arXiv:1906.02888 [cs]) doi: 10.48550/arXiv.1906.02888 Cervantes, J., Li, X., Yu, W., y Li, K. (2008, enero). Support vector machine classifi- cation for large data sets via minimum enclosing ball clustering. Neurocomputing, 71(4-6), 611–619. Descargado 2023-11-10, de https://linkinghub.elsevier.com/retrieve/pii/ S0925231207002962 doi: 10.1016/j.neucom.2007.07.028 Cortes, C., y Vapnik, V. (1995, septiembre). Support-vector networks. Machine Learning, 20(3), 273–297. Descargado 2023-06-28, de http://link.springer.com/10.1007/BF00994018 doi: 10.1007/BF00994018 Cox, D. R. (1958, julio). The Regression Analysis of Binary Sequences. Journal of the Royal Statistical Society: Series B (Methodological), 20(2), 215–232. Descargado 2023-06-28, de https://onlinelibrary.wiley.com/doi/10.1111/j.2517-6161.1958.tb00292.x doi: 10.1111/j.2517-6161.1958.tb00292.x DANE. (2018, diciembre). Índice de Costos de la Educación Superior (ICES) II Semestre de 2018 (Boletín técnico). Descargado de https://www.dane.gov.co/files/investigaciones/ boletines/icesp/bol_ICES_IIsem18.pdf DANE. (2020, diciembre). Estructura del mercado laboral y del sistema de precios para la mesa de concertación del Salario Mínimo Diciembre 2020 (Boletín técnico). Descargado de https://www.dane.gov.co/files/investigaciones/boletines/ech/ech/presentacion-estructura-mercado-laboral-y-sistema-precios-para-mesa-concertacion-salario-minimo-2021.pdf DANE. (2022, diciembre). Índice de Costos de la Educación Superior (ICES) II Semestre de 2022 (Boletín técnico). Descargado de https://www.dane.gov.co/files/investigaciones/boletines/icesp/bol_ICES_IIsem18.pdf Dekker, G., Pechenizkiy, M., y Vleeshouwers, J. (2009). Predicting students drop out : a case study. Proceedings of the 2nd International Conference on Educational Data Mining, EDM 2009, July 1-3, 2009. Cordoba, Spain, 41–50. Editorial La República. (2019, febrero). Ocho de cada 10 personas en Colombia están insatisfechas en su empleo. Descargado 2023-06-14, de https://www.larepublica.co/alta-gerencia/ocho-de-cada-10-personas-estan-insatisfechas-en-su-empleo-2830069 El Tiempo. (2022). Es feliz en su trabajo? Índice de felicidad de Iberoamérica dice otra cosa. Descargado de https://www.eltiempo.com/economia/empresas/es-feliz-en-su -trabajo-indice-de-felicidad-de-iberoamerica-dice-otra-cosa-717780 Feurer, M., Klein, A., Eggensperger, K., Springenberg, J., Blum, M., y Hutter, F. (2015). Efficient and robust automated machine learning. En Advances in neural information processing systems 28 (2015) (pp. 2962–2970). Freund, Y., y Schapire, R. E. (1996). Experiments with a new boosting algorithm. En International conference on machine learning (pp. 148–156). Descargado de http://citeseerx.ist.psu .edu/viewdoc/summary?doi=10.1.1.51.6252 Friedman, J. H. (2001, octubre). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29(5), 1189–1232. Descargado 2023-11-07, de https://projecteuclid.org/journals/annals-of-statistics/volume-29/issue-5/ Greedy-function-approximation-A-gradient-boosting-machine/10.1214/aos/ 1013203451.full doi: 10.1214/aos/1013203451 Geurts, P., Ernst, D., y Wehenkel, L. (2006). Extremely randomized trees. Machine Learning, 63(1), 3–42. Descargado 2023-11-07, de https://doi.org/10.1007/s10994-006-6226-1 doi: 10.1007/s10994-006-6226-1 Google. (s.f.). Google Colaboratory. Descargado 2023-06-30, de https://colab.research .google.com/ Havlicek, V., Córcoles, A. D., Temme, K., Harrow, A. W., Kandala, A., Chow, J. M., y Gam- betta, J. M. (2019, marzo). Supervised learning with quantum enhanced feature spaces. Nature, 567(7747), 209–212. Descargado 2023-11-09, de http://arxiv.org/abs/1804.11326 (ar- Xiv:1804.11326 [quant-ph, stat]) doi: 10.1038/s41586-019-0980-2 Icfes. (2017, diciembre). Marco de referencia de la prueba de Inglés Saber 11.°, Saber TyT y Saber Pro (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes). Icfes. (2019a, enero). Marco de referencia de la prueba de ciencias naturales Saber 11.° (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes). Icfes. (2019b, enero). Marco de referencia de la prueba de matemáticas Saber 11.° (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes). Icfes. (2019c, septiembre). Marco de referencia de la prueba de sociales y ciudadanas Saber 11.° (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes). Icfes. (2021, diciembre). Marco de referencia de la prueba de Lectura Crítica Saber 11.°, Saber TyT y Saber Pro (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes). Jimenez-Raygoza, L., Medina-Vazquez, A., y Perez-Torres, G. (2019, octubre). Proposal of a Computer System for Vocational Guidance with Data Mining. En 2019 IEEE Internatio- nal Conference on Engineering Veracruz (ICEV) (pp. 1–5). Boca del Rio, Veracruz, Mexico: IEEE. Descargado 2023-06-06, de https://ieeexplore.ieee.org/document/8920523/ doi: 10.1109/ICEV.2019.8920523 Kabathova, J., y Drlik, M. (2021, abril). Towards Predicting Student’s Dropout in University Cour- ses Using Different Machine Learning Techniques. Applied Sciences, 11(7), 3130. Descargado 2023-06-13, de https://www.mdpi.com/2076-3417/11/7/3130 doi: 10.3390/app11073130 Martins, M. P. G., Miguéis, V. L., Fonseca, D. S. B., y Alves, A. (2019). A Data Mining Ap- proach for Predicting Academic Success – A Case Study. En . Rocha, C. Ferrás, y M. Pa- redes (Eds.), Information Technology and Systems (Vol. 918, pp. 45–56). Cham: Springer In- ternational Publishing. Descargado 2023-06-13, de http://link.springer.com/10.1007/ 978-3-030-11890-7_5 doi: 10.1007/978-3-030-11890-7_5 Medina, D. Z., Builes, J. A. J., y Bedoya, A. E. (2022, septiembre). Automatic detection of students at risk of dropping out of school using mRMR and Late Fusion. En 2022 XII International Conference on Virtual Campus ( JICV) (pp. 1–4). Arequipa, Peru: IEEE. Descargado 2023-05- 31, de https://ieeexplore.ieee.org/document/9934262/ doi: 10.1109/JICV56113.2022 .9934262 Mohri, M., Rostamizadeh, A., y Talwalkar, A. (2012). Foundations of machine learning. Cam- bridge, MA: MIT Press. Montiel, E. A. (2019). Elección de carrera: motivos, procesos e influencias y sus efectos en la experiencia estudiantil de jóvenes universitarios de alto rendimiento académico. REencuentro. Análisis de Problemas Universitarios, 30(77), 53–74. Descargado 2023-06-14, de https://www .redalyc.org/journal/340/34065218004/html/ Moreno-Cifuentes, L., y Huertas-Herazo, D. (2019, septiembre). SEGUIMIENTO A GRADUA- DOS DE EDUCACIÓN SUPERIOR 2017. Observatorio laboral para la educación. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... Duches- nay, . (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12(85), 2825–2830. Descargado 2023-06-30, de http://jmlr.org/papers/v12/ pedregosa11a.html Permana, A. A. J., Dewi, L. J. E., y Setemen, K. (2017, agosto). Recommendation System for Selection of Majors and Apprenticeship on Vocational and Training Education Based on Com- petency to Produce Demand Driven Graduates. En (pp. 153–158). Atlantis Press. Descarga- do 2023-06-14, de https://www.atlantis-press.com/proceedings/icirad-17/25882143 doi: 10.2991/icirad-17.2017.29 Portafolio. (2018). El alto costo de las matrículas universitarias en Colombia. Des- cargado 2023-06-14, de https://www.portafolio.co/economia/el-alto-costo-de-las -matriculas-universitarias-514619 Priya.S, A. S. T. (2017). Comparative study of Naive Bayes classifier and K Nearest Neighbor in imputation of missing values. Special Issue | ASAT in CS’17. Pérez, B., Castellanos, C., y Correal, D. (2018). Predicting Student Drop-Out Rates Using Data Mining Techniques: A Case Study. En A. D. Orjuela-Cañón, J. C. Figueroa-García, y J. D. Arias- Londoño (Eds.), Applications of Computational Intelligence (Vol. 833, pp. 111–125). Cham: Springer International Publishing. Descargado 2023-06-14, de http://link.springer.com/ 10.1007/978-3-030-03023-0_10 doi: 10.1007/978-3-030-03023-0_10 Qiskit contributors. (2023). Qiskit: An open-source framework for quantum computing. doi: 10.5281/zenodo.2573505 Rebentrost, P., Mohseni, M., y Lloyd, S. (2014, septiembre). Quantum Support Vector Machi- ne for Big Data Classification . Physical Review Letters, 113(13), 130503. Descargado 2023- 11-09, de https://link.aps.org/doi/10.1103/PhysRevLett.113.130503 doi: 10.1103/ PhysRevLett.113.130503 Rish, I., y cols. (2001). An empirical study of the naive bayes classifier. En Ijcai 2001 workshop on empirical methods in artificial intelligence (Vol. 3, pp. 41–46). Schaffer, C. (s.f.). Sparse Data and the Effect of Overfitting Avoidance in Decision Tree In- duction. Descargado 2023-11-10, de https://aaai.org/papers/00147-aaai92-023-sparse -data-and-the-effect-of-overfitting-avoidance-in-decision-tree-induction/ Universidad de Córdoba. (2004). Reglamento académico estudiantil.. Descargado 2023-11-10, de https://repositorio.unicordoba.edu.co/handle/ucordoba/1552 Universidad de Córdoba. (2023). Oferta Académica Pregrado. Descargado 2023- 06-29, de https://www.unicordoba.edu.co/index.php/admisiones-y-registro/ oferta-academica-pregrado/ Wang, H., Niu, D., y Li, B. (2019, abril). Distributed Machine Learning with a Serverless Archi- tecture. En IEEE INFOCOM 2019 - IEEE Conference on Computer Communications (pp. 1288– 1296). Descargado 2023-11-09, de https://ieeexplore.ieee.org/abstract/document/ 8737391 (ISSN: 2641-9874) doi: 10.1109/INFOCOM.2019.8737391 Willems, J., Coertjens, L., Tambuyzer, B., y Donche, V. (2019, octubre). Identifying scien- ce students at risk in the first year of higher education: the incremental value of non-cognitive variables in predicting early academic achievement. European Journal of Psychology of Edu- cation, 34(4), 847–872. Descargado 2023-06-13, de http://link.springer.com/10.1007/ s10212-018-0399-4 doi: 10.1007/s10212-018-0399-4 Wolpert, D., y Macready, W. (1997, abril). No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1(1), 67–82. Descargado 2023-11-09, de https:// ieeexplore.ieee.org/document/585893 doi: 10.1109/4235.585893 Wu, G., y Chang, E. (2003). Class-Boundary Alignment for Imbalanced Da- taset Learning.. Descargado 2023-11-10, de https://www.semanticscholar64.org/paper/Class-Boundary-Alignment-for-Imbalanced-Dataset-Wu-Chang/ 6cc64e06b7507142e17fb9e9a63411c8eb272b0b Yadalam, T. V., Gowda, V. M., Kumar, V. S., Girish, D., y M., N. (2020, junio). Career Recommendation Systems using Content based Filtering. En 2020 5th International Conference on Communication and Electronics Systems (ICCES) (pp. 660–665). doi: 10.1109/ICCES48766 .2020.9137992 You, E. (2014). Vue.js - The Progressive JavaScript Framework. Descargado 2023-06-30, de https://vuejs.org/ Zambrano Vizcaino, Y. P., Osorio Salcedo, V., y Barbosa Gutierrez, V. M. (2021, noviem- bre). Desarrollo de una aplicación web para la orientación vocacional y promoción de carre- ras STEM implementando técnicas de Data Mining. Descargado 2023-06-02, de https://manglar.uninorte.edu.co/handle/10584/9857 |
| dc.rights.none.fl_str_mv |
Copyright Universidad de Córdoba, 2023 |
| dc.rights.uri.none.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.license.none.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Copyright Universidad de Córdoba, 2023 https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de Córdoba |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.place.none.fl_str_mv |
Montería, Córdoba, Colombia |
| dc.publisher.program.none.fl_str_mv |
Ingeniería de Sistemas |
| publisher.none.fl_str_mv |
Universidad de Córdoba |
| institution |
Universidad de Córdoba |
| bitstream.url.fl_str_mv |
https://repositorio.unicordoba.edu.co/bitstreams/34f21500-82d2-4b9f-82fa-4fd49b3f2eb9/download https://repositorio.unicordoba.edu.co/bitstreams/17ae1465-3daf-4d17-ae06-80511b7ff275/download https://repositorio.unicordoba.edu.co/bitstreams/eaad2e4a-d572-4325-a3e3-e4b3fb870f12/download https://repositorio.unicordoba.edu.co/bitstreams/9d258b08-1e71-4a85-8b17-ac5d31d8a74f/download https://repositorio.unicordoba.edu.co/bitstreams/dfbf317d-b469-4ea8-a958-262515df88dd/download |
| bitstream.checksum.fl_str_mv |
2ff0ce8ab225d6cfb10a17f657c3d1d0 1de4de43e052da0430daff3b2da83c33 73a5432e0b76442b22b026844140d683 ee35050e892e1a6a90e9dddabe07583f 42e738973ad6549be12c0544ee729e65 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad de Córdoba |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1839636038620807168 |
| spelling |
Caicedo Castro, Isaace57c5c34-43e1-423a-95d9-1daa1592dd25-1Argüelles Monterrosa, Carlos de Jesúsbbc88bdc-ed61-44d6-8ba2-46d59b718b95-1Meléndez Armella, Lila Vanessa70c3e045-245f-48ab-80dc-8e3378060dd2-1Barreiro Pinto, Francisco Ricardobc7d60c0-50d5-40fa-b5d1-b029568dd834-1García Hoyos , Rodrigo05a2d68d-9898-47b4-b58c-fd0540adf1316002023-12-21T02:42:00Z2023-12-21T02:42:00Z2023-12-20https://repositorio.unicordoba.edu.co/handle/ucordoba/8001Universidad de CórdobaRepositorio Universidad de Córdobahttps://repositorio.unicordoba.edu.co/Este trabajo proviene de la carencia de orientación vocacional para los jóvenes Colombianos acerca de la elección de una carrera de pregrado acorde a sus aptitudes. Por lo tanto, nos encaminamos a diseñar un sistema inteligente que permita identificar las aptitudes para el estudio de carreras STEM basado en los resultados de las pruebas estandarizadas Saber 11 en la Universidad de Córdoba. Para lo cual, realizamos una encuesta de la cual obtuvimos 84 observaciones, que fue dirigida a una diversidad de estudiantes de distintas facultades y/o carreras, sobre todo de ingeniería, quienes ingresaron los resultados que obtuvieron en la Saber 11, las cuales son un requisito para ingresar a la educación superior en Colombia. A partir de los datos se evaluaron modelos de aprendizaje automático con la finalidad de encontrar la dependencia funcional entre los resultados y su rendimiento académico en la carrera escogida, medido por el promedio global acumulado (PGA). De los resultados de la evaluación de estos modelos, obtuvimos una exactitud de 75 %, una precisión de 66,19 %, una sensibilidad de 84,13 % y una media armónica (F1) de 72,04 % con el modelo Naïve Bayes. Esto marca un inicio significativo para la implementación del aprendizaje automático en el ámbito educativo, especialmente en las universidades públicas de Colombia. Este avance sienta las bases para investigaciones futuras más precisas que utilicen tecnología con el objetivo de ofrecer orientación más detallada a los jóvenes. Además, la recopilación de datos de la generación actual contribuirá a obtener resultados más exactos.This work stems from young Colombians’ lack of career guidance in choosing an undergraduate career that matches their abilities. Therefore, we set out to design an intelligent system that would allow the identification of aptitudes for STEM (Science, Technology, Engineering, and Mathematics) careers based on the results of the Saber 11 standardized tests at the University of Córdoba. To achieve this, we conducted a survey from which we obtained 84 instances, targeting a diverse group of students from diverse faculties and/or careers, especially in engineering. Participants reported their scores on the Saber 11 test, which is a requirement for admission to higher education in Colombia. From the collected data, we evaluated a few machine learning models to find the functional dependence between the results of each component of the Saber 11 test, and the academic performance in the chosen career, measured by the grade point average (GPA). The results of the evaluation include an accuracy of 75 %, a precision of 66.19 %, a sensitivity of 84.13 %, and an F1 score of 72.04 % from the naive Bayes model. This work represents a significant beginning for the machine learning implementation in the educational field, especially in public universities in Colombia. This advancement lays the groundwork for more precise future research that utilizes technology intending to provide more detailed guidance to young people. In addition, collecting data from the current generation will contribute to obtaining more accurate results.Agradecimientos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IResumen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IIListado de tablasListado de figuras1. INTRODUCCIÓN. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.1. Descripción y formulación del problema . . . . . . . . . . . . . . . . . . . . . . . 21.1.1. Descripción del problema . . . . . . . . . . . . . . . . . . . . . . . . . . 21.1.2. Formulación del problema . . . . . . . . . . . . . . . . . . . . . . . . . . 51.2. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51.3. Contribución de la investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . 71.4. Organización del documento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82. OBJETIVOS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92.1. General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92.2. Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93. REVISIÓN BIBLIOGRÁFICA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103.1. Aprendizaje Automático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103.1.1. Aprendizaje Supervisado . . . . . . . . . . . . . . . . . . . . . . . . . . . 113.1.2. Aprendizaje No Supervisado . . . . . . . . . . . . . . . . . . . . . . . . . 113.1.3. Aprendizaje Semi-Supervisado . . . . . . . . . . . . . . . . . . . . . . . . 113.1.4. Aprendizaje por Refuerzo . . . . . . . . . . . . . . . . . . . . . . . . . . 113.1.5. Aprendizaje Automático Automatizado (AutoML) . . . . . . . . . . . . . 123.2. Clasificadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123.2.1. Regresión Logística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123.2.3. Árbol de decisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133.2.8. Potenciación adaptativa (AdaBoost) . . . . . . . . . . . . . . . . . . . . . 173.2.9. Potenciación del gradiente (Gradient Boosting) . . . . . . . . . . . . . . . 173.3. Métodos de AutoML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183.3.1. Hiperparametrización de parámetros . . . . . . . . . . . . . . . . . . . . . 183.3.2. Meta-aprendizaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213.3.3. Búsqueda de arquitectura neural (Neural architecture search) . . . . . . . . 223.4. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224. ESTADO DEL ARTE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254.1. Contexto Internacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254.2. Contexto Nacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274.3. Contexto Regional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294.4. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305. MATERIALES Y MÉTODOS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325.1. El conjunto de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325.2. Selección y configuración de algoritmos . . . . . . . . . . . . . . . . . . . . . . . 335.3. Desarrollo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365.3.1. Arquitectura de la aplicación . . . . . . . . . . . . . . . . . . . . . . . . . 365.4. Evaluación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 395.4.1. K-Fold Cross Validation . . . . . . . . . . . . . . . . . . . . . . . . . . . 395.4.2. Métricas de Evaluación de Algoritmos . . . . . . . . . . . . . . . . . . . . 405.5. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 426. RESULTADOS Y DISCUSIONES. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 466.1. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 466.1.1. El conjunto de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 466.1.2. Evaluación de modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 466.1.3. Aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 496.2. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 537. CONCLUSIONES. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 558. RECOMENDACIONES. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 579. BIBLIOGRAFÍA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58Abstract. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III3.2.2. Naïve Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123.2.4. Random Forest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143.2.5. Extra Trees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153.2.6. Support Vector Machines . . . . . . . . . . . . . . . . . . . . . . . . . . . 153.2.7. Quantum Support Vector Machines . . . . . . . . . . . . . . . . . . . . . 16PregradoIngeniero(a) de SistemasTrabajos de Investigación y/o Extensiónapplication/pdfspaUniversidad de CórdobaFacultad de IngenieríaMontería, Córdoba, ColombiaIngeniería de SistemasCopyright Universidad de Córdoba, 2023https://creativecommons.org/licenses/by-nc-nd/4.0/Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Diseño de un sistema que permite identificar las aptitudes para el estudio de carreras stem basado en los resultados de las pruebas estandarizadas icfes saber 11Trabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionTextAlqurashi, E. (2019, enero). Predicting student satisfaction and perceived learning within online learning environments. Distance Education, 40(1), 133–148. Descargado 2023-06- 13, de https://www.tandfonline.com/doi/full/10.1080/01587919.2018.1553562 doi: 10.1080/01587919.2018.1553562Alyahyan, E., y Düştegör, D. (2020, diciembre). Predicting academic success in higher education: literature review and best practices. International Journal of Educational Technology in Higher Education, 17(1), 3. Descargado 2023-06-02, de https://educationaltechnologyjournal .springeropen.com/articles/10.1186/s41239-020-0177-7 doi: 10.1186/s41239-020 -0177-7Aulck, L., Aras, R., Li, L., L’Heureux, C., Lu, P., y West, J. (2017, agosto). Stem-ming the Tide: Predicting STEM attrition using student transcript data. arXiv. Descargado 2023-06-06, de http://arxiv.org/abs/1708.09344 (arXiv:1708.09344 [physics, stat])Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. Descargado 2023-06-28, de http://link.springer.com/10.1023/A:1010933404324 doi: 10.1023/A:1010933404324Caicedo-Castro, I. (2023). Course prophet: A System for Predicting Course Failures with Machine Learning a Numerical Methods Case Study. IARIA.Caicedo-Castro, I., Macea-Anaya, M., y Castaño-Rivera, S. (2023). Forecasting Failure Risk in Early Mathematics and Physical Science Couses in the Bachelor’s-Degree in Engineering. IARIA.Caicedo-Castro, I., Vélez-Langs, O., Macea-Anaya, M., Castaño-Rivera, S., y Castro-Puché, R. (2022). Early Risk Detection of Bachelor’s Student Withdrawal or Long-Term Retention. IARIA Congress 2022 Proceedings.Castro, P., Ishakian, V., Muthusamy, V., y Slominski, A. (2019, junio). The server is dead, long live the server: Rise of Serverless Computing, Overview of Current State and Future Trends in Re- search and Industry. arXiv. Descargado 2023-11-09, de http://arxiv.org/abs/1906.02888 (arXiv:1906.02888 [cs]) doi: 10.48550/arXiv.1906.02888Cervantes, J., Li, X., Yu, W., y Li, K. (2008, enero). Support vector machine classifi- cation for large data sets via minimum enclosing ball clustering. Neurocomputing, 71(4-6), 611–619. Descargado 2023-11-10, de https://linkinghub.elsevier.com/retrieve/pii/ S0925231207002962 doi: 10.1016/j.neucom.2007.07.028Cortes, C., y Vapnik, V. (1995, septiembre). Support-vector networks. Machine Learning, 20(3), 273–297. Descargado 2023-06-28, de http://link.springer.com/10.1007/BF00994018 doi: 10.1007/BF00994018Cox, D. R. (1958, julio). The Regression Analysis of Binary Sequences. Journal of the Royal Statistical Society: Series B (Methodological), 20(2), 215–232. Descargado 2023-06-28, de https://onlinelibrary.wiley.com/doi/10.1111/j.2517-6161.1958.tb00292.x doi: 10.1111/j.2517-6161.1958.tb00292.xDANE. (2018, diciembre). Índice de Costos de la Educación Superior (ICES) II Semestre de 2018 (Boletín técnico). Descargado de https://www.dane.gov.co/files/investigaciones/ boletines/icesp/bol_ICES_IIsem18.pdfDANE. (2020, diciembre). Estructura del mercado laboral y del sistema de precios para la mesa de concertación del Salario Mínimo Diciembre 2020 (Boletín técnico). Descargado de https://www.dane.gov.co/files/investigaciones/boletines/ech/ech/presentacion-estructura-mercado-laboral-y-sistema-precios-para-mesa-concertacion-salario-minimo-2021.pdfDANE. (2022, diciembre). Índice de Costos de la Educación Superior (ICES) II Semestre de 2022 (Boletín técnico). Descargado de https://www.dane.gov.co/files/investigaciones/boletines/icesp/bol_ICES_IIsem18.pdfDekker, G., Pechenizkiy, M., y Vleeshouwers, J. (2009). Predicting students drop out : a case study. Proceedings of the 2nd International Conference on Educational Data Mining, EDM 2009, July 1-3, 2009. Cordoba, Spain, 41–50.Editorial La República. (2019, febrero). Ocho de cada 10 personas en Colombia están insatisfechas en su empleo. Descargado 2023-06-14, de https://www.larepublica.co/alta-gerencia/ocho-de-cada-10-personas-estan-insatisfechas-en-su-empleo-2830069El Tiempo. (2022). Es feliz en su trabajo? Índice de felicidad de Iberoamérica dice otra cosa. Descargado de https://www.eltiempo.com/economia/empresas/es-feliz-en-su -trabajo-indice-de-felicidad-de-iberoamerica-dice-otra-cosa-717780Feurer, M., Klein, A., Eggensperger, K., Springenberg, J., Blum, M., y Hutter, F. (2015). Efficient and robust automated machine learning. En Advances in neural information processing systems 28 (2015) (pp. 2962–2970).Freund, Y., y Schapire, R. E. (1996). Experiments with a new boosting algorithm. En International conference on machine learning (pp. 148–156). Descargado de http://citeseerx.ist.psu .edu/viewdoc/summary?doi=10.1.1.51.6252Friedman, J. H. (2001, octubre). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29(5), 1189–1232. Descargado 2023-11-07, de https://projecteuclid.org/journals/annals-of-statistics/volume-29/issue-5/ Greedy-function-approximation-A-gradient-boosting-machine/10.1214/aos/ 1013203451.full doi: 10.1214/aos/1013203451Geurts, P., Ernst, D., y Wehenkel, L. (2006). Extremely randomized trees. Machine Learning, 63(1), 3–42. Descargado 2023-11-07, de https://doi.org/10.1007/s10994-006-6226-1 doi: 10.1007/s10994-006-6226-1Google. (s.f.). Google Colaboratory. Descargado 2023-06-30, de https://colab.research .google.com/Havlicek, V., Córcoles, A. D., Temme, K., Harrow, A. W., Kandala, A., Chow, J. M., y Gam- betta, J. M. (2019, marzo). Supervised learning with quantum enhanced feature spaces. Nature, 567(7747), 209–212. Descargado 2023-11-09, de http://arxiv.org/abs/1804.11326 (ar- Xiv:1804.11326 [quant-ph, stat]) doi: 10.1038/s41586-019-0980-2Icfes. (2017, diciembre). Marco de referencia de la prueba de Inglés Saber 11.°, Saber TyT y Saber Pro (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes).Icfes. (2019a, enero). Marco de referencia de la prueba de ciencias naturales Saber 11.° (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes).Icfes. (2019b, enero). Marco de referencia de la prueba de matemáticas Saber 11.° (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes).Icfes. (2019c, septiembre). Marco de referencia de la prueba de sociales y ciudadanas Saber 11.° (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes).Icfes. (2021, diciembre). Marco de referencia de la prueba de Lectura Crítica Saber 11.°, Saber TyT y Saber Pro (Inf. Téc.). Bogotá: Dirección de Evaluación, Icfes: Instituto Colombiano para la Evaluación de la Educación (Icfes).Jimenez-Raygoza, L., Medina-Vazquez, A., y Perez-Torres, G. (2019, octubre). Proposal of a Computer System for Vocational Guidance with Data Mining. En 2019 IEEE Internatio- nal Conference on Engineering Veracruz (ICEV) (pp. 1–5). Boca del Rio, Veracruz, Mexico: IEEE. Descargado 2023-06-06, de https://ieeexplore.ieee.org/document/8920523/ doi: 10.1109/ICEV.2019.8920523Kabathova, J., y Drlik, M. (2021, abril). Towards Predicting Student’s Dropout in University Cour- ses Using Different Machine Learning Techniques. Applied Sciences, 11(7), 3130. Descargado 2023-06-13, de https://www.mdpi.com/2076-3417/11/7/3130 doi: 10.3390/app11073130Martins, M. P. G., Miguéis, V. L., Fonseca, D. S. B., y Alves, A. (2019). A Data Mining Ap- proach for Predicting Academic Success – A Case Study. En . Rocha, C. Ferrás, y M. Pa- redes (Eds.), Information Technology and Systems (Vol. 918, pp. 45–56). Cham: Springer In- ternational Publishing. Descargado 2023-06-13, de http://link.springer.com/10.1007/ 978-3-030-11890-7_5 doi: 10.1007/978-3-030-11890-7_5Medina, D. Z., Builes, J. A. J., y Bedoya, A. E. (2022, septiembre). Automatic detection of students at risk of dropping out of school using mRMR and Late Fusion. En 2022 XII International Conference on Virtual Campus ( JICV) (pp. 1–4). Arequipa, Peru: IEEE. Descargado 2023-05- 31, de https://ieeexplore.ieee.org/document/9934262/ doi: 10.1109/JICV56113.2022 .9934262Mohri, M., Rostamizadeh, A., y Talwalkar, A. (2012). Foundations of machine learning. Cam- bridge, MA: MIT Press.Montiel, E. A. (2019). Elección de carrera: motivos, procesos e influencias y sus efectos en la experiencia estudiantil de jóvenes universitarios de alto rendimiento académico. REencuentro. Análisis de Problemas Universitarios, 30(77), 53–74. Descargado 2023-06-14, de https://www .redalyc.org/journal/340/34065218004/html/Moreno-Cifuentes, L., y Huertas-Herazo, D. (2019, septiembre). SEGUIMIENTO A GRADUA- DOS DE EDUCACIÓN SUPERIOR 2017. Observatorio laboral para la educación.Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... Duches- nay, . (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12(85), 2825–2830. Descargado 2023-06-30, de http://jmlr.org/papers/v12/ pedregosa11a.htmlPermana, A. A. J., Dewi, L. J. E., y Setemen, K. (2017, agosto). Recommendation System for Selection of Majors and Apprenticeship on Vocational and Training Education Based on Com- petency to Produce Demand Driven Graduates. En (pp. 153–158). Atlantis Press. Descarga- do 2023-06-14, de https://www.atlantis-press.com/proceedings/icirad-17/25882143 doi: 10.2991/icirad-17.2017.29Portafolio. (2018). El alto costo de las matrículas universitarias en Colombia. Des- cargado 2023-06-14, de https://www.portafolio.co/economia/el-alto-costo-de-las -matriculas-universitarias-514619Priya.S, A. S. T. (2017). Comparative study of Naive Bayes classifier and K Nearest Neighbor in imputation of missing values. Special Issue | ASAT in CS’17.Pérez, B., Castellanos, C., y Correal, D. (2018). Predicting Student Drop-Out Rates Using Data Mining Techniques: A Case Study. En A. D. Orjuela-Cañón, J. C. Figueroa-García, y J. D. Arias- Londoño (Eds.), Applications of Computational Intelligence (Vol. 833, pp. 111–125). Cham: Springer International Publishing. Descargado 2023-06-14, de http://link.springer.com/ 10.1007/978-3-030-03023-0_10 doi: 10.1007/978-3-030-03023-0_10Qiskit contributors. (2023). Qiskit: An open-source framework for quantum computing. doi: 10.5281/zenodo.2573505Rebentrost, P., Mohseni, M., y Lloyd, S. (2014, septiembre). Quantum Support Vector Machi- ne for Big Data Classification . Physical Review Letters, 113(13), 130503. Descargado 2023- 11-09, de https://link.aps.org/doi/10.1103/PhysRevLett.113.130503 doi: 10.1103/ PhysRevLett.113.130503Rish, I., y cols. (2001). An empirical study of the naive bayes classifier. En Ijcai 2001 workshop on empirical methods in artificial intelligence (Vol. 3, pp. 41–46).Schaffer, C. (s.f.). Sparse Data and the Effect of Overfitting Avoidance in Decision Tree In- duction. Descargado 2023-11-10, de https://aaai.org/papers/00147-aaai92-023-sparse -data-and-the-effect-of-overfitting-avoidance-in-decision-tree-induction/Universidad de Córdoba. (2004). Reglamento académico estudiantil.. Descargado 2023-11-10, de https://repositorio.unicordoba.edu.co/handle/ucordoba/1552Universidad de Córdoba. (2023). Oferta Académica Pregrado. Descargado 2023- 06-29, de https://www.unicordoba.edu.co/index.php/admisiones-y-registro/ oferta-academica-pregrado/Wang, H., Niu, D., y Li, B. (2019, abril). Distributed Machine Learning with a Serverless Archi- tecture. En IEEE INFOCOM 2019 - IEEE Conference on Computer Communications (pp. 1288– 1296). Descargado 2023-11-09, de https://ieeexplore.ieee.org/abstract/document/ 8737391 (ISSN: 2641-9874) doi: 10.1109/INFOCOM.2019.8737391Willems, J., Coertjens, L., Tambuyzer, B., y Donche, V. (2019, octubre). Identifying scien- ce students at risk in the first year of higher education: the incremental value of non-cognitive variables in predicting early academic achievement. European Journal of Psychology of Edu- cation, 34(4), 847–872. Descargado 2023-06-13, de http://link.springer.com/10.1007/ s10212-018-0399-4 doi: 10.1007/s10212-018-0399-4Wolpert, D., y Macready, W. (1997, abril). No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1(1), 67–82. Descargado 2023-11-09, de https:// ieeexplore.ieee.org/document/585893 doi: 10.1109/4235.585893Wu, G., y Chang, E. (2003). Class-Boundary Alignment for Imbalanced Da- taset Learning.. Descargado 2023-11-10, de https://www.semanticscholar64.org/paper/Class-Boundary-Alignment-for-Imbalanced-Dataset-Wu-Chang/ 6cc64e06b7507142e17fb9e9a63411c8eb272b0bYadalam, T. V., Gowda, V. M., Kumar, V. S., Girish, D., y M., N. (2020, junio). Career Recommendation Systems using Content based Filtering. En 2020 5th International Conference on Communication and Electronics Systems (ICCES) (pp. 660–665). doi: 10.1109/ICCES48766 .2020.9137992You, E. (2014). Vue.js - The Progressive JavaScript Framework. Descargado 2023-06-30, de https://vuejs.org/Zambrano Vizcaino, Y. P., Osorio Salcedo, V., y Barbosa Gutierrez, V. M. (2021, noviem- bre). Desarrollo de una aplicación web para la orientación vocacional y promoción de carre- ras STEM implementando técnicas de Data Mining. Descargado 2023-06-02, de https://manglar.uninorte.edu.co/handle/10584/9857Orientación vocacionalPruebas Saber 11Aprendizaje automáticoSTEMVocational guidanceSaber 11 testMachine learningSTEMPublicationORIGINALArgüellesMonterrosaCarlosdeJesús-MeléndezArmellaLilaVanessa.pdfArgüellesMonterrosaCarlosdeJesús-MeléndezArmellaLilaVanessa.pdfapplication/pdf1508607https://repositorio.unicordoba.edu.co/bitstreams/34f21500-82d2-4b9f-82fa-4fd49b3f2eb9/download2ff0ce8ab225d6cfb10a17f657c3d1d0MD54Formato de autorización.pdfFormato de autorización.pdfapplication/pdf654003https://repositorio.unicordoba.edu.co/bitstreams/17ae1465-3daf-4d17-ae06-80511b7ff275/download1de4de43e052da0430daff3b2da83c33MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-815543https://repositorio.unicordoba.edu.co/bitstreams/eaad2e4a-d572-4325-a3e3-e4b3fb870f12/download73a5432e0b76442b22b026844140d683MD52TEXTArgüellesMonterrosaCarlosdeJesús-MeléndezArmellaLilaVanessa.pdf.txtArgüellesMonterrosaCarlosdeJesús-MeléndezArmellaLilaVanessa.pdf.txtExtracted texttext/plain101926https://repositorio.unicordoba.edu.co/bitstreams/9d258b08-1e71-4a85-8b17-ac5d31d8a74f/downloadee35050e892e1a6a90e9dddabe07583fMD55THUMBNAILArgüellesMonterrosaCarlosdeJesús-MeléndezArmellaLilaVanessa.pdf.jpgArgüellesMonterrosaCarlosdeJesús-MeléndezArmellaLilaVanessa.pdf.jpgGenerated Thumbnailimage/jpeg6587https://repositorio.unicordoba.edu.co/bitstreams/dfbf317d-b469-4ea8-a958-262515df88dd/download42e738973ad6549be12c0544ee729e65MD56ucordoba/8001oai:repositorio.unicordoba.edu.co:ucordoba/80012023-12-21 03:00:28.821https://creativecommons.org/licenses/by-nc-nd/4.0/Copyright Universidad de Córdoba, 2023open.accesshttps://repositorio.unicordoba.edu.coRepositorio Universidad de Córdobabdigital@metabiblioteca.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 |