Análisis de los factores asociados a los resultados del examen saber pro, de los estudiantes de ingeniería industrial de universidades en Colombia, usando técnicas de minería de datos y minería de texto

Las entidades del Estado Colombiano generan una gran cantidad de datos diariamente mediante sus procesos misionales, estos datos deben ser transformados en información útil que conduzca a una mejora en la eficiencia del gobierno en prácticas dirigidas al análisis y el perfeccionamiento del diseño de políticas públicas .En este artículo se explora la aplicación de la metodología KDD (Knowledge Discovery in Databases) a una base de datos que contiene los resultados del examen Saber Pro2019 publicados por el ICFES. Se realizaron análisis estadísticos y matemáticos a las variables consideradas de interés, se ajustó un modelo de clasificación a Instituciones de Educación Superior (IES) , se agruparon los estudiantes por medio de una clasificación socioeconómica y se crearon los perfiles tipológicos de cada grupo. Adicionalmente, se estudió la relación entre la clasificación socioeconómica, la institución de educación superior y el puntaje global por medio de un árbol de decisión. Por último, se realizó un análisis de sentimientos y se construyeron nubes de palabras con base a los resultados de una encuesta relacionada con las pruebas saber Pro. Se concluye que la categoría socioeconómica si es una variable con significancia estadística sobre el puntaje global, sin embargo, su influencia se ve trivializada en comparación con el efecto de la institución de educación superior con el puntaje. También se observa que hay una mayor proporción de estudiantes con categorías socioeconómicas más altas conforme aumenta la categoría la universidad. 1*

• Autores: Parra Moreno, Juan Camilo; Espinosa Orjuela, Paola Andrea
• Tipo de recurso: http://purl.org/coar/version/c_b1a7d7d4d402bcce
• Fecha de publicación: 2021
• Institución: Universidad Industrial de Santander
• Repositorio: Repositorio UIS
• Idioma: spa
• OAI Identifier: oai:noesis.uis.edu.co:20.500.14071/41225
• Acceso en línea: https://noesis.uis.edu.co/handle/20.500.14071/41225; https://noesis.uis.edu.co
• Palabra clave: Minería de datos; Aprendizaje automático; Algoritmos; Analítica de datos; Metodología KDD; aprendizaje no supervisado; aprendizaje supervisado; Data mining; Machine learning; Algorithms; Data analytics; KDD Methodology; unsupervised learning; supervised learning
• License: Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)