Predicción del logro académico en clases espejo: análisis sociodemográfico y pedagógico con minería de datos

Prediction of Academic Achievement in Mirror Classes: Sociodemographic and Pedagogical Analysis through Data Mining

Resumen Métricas disponibles Referencias Cómo citar

Resumen (es)

El objetivo de este estudio fue generar modelos predictivos del logro académico en clases espejo en diferentes niveles utilizando el perfil sociodemográfico y pedagógico de 103 estudiantes y algoritmos de minería de datos. Se siguió un enfoque cuantitativo a partir del modelo CRISP-DM (cross-industry standard process for data mining), abordando fases como la definición de problema; la adquisición, la comprensión y el análisis de los datos; la extracción de características; el modelado; la evaluación del modelo; y el despliegue. Los resultados muestran que el mejor modelo corresponde al algoritmo support vector classifier (SVC), con una precisión del 62 %, una mayor robustez a los cambios y un 0.89 de precisión a la hora de clasificar el logro, lo que representa una reducción de 0.30 con respecto al modelo de regresión logística multinomial (RLOG) y el algoritmo linear discriminant analysis (LDA). La métrica F1 score presenta un balance de 0.64. Se identificaron atributos predictores importantes para determinar el logro académico respecto a la variable demográfica, como la edad, el género, el semestre y si el estudiante vive con sus padres. Asimismo, en la variable pedagógica se destacaron aspectos como los estímulos a la participación, la puntualidad, el trabajo colaborativo, la claridad de las actividades y su retroalimentación, la facilidad de expresión del docente, los recursos para apoyar el aprendizaje y los medios tecnológicos de comunicación. Este estudio propone herramientas informáticas para que las universidades diseñen estrategias de mejora y prevención respecto al desempeño académico, con base en la implementación de la estrategia de internacionalización denominada clase espejo en estudiantes de ingeniería de sistemas de una universidad privada del Huila (Colombia).

Resumen (en)

The aim of this study was to generate predictive models of academic achievement in mirror classes at different levels using the sociodemographic and pedagogical profile of 103 students and data mining algorithms. A quantitative approach was followed based on the CRISP-DM (cross-industry standard process for data mining) model, addressing phases such as problem definition; data acquisition, understanding, and analysis; feature extraction; modeling; model evaluation; and deployment. The results show that the best model corresponds to the support vector classifier (SVC) algorithm, with an accuracy of 62%, greater robustness to changes, and 0.89 accuracy when classifying achievement, which represents a reduction of 0.30 compared to the multinomial logistic regression model (RLOG) and the linear discriminant analysis (LDA) algorithm. The F1 score metric has a balance of 0.64. Important predictive attributes were identified to determine academic achievement with respect to the demographic variable, such as age, gender, semester, and whether the student lives with their parents. Likewise, in the pedagogical variable, aspects such as stimuli to participation, punctuality, collaborative work, clarity of activities and feedback, ease of expression of the teacher, resources to support learning, and technological means of communication were highlighted. This study proposes computer tools for universities to design improvement and prevention strategies regarding academic performance, based on the implementation of the internationalization strategy called mirror class in systems engineering students of a private university in Huila (Colombia).