Técnicas de clasificación para predecir el desempeño de los estudiantes en pruebas estandarizadas
DOI:
https://doi.org/10.58299/edutec.v32i2.793Palabras clave:
Clasificación, Desempeño académico, Minería de Datos, PrediccciónResumen
Los exámenes de ingreso administrados por las instituciones educativas son uno de los principales desafíos que enfrentan los estudiantes que desean continuar su educación. Estos exámenes son pruebas estandarizadas que miden las habilidades y conocimientos de los estudiantes, lo que ayuda a seleccionar estudiantes que tienen más probabilidades de tener éxito en sus estudios futuros. El propósito de esta investigación es analizar las calificaciones finales de Español, Matemáticas, Ciencias Naturales y Ciencias Sociales de estudiantes egresados de secundaria con el fin de encontrar patrones que ayuden a predecir su desempeño en el examen de ingreso al bachillerato. El desempeño se mide con base en el nivel de habilidad/conocimiento demostrado en la prueba representado por . El análisis se realiza con técnicas de agrupamiento y clasificación de WEKA aplicadas a 7,118 estudiantes procedentes de diferentes escuelas que solicitaron su ingreso al nivel medio superior de la Benemérita Universidad Autónoma de Puebla.
Citas
Al-Razgan, M., Al-Khalifa, A. S. & Al-Khalifa, M. S. (2014). Educational Data Mining: A Systematic Review of the Published Literature 2006-2013. Proceedings of the First International Conference on Advanced Data and Information Engineering. Springer, Vol. 285, pp. 711-719. doi: 10.1007/978-981-4585-18-7_80
Backhoff E, Larrazolo N, Rosas M. (2020). Nivel de dificultad y poder de discriminación del Examen de Habilidades y Conocimientos Básicos (EXHCOBA). Revista Electrónica de Investigación Educativa, 2(1), pp 11-285. https://www.redalyc.org/articulo.oa?id=15502102
Baker, F. B. and Kim, S. H. (2017). The Basics of Item Response Theory Using R. Springer, Cham, New York, NY.
Chao-Fernández, R., Ferreiro-Seoane, F., & Mato-Vázquez, M. (2015). Analysis of Performance Differences among Students in Urban and Non-urban Centers Based on Compulsory Secondary Education Special Awards. Revista Electrónica Educare, 19(3), pp. 1-19. doi: 10.15359/ree.19-3.23
Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1), pp. 37-46. doi: 10.1177/001316446002000104
Dole, L., & Rajurkar, J. (2015). A Decision Support System for Predicting Student Performance. International Journal of Innovative Research in Computer and Communication Engineering, 2(15), pp. 7232-7237. doi: 10.15680/IJIRCCE.2014.0212015
Durairaj, M. & Vijitha, C. (2014). Educational Data mining for Prediction of Student Performance Using Clustering Algorithms. International Journal of Computer Science and Information Technologies, 5(4), pp. 5987-5991. doi = 10.1.1.567.8824
Frank, E., Hall, M. A. & Witten, I. H. (2016). The WEKA Workbench. Online Appendix for Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, San Francisco, CA. doi: 10.5555/3086818
Hall, M., Frank, E, Holmes, G., Pfahringer, B., Reutemann, P. & Witten, I. H. (2009). Student academic performance prediction model using decision tree and fuzzy genetic algorithm. SIGKDD Explorations, 11(1), pp. 10-18. doi: 10.1145/1656274.1656278
Hamsa, H., Indiradevi, S. & Kizhakkethottam, J. J. (2016). The WEKA Data Mining Software: An Update. Procedia Technology, Elsevier Ltd, 25, pp. 326-332. doi: 10.1016/j.protcy.2016.08.114
Hand, J. D., Mannila, H. & Smyth, P. (2001). {textit {Principles of Data Mining}}. The MIT Press, Cambridge, MA.
Henrysson, S. (1971). Gathering, Analysing, and Using Data on Test Items. Educational Measurement, Washington, DC.
Kabakchieva, D. (2013). Predicting Student Performance by Using Data Mining Methods for Classification. Cybernetics and Information Technologies, 13(1), pp. 61-72. doi: 10.2478/cait-2013-0006
Kaur, Hardeep. (2018). A Literature Review from 2011 TO 2014 on Student’s Academic Performance Prediction and Analysis using Decision Tree Algorithm. Journal of Global Research in Computer Science 9.5, pp. 10-15. https://api.semanticscholar.org/CorpusID:54780296
Ketui, N., Wisomka W. & Homjun, K. (2019). Using Classification Data Mining Techniques for Students Performance Prediction. The 4th International Conference on Digital Arts, Media and Technology and 2nd ECTI Northern Section Conference on Electrical, Electronics, Computer and Telecommunications Engineering, pp. 359-363. doi: 10.1109/ECTI-NCON.2019.8692227
Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), pp. 159-174. doi: 10.2307/2529310
Meghji, A. F., Mahoto, N. A., Unar, M. A. & Shaikh, M. A. (2019). Predicting Student Academic Performance using Data Generated in Higher Educational Institutes. 3C Tecnología. Glosas de innovación aplicadas a la pyme, Edición Especial pp. 366-383. doi: 10.17993/3ctecno.2019.specialissue2.366-383
Menacho Chioc, C. H. (2017). Predicción del rendimiento académico aplicando técnicas de minería de datos. Anales Científicos, 78(1), pp. 26-33). doi: 10.21704/ac.v78i1.811
Piotesky-Shapiro, G. & Frawley, W. J. (1991). Knowledge Discovery in Database. The MIT Press, Cambridge, MA.
Ramos, R., Duque, J. C. & Nieto, S. (2012). An analysis of rural and urban differences in the educational performance of Colombian students based on PISA microdata (In Spanish). RiSE-group. https://2012.economicsofeducation.com/user/ pdfsesiones/177.pdf
Sembiring, S. (2012). An Application of Predicting Student Performance Using Kernel K-Means and Smooth Support Vector Machine. Masters thesis, Universiti Malaysia Pahang.
Sivasakthi, M. (2017). Classification and prediction based data mining algorithms to predict students' introductory programming performance. International conference on inventive computing and informatics, Coimbatore, India, pp. 346-350, doi: 10.1109/ICICI.2017.8365371
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 EDUCATECONCIENCIA
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
