Modelos gráficos probabilisticos aplicados a la predicción del rendimiento en educación

Abstract

La deserción estudiantil en las universidades es un problema que debe ser investigado y tratado con prioridad ya que se ha constituido como un indicador de eficiencia dentro de las instituciones de educación superior. Lo expuesto anteriormente nos lleva a proponer métodos que nos ayude a identificar a tiempo los estudiantes con riesgo de deserción en la Facultad de Ciencias de la Ingeniería de la Universidad Técnica Estatal de Quevedo y de esa manera aplicar alguna metodología para evitar que se lleve a efecto la deserción. Para realizar esta investigación se adoptó utilizar modelos gráficos probabilísticos como las redes bayesianas con métodos de clasificación y agrupamiento para poder analizar el comportamiento de los alumnos, tomando en consideración los datos socio-económicos y académicos de los estudiantes legalmente matriculados en el periodo 2012-2013 en la Facultad de Ciencias de la Ingeniería. Así como también otros experimentos con datos académicos de la UCI para dos escuelas en Portugal sobre los cursos de matemáticas y lengua portuguesa. El trabajo de clasificación se lo aplicó con los algoritmos que nos proporciona la herramienta Weka y el agrupamiento con Elvira. Adicionalmente se plantea un método basado en clasificación supervisada para la construcción de una jerarquía de variables artificiales de todas las variables observadas aplicando un método con clúster jerárquico que mejor se acople a estos datos estudiantiles. De igual manera se define una nueva forma de aprendizaje estructural para clasificadores bayesianos basados en métodos envolventes teniendo como problema principal encontrar la topología que mejor clasifique los datos (problema de optimización complejo), por lo que se propone aprender clasificadores bayesianos a través de la metaheurística conocida como optimización basada en mallas variables (VMO) para solucionar los problemas de optimización. Más adelante introducimos un nuevo clasificador que llamaremos clasificador bayesiano simple, que será una red bayesiana genérica, pero aprendida con una técnica voraz. Una vez analizados los datos de clasificación obtenidos con la herramienta Elvira con varios algoritmos se los comparara con el propuesto SBND. Se puede indicar que el problema de deserción estudiantil que se analiza es complejo y difícil y que ha sido necesario utilizar métodos que usan una combinación de factores (clasificadores bayesianos) para poder obtener algunas mejoras sobre los clasificadores triviales. Se propone realizar trabajos futuros relacionando mayor cantidad de variables que influyan en la deserción estudiantil como es el caso de la capacitación docente y la infraestructura tecnológica institucional.