Modelos gráficos probabilisticos aplicados a la predicción del rendimiento en educación
Metadatos
Afficher la notice complèteAuteur
Oviedo Bayas, Byron WladimirEditorial
Universidad de Granada
Director
Moral Callejón, SerafínDepartamento
Universidad de Granada. Departamento de Ciencias de la Computación e Inteligencia ArtificialMateria
Educación Rendimiento académico Estadística Probabilidades Fracaso escolar Educación superior Portugal Estadística bayesiana Conducta
Materia UDC
37 591001
Date
2016Fecha lectura
2016-11-02Referencia bibliográfica
Oviedo Bayas, B. Modelos gráficos probabilisticos aplicados a la predicción del rendimiento en educación. Granada: Universidad de Granada, 2016. [http://hdl.handle.net/10481/44592]
Patrocinador
Tesis Univ. Granada. Programa Oficial de Doctorado en: Tecnologías de la Información y la ComunicaciónRésumé
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.