Modelos estadísticos y conexionistas para predecir el rendimiento académico de alumnos universitarios

Autores/as

  • María V. López Facultad de Ciencias Exactas y Naturales y Agrimensura. Universidad Nacional del Nordeste.
  • María G. Longoni Facultad de Ciencias Exactas y Naturales y Agrimensura. Universidad Nacional del Nordeste.
  • Eduardo A. Porcel Facultad de Ciencias Exactas y Naturales y Agrimensura. Universidad Nacional del Nordeste.

Palabras clave:

rendimiento académico, ingresantes universitarios, regresión logística multinomial, redes neuronales, perceptrón multicapa, función de base radial

Resumen

En este trabajo se analiza la relación del rendimiento académico de los alumnos ingresantes a las carreras de perfil profesional la FACENA – UNNE en Corrientes, Argentina, durante el primer año, con sus características socioeducativas. El rendimiento fue medido por la aprobación de los exámenes parciales de las asignaturas del primer cuatrimestre del primer año. Se ajustaron un modelo de Regresión Logística Multinomial (RLM) y dos modelos de redes neuronales de tipo Perceptrón Multicapa (PM) y de Función de Base Radial (FBR) a dos conjuntos de datos: a) alumnos ingresantes a Bioquímica, cuyos plan de estudios incluye dos asignaturas en el primer cuatrimestre del primer año; b) alumnos ingresantes a carreras cuyos planes de estudios incluyen tres asignaturas en el primer cuatrimestre del primer año.

En ambos casos el modelo PM produjo el mejor ajuste, observándose que en el caso b) las tres técnicas utilizadas registraron altos porcentajes de clasificación correcta. Los resultados obtenidos contribuyen a orientar las políticas y estrategias institucionales para mejorar los preocupantes índices de desgranamiento, abandono y bajo rendimiento de los estudiantes en el primer año de universidad.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

• AGRESTI, A. (1996): “AN INTRODUCTION TO CATEGORICAL DATA ANALYSIS”. New York: Wilely.

• BISHOP, C. (1995): “NEURAL NETWORKS FOR PATTERN RECOGNITION”. Oxford: University Press. En: LÉVY MANGIN, J.; VARELA MALLOU, J. (2003): “ANÁLISIS MULTIVARIABLE PARA LAS CIENCIAS SOCIALES”. Pearson Educación S. A.

• BORRACCI, R. A. y ARRIBALZAGA, E. B. (2005): “APLICACIÓN DE ANÁLISIS DE CONGLOMERADOS Y REDES NEURONALES ARTIFICIALES PARA LA CLASIFICACIÓN Y SELECCIÓN DE CANDIDATOS A RESIDENCIAS MÉDICAS”. Educación Médica Vol 8 Nº 1. ISSN 1575-1813. Barcelona.

• BROOMHEAD, D.S.; LOWE, D. (1988): “MULTIVARIABLE FUNCTIONAL INTERPOLATION AND ADAPTIVE NETWORK”. Complex Systems, 2, 321–355.

• CASTILLO, E.; COBO, A.; GUTIÉRREZ, J.M.; PRUNEDA, R.E. (1999). Introducción a las Redes Funcionales con Aplicaciones. Un Nuevo Paradigma Neuronal”. Editorial Paraninfo S.A. Madrid. España. pp.5-8; 8-16; 21-24, 30-34, 53-100.

• CHERKASSKY, V.; FRIEDMAN, J.H. Y WECHSLER, H. (1994): “FROM STATISTICS TO NEURAL NETWORKS”. Springer- Verlag. Berlin.

• COMISIÓN DE AUTOEVALUACIÓN FACENA-UNNE. (1996): “INFORME DE AVANCE PRE-DIAGNÓSTICO 1996”. Facultad de Ciencias Exactas y

Naturales y Agrimensura. Universidad Nacional del Nordeste.

• DAPOZO, G.; PORCEL, E. (2005): “METODOLOGÍA DE INTEGRACIÓN DE DATOS PARA APOYAR EL SEGUIMIENTO Y ANÁLISIS DEL RENDIMIENTO ACADÉMICO DE LOS ALUMNOS DE LA FACENA”. Comunicaciones Científicas y Tecnológicas de la Universidad Nacional del Nordeste 2005. Corrientes. Argentina. Disponible en: http://www.unne.edu.ar/Web/cyt/com2005/8-Exactas/E-032.pdf.

• DAPOZO, G.; PORCEL, E.; LÓPEZ, M. V.; BOGADO, V. (2007): “TÉCNICAS DE PREPROCESAMIENTO PARA MEJORAR LA CALIDAD DE LOS DATOS EN UN ESTUDIO DE CARACTERIZACIÓN DE INGRESANTES UNIVERSITARIOS”. IX Workshop de Investigadores en Ciencias de la Computación (WICC 2007). Trelew. Chubut. Argentina.

• FAUSETT, L. (1994): “FUNDAMENTALS OF NEURAL NETWORKS”. New York: Prentice Hall. En: LÉVY MANGIN, J.; VARELA MALLOU, J. (2003):

“ANÁLISIS MULTIVARIABLE PARA LAS CIENCIAS SOCIALES”. Pearson Educación S. A.

• FLEXER, A. (1995): “CONNECTIONIST AND STATISTICIANS, FRIENDS OR FOES?”. The Austrian Research Institute for Artificial Intelligence. Acceso FTP. Servidor: ai.univie.ac.at.

• GONZÁLEZ, D.S. (1999): “DETECCIÓN DE ALUMNOS DE RIESGO Y MEDICIÓN DE LA EFICIENCIA DE CENTROS ESCOLARES MEDIANTE REDES NEURONALES”. Biblioteca de Económicas y Empresariales. Servicios de Internet. Universidad Complutense de Madrid.

• HAYKIN, S. (1994): “NEURAL NETWORKS: A COMPREHENSIVE FOUNDATION”. New York: Macmillan Publishing. En: Lévy Mangin, J.; Varela Mallou, J. (2003). Análisis multivariable para las Ciencias Sociales. Pearson Educación S. A.

• HECTHT-NIELSEN, R. (1990): “NEUROCOMPUTING”. Addison-Wesley. Cal.

• HERTZ, J. KROGH, A. y PALMER, R. (1991): “INTRODUCTION TO THE THEORY OF NEURAL COMPUTATION”. Addison-Wesley. Cal.

• HILERA, J.R. y MARTÍNEZ, V.J. (1995): “REDES NEURONALES ARTIFICIALES: FUNDAMENTOS, MODELOS Y APLICACIONES”. Ra-ma. Madrid.

• HOSMER, D.; LEMESHOW, S. (2000): “APPLIED LOGISTIC REGRESSION. 2ND EDITION JOHN WILEY & SONS INC”. En: GARCÍA, T.; MONTERO, C.; RUÍZ, V.; VÁSQUEZ, M.; ÁLVAREZ, W. (2008): “APLICACIÓN DE LA REGRESIÓN LOGÍSTICA MULTINOMIAL EN LA DETECCIÓN DE FACTORES ECONÓMICOS QUE INFLUYEN LA PRODUCTIVIDAD DE LOS SECTORES INDUSTRIALES”. Ingeniería UC, Vol. 15, Núm. 3, pp. 19-24. ISSN 1316-6832. Universidad de Carabobo. Venezuela.

• HUNTER, A.; KENNEDY, L.; HENRY, J; FERGUSON, R.I. (2000): “APPLICATION OF NEURAL NETWORKS AND SENSITIVITY ANALYSIS TO IMPROVED PREDICTION OF TRAUMA SURVIVAL”. Computer Methods and Algorithms in Biomedicine 62, 11-19.

• LANZARINI, L. (2003): “REDES NEURONALES DE BASE RADIAL (EJEMPLO K-MEDIAS)”. Material didáctico. Cátedra “Redes Neuronales y algoritmos evolutivos”. Instituto de Investigación en Informática LIDI. Facultad de Informática. Universidad Nacional de La Plata. Buenos Aires. Argentina. Fecha de consulta: Abril de 2010. Disponible en: http://weblidi.info.unlp.edu.ar/catedras/neuronales/05_RBF.pdf

• MARTÍN, B. y SANZ, A. (1997): “REDES NEURONALES Y SISTEMAS BORROSOS”. Ra-ma. Madrid.

• MICHIE, D., SPIEGELHARTER, D.J. y TAYLOR, C.C. (1994): “MACHINE LEARNING, NEURAL AND STATISTICAL CLASSIFICATION”. Londres: Ellis Horwood.

• MOODY, J.; DARKEN, C. (1989): “FAST LEARNING IN NETWORKS OF LOCALLY TUNED PROCESSING UNITS”. Neural Computation, 1 (2), 281–294.

• PALACIOS BURGOS, F. J. (2003). “REDES NEURONALES CON GNU/LINUX COPYRIGHT (c)”- Herramientas en GNU/Linux para estudiantes universitarios- Capítulo 3. Tipos de Redes Neuronales. Fecha de consulta: Abril de 2010. Disponible en: http://softwarelibre.unsa.edu.ar/docs/descarga/2003/curso/htmls/redes_neuronales/x185.html

• PATTERSON, D. (1996): “ARTIFICIAL NEURAL NETWORKS”. Singapore: Prentice Hall. En: Lévy Mangin, J.; Varela Mallou, J. (2003). Análisis multivariable para las Ciencias Sociales. Pearson Educación S. A.

• PITARQUE, A.; RUIZ, J. C.; ROY, J. F. (2000): “LAS REDES NEURONALES COMO HERRAMIENTAS ESTADÍSTICAS NO PARAMÉTRICAS DE CLASIFICACIÓN”. Psicothema ISSN 0214 - 9915 CODEN PSOTEG. Vol. 12, Supl. nº 2, pp. 459-463. Disponible en: http://www.psicothema.com/psicothema.asp?id=604. 2000.

• POGGIO, T.; GIROSI, F. (1990): “NETWORK FOR APPROXIMATION AND LEARNING”. Proceedings of IEEE, 78 (9), 1491–1497.

• RIPLEY, B.D. (1996). “PATTERN RECOGNITION AND NEURAL NETWORKS”. Cambridge Univ. Press. Cambridge, G.B.

• RZEMPOLUCK, E. J. (1997): “NEURAL NETWORK DATA ANALYSIS USING SIMULNET”. Simon Fraser University. Burnaby. B.C. Canadá. ISBN: 0-387-98255-8. pp. 1-3, 13-75.

• SALGUEIRO, F.; COSTA, G.; CÁNEPA, S.; LAGE, F.; KRAUS, G.; FIGUEROA, N.; CATALDI, Z. (2006): “REDES NEURONALES PARA PREDECIR LA APTITUD DEL ALUMNO Y SUGERIR ACCIONES”. Workshop de Investigadores en Ciencias de la Computación 2006.

• SANTÍN GONZÁLEZ, D. (1999): “DETECCIÓN DE ALUMNOS DE RIESGO Y MEDICIÓN DE LA EFICIENCIA DE CENTROS ESCOLARES MEDIANTE REDES NEURONALES”. Disponible en: http://eprints.ucm.es/6674/1/9902.pdf.

• SARLE, W.S. (1994): “NEURAL NETWORKS AND STATISTICAL MODELS”. Proceedings of the 19th Annual SAS Group conference, Cary, NC. pps. 1538-1550.

• SHEPHERD, A. J. (1997): “SECOND-ORDER METHODS FOR NEURAL NETWORKS”. New York: Springer. En: Lévy Mangin, J.; Varela Mallou, J.

(2003). Análisis multivariable para las Ciencias Sociales. Pearson Educación S. A.

• VÉLEZ-LANGS, O.; STAFFETTI, E. (2007): “COMPUTACIÓN NEURONAL Y EVOLUTIVA. REDES DE FUNCIONES DE BASE RADIAL”. Material didáctico. Asignatura “Computación Neuronal y Evolutiva”. Escuela Superior de Ingeniería Informática. Universidad Rey Juan Carlos. Fecha de

consulta: Abril de 2010. Disponible en: http://www.ia.urjc.es/~ovelez/docencia/cne/Redes%20de%20Funciones%20de%20Base%20Radial.pdf

• WASSERMAN, P.D. (1989): “NEURAL COMPUTING: THEORY AND PRACTICE”. Van Nostrand Reinhold. N.Y.

• ZAMARRIPA TOPETE, J.; SÁNCHEZ RODRÍGUEZ, J. (2007): “PERFILES DE CALIDAD EN EVALUACIÓN INSTITUCIONAL Y PROGRAMA ACADÉMICO, APLICANDO REDES NEURONALES”. Anales del VII Congreso internacional “Retos y expectativas de la Universidad”. Junio de

2007. Universidad Autónoma de Nuevo León. México. Disponible en: http://www.congresoretosyexpectativas.udg.mx/Congreso%201/Mesa%20E

/mesa-e_6.pdf. Fecha de consulta: Febrero de 2010.

Descargas

Publicado

2018-06-18

Número

Sección

Aplicaciones

Cómo citar

Modelos estadísticos y conexionistas para predecir el rendimiento académico de alumnos universitarios. (2018). Revista De La Escuela De Perfeccionamiento En Investigación Operativa, 20(33), 135-157. https://revistas.unc.edu.ar/index.php/epio/article/view/20348