Minería de datos educativa para descubrir patrones asociados al desempeño académico en competencias genéricas

Andrea Timarán Buchely; Ricardo Timarán Pereira

doi:10.24054/rcta.v2i38.1282

Authors

Andrea Timarán Buchely Pontificia Universidad Javeriana
Ricardo Timarán Pereira Universidad de Nariño

DOI:

https://doi.org/10.24054/rcta.v2i38.1282

Keywords:

Minería de Datos Educativa, Árboles de Decisión, Desempeño Académico, Competencias Genéricas, Pruebas Saber Pro

Abstract

El objetivo de este estudio fue descubrir patrones asociados al desempeño académico en las competencias genéricas del examen estatal Saber Pro que presentaron los estudiantes de la Universidad Javeriana Cali (Colombia) en los años 2017 y 2018, aplicando técnicas de minería de datos educativa. Se utilizó la metodología CRISP-DM. Se seleccionó, de las bases de datos del ICFES, la información socioeconómica, académica e institucional de estos estudiantes. Se construyó, limpió y transformó un repositorio de datos para la minería de datos. Se descubrieron patrones asociados al buen o mal desempeño académico de los estudiantes con respecto al puntaje global obtenido en las competencias genéricas del examen Saber Pro. Se utilizó un modelo de clasificación basado en árboles de decisión. El conocimiento generado permitirá soportar la toma de decisiones de las directivas universitarias, con el fin de mejorar la calidad de la educación en la Universidad Javeriana.

Downloads

Download data is not yet available.

References

Algarni, A., 2016. Data Mining in Education. In (IJACSA) International Journal of Advanced Computer Science and Applications. Vol. 7, No. 6.

Azevedo, A. and Santos, M., 2008. KDD, SEMMA and CRISP-DM: a parallel overview. Proceedings of IADIS European Conference on Data Mining. (pp. 182-185). Amsterdam, Netherlands. ISBN: 978-972-8924-63-8. Disponible en: https://www.researchgate.net/publication/220969845_KDD_semma_and_CRISP-DM_A_parallel_overview.

Baker, R., 2010. Data Mining for Education. In McGaw, B., Peterson, P., Baker, E. (Eds.) International Encyclopedia of Education (3rd edition), vol. 7, pp. 112-118. Oxford, UK: Elsevier.

Escobar, H., Alcívar, M., Márquez, C. and Escobar, C., 2017. Implementación de Minería de Datos en la Gestión Académica de las Instituciones de Educación Superior. Didasc@lia: Didáctica y Educación. ISSN 2224-2643, 8(3), 203-212. [En línea]. Disponible en: http://revistas.ult.edu.cu/index.php/didascalia/article/view/637.

García, M. and Álvarez, A., 2010. Análisis de datos en WEKA–pruebas de selectividad. [En línea]. Disponible en: http://www.it.uc3m.es/~jvillena/irc/practicas/06-07/28.pdf.

Hall, M., Frank, E. and Witten, I., 2011. Practical Data Mining: Tutorials. University of Waikato. [En línea]. Disponible en: http://www.micai.org/2012/tutorials/Weka%20tutorials%20Spanish.pdf.

Han, J. and Kamber, M., 2001. Data Mining: Concepts and Techniques, Third Edition (3rd edition). Burlington, MA: Morgan Kaufmann.

Hernández, J., Ramírez, M. and Ferri, C., 2005. Introducción a la Minería de Datos. Editorial Pearson Prentice Hall. Madrid, España. ISBN: 84-205-4091-9.

Hernández, E. and Lorente, R., 2009. Minería de datos aplicada a la detección de Cáncer de Mama. Universidad Carlos III de Madrid. Disponible en: http://tps5to-utn-frre.googlecode.com/svn/trunk/BI/Cancer%20de%20Mama/14.pdf.

Icfes, 2012. Saber Pro: Principales resultados en Competencias Genéricas. Santa Marta, Colombia. [En línea]. Disponible en: www.icfes.gov.co/examenes/.../151-saber-pro-modulos-de-competencias.

Icfes, 2017. Saber Pro: Módulos de Competencias Genéricas 2017. Instituto Colombiano para la Evaluación de la Educación Superior. [En línea]. Disponible en: https://www.icfes.gov.co/documents/20143/495161/Guia%20de%20orientacion%20modulos%20de%20competencias%20genericas-saber-pro-2017.pdf.

MEN, 2006. Estándares Básicos de Competencias en Lenguaje, Matemáticas, Ciencias y Ciudadanas: Guía sobre lo que los estudiantes deben saber y saber hacer con lo que aprenden. ISBN: 958-691-290-6. Bogotá D.C., Colombia.

Peña, 2014. Educational data mining: A survey and a data mining-based analysis of recent works. Expert Systems with Applications, 1432–1462.

Posada, J. and Mendoza, F., 2014. Determinantes del logro académico de los estudiantes de grado 11 en el periodo 2008-2010. Una perspectiva de género y región. Estudios sobre calidad de la educación en Colombia, ICFES, Ministerio de Educación Nacional. Bogotá, Colombia.

Quinlan, J., 1993. C4. 5: Programs for Machine Learning (Vol. 1). Morgan Kaufmann. Disponible en: http://books.google.com.co/books?hl=es&lr=&id=HExncpjbYroC&oi=fnd&pg=PR7&dq=Programs+for+Machine+Leraning&ots=nLkbbRq2Yj&sig=Y5h5CQUdtbZjs1Fjd8ilbJfyRLE.

Sattler, K. and Dunemann, O., 2001. SQL database primitives for decision tree classifiers. Proceedings of the tenth international conference on Information and knowledge management (pp. 379–386). ACM. Disponible en: http://dl.acm.org/citation.cfm?id=502650.

Timarán, R., Hernández, I., Caicedo, J., Hidalgo, A. and Alvarado, J., 2016. Descubrimiento de patrones de desempeño académico. Ediciones Universidad Cooperativa de Colombia, Bogotá, abril de 2016. ISBN (digital): 978-958-760-050-6. DOI: http://dx.doi.org/10.16925/9789587600490.

Timarán, R., Jiménez, J. and Calderón, A., 2017. Detección de patrones de deserción estudiantil con minería de datos. Editorial Universidad de Nariño, Pasto, Colombia. ISBN: 978-958-8958-38-5. Disponible en: https://editorial.udenar.edu.co/?p=2383.

Unal, 2012. Análisis de los resultados obtenidos por la Universidad Nacional de Colombia sede Bogotá en las pruebas Saber Pro 2011–2. Universidad Nacional de Colombia. Bogotá: Universidad Nacional de Colombia. [En línea]. Disponible en: ww.unal.edu.co/diracad/evaluacion/SaberPro_2012/analisis_de_resultados.pdf.

Valero, S., Vargas, A. and García, M., 2005. Minería de datos: Predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos. Ene, 779(73), 33. [En línea]. Disponible en: http://fcaenlinea.unam.mx/anexos/1566/1566_u6_act1b.pdf.

Valero, S., 2009. Aplicación de técnicas de minería de datos para predecir deserción. Puebla, México: Universidad Tecnológica de Izúcar de Matamoros. Disponible en: http://www.utim.edu.mx/~svalero/docs/MineriaDesercion.pdf.

Villena, J., 2016. CRISP-DM: La metodología para poner orden en los proyectos de Data Science. Disponible en: https://data.sngular.team/es/art/25/crisp-dm-la-metodologia-para-poner-orden-en-los-proyectos-de-data-science.

Witten, I., Frank, E. and Hall, M., 2011. Data Mining: Practical Machine Learning Tools and Techniques (Third Edition). Morgan Kaufmann. ISBN: 978-0-12-374856-0.

Zapata, L., 2011. Factores académicos asociados al bajo rendimiento en inglés en las pruebas ECAES presentadas por los estudiantes de la Facultad de Educación en el año 2009. (Trabajo de grado de pregrado). Fundación Universitaria Luis Amigó, Facultad de Educación, Licenciatura en Educación Básica con Énfasis en inglés. Medellín, Colombia.