Campus Virtuales

Campus Virtuales (Vol. V, Num. 02)

Número completo
Full number

 

 

 

 

 

 

 

 

 

 


Descubrimiento de perfiles de rendimiento estudiantil: un modelo de integración de datos académicos y socioeconómicos
Discovery of profiles of student performance: a model of integration of academic and socioeconomic data

David Luis La Red Martínez. Resistencia (Argentina).

Marcelo Karanik. Resistencia (Argentina).

Mirtha Giovannini. Resistencia (Argentina).

María Eugenia Báez. Resistencia (Argentina).

Juliana Torre. Resistencia (Argentina).

Número completo
Full number

 

 

 

 

 

 

 

 

 

 


Descubrimiento de perfiles de rendimiento estudiantil: un modelo de integración de datos académicos y socioeconómicos
Discovery of profiles of student performance: a model of integration of academic and socioeconomic data

David Luis La Red Martínez. Resistencia (Argentina).

Marcelo Karanik. Resistencia (Argentina).

Mirtha Giovannini. Resistencia (Argentina).

María Eugenia Báez. Resistencia (Argentina).

Juliana Torre. Resistencia (Argentina).

Resumen/Abstract

Resumen / Abstract


Uno de los mayores problemas que enfrentan las universidades en Argentina, y que cada día toma mayor relevancia, es la alta tasa de deserción estudiantil, la cual se ve reflejada en el número de graduados, que en algunos casos no llega a la mitad de estudiantes. Para encontrar una solución a esta problemática se plantea la necesidad de estudiar sus causas, para lo cual se busca encontrar patrones entre las características de los estudiantes, y definir así perfiles que conduzcan al éxito o fracaso académico. Fundado en esto, este trabajo describe un modelo basado en técnicas de Data Mining para determinar los perfiles de rendimiento académico en la asignatura Algoritmos y Estructura de Datos de la carrera Ingeniería en Sistemas de Información de la Universidad Tecnológica Nacional Facultad Regional Resistencia (UTN-FRRe). Empleando los datos de los alumnos que cursaron la antedicha asignatura en el ciclo lectivo 2014, se procuró determinar en qué medida el desigual desempeño de los mismos es influenciado por otras variables de interés tales como los factores económicos, demográficos, sociales y culturales. En función a estas variables y a partir de técnicas de clasificación y determinación de patrones, se crearon perfiles de rendimiento académico con el objetivo principal de utilizar aquellos tendientes alfracaso o deserción como base a la determinación de futuras políticas de gestión académica que podrían implementarsepara reducir dicho fenómeno.

One of the biggest problems faced by the universities in Argentine, and that each day takes greater relevance, is the high dropout rate, which is reflected in the number of graduates, which in some cases is less than half of students.To find a solution to this problem it is necessary to study its causes, for which it seeks to find patterns between student characteristics, and define profiles that lead to success or academic failure.Based on the above, this paper describes a system based on Data Mining model to determine the profiles of academic performance in the course Algorithms and Data Structure, of the Engineering in Information Systems, National Technological University, ResistenciaRegional Faculty (UTN-FRRe).Using data from students who attended the above subject in the school year 2014, is aimed to determine to what extent the uneven performance of them is influenced by other variables of interest such as the economic, demographic, social, and cultural factors.Using these variables, and classification and determination of patternstechniques, profiles of academic performance were created with the main objective of using profiles that indicate trends of failure or dropping out, to determine future policies of academic management that could be implemented to reduce this phenomenon.

Palabras Clave/Keywords

Palabras Clave / Keywords


Rendimiento académico, Minería de datos, Reducción fracaso académico, Gestión académica.

Academic achievement, Data Mining, Reduced academic failure, Academic Management.

Referencias/References

Referencias / References


Aluja, T. (2001). La minería de datos, entre la estadística y la inteligencia artificial, Quadernsd'Estadística i Investigació Operativa, 25(3), 479-498.

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

Baker, R.; Yaceff, K. (2009). The State of Educational Data Mining in 2009: A Review and Future Visions. Journal of Educational Data Mining, 1(1).

Dell Software. (2016). Data Mining Techniques – Statistics Textbook. (http://documents.software.dell.com/statistics/textbook/data-mining-techn)

Di Gresia, L. (2007). Rendimiento Académico Universitario. Tesis Doctoral. Universidad Nacional de La Plata, Argentina.

Fayyad, U. M.; Piatetsky-Shapiro, G.; Smyth, P. (1996). From data mining to knowledge discovery: An overview. In Fayyad, U. M., Piatetsky-Shapiro, G., Smyth, P. and Thurusamy, R.: Advances in Knowledge Discovery and Data Mining, pp. 1-34. AAAI Press/MIT Press, Cambridge, Massachusetts.

García, M. M.; San Segundo, M. J. (2001). El Rendimiento Académico en el Primer Curso Universitario. X Jornadas de la Asociación de Economía de la Educación. Libro de Actas, 435‐445. España.

García-Jiménez, M. V.; Alvarado Izquierdo, J. M.; Jiménez Blanco, A. (2000). La predicción del rendimiento académico: regresión lineal versus regresión logística. Psicothema, 12(2).

Gil, H. S.; Rao, P. C. (1996). The Official Client / Server Computing Guide to Data Warehousing. Que Pub., Simon & Schuster Company.

Grabmeier, J.; Rudolph, A. (2002). Techniques of Cluster Algorithms in Data Mining. Data Mining and Knowledge Discovery, 6, 303-360. Editors: Fayyad; Mannila; Ramakrishnan. Kluwer Academic Publishers. Netherlands.

Hand, D. J.; Heikki, M.; Padhraic, S. (2001). Principles of data mining. MIT Press. Jackson, J. (2002). Data Mining: A Conceptual Overview. Communications of the Association for Information Systems, 8, 267-296.

IBM (2005). DB2 Universal Database Data Warehouse Edition. (ftp://public.dhe.ibm.com/ps/products/dwe/V8.2.1/es_ES/getstart821.pdf)

IBM Knowledge Center (2016). Demographic Clustering. (https://www.ibm.com/support/knowledgecenter/SSEPGG_10.5.0/com.ibm.im.model.doc/c_distribution_based_clustering.html)

Letham, B.; Rudin, C.; McCormick, T. H.; Madigan, D. (2015). Interpretable Classifiers Using Rules and Bayesian Analysis: Building A Better Stroke Prediction Model. The Annals of Applied Statistics. Institute of Mathematical Statistics, 9(3), 1350-1371. USA.

Maindonald, J. (2016). Data Mining from a Statistical Perspective. Statistical Consulting Unit of the Graduate School Australian National University. (http://maths-people.anu.edu.au/~johnm/dm/dmpaper.html)

Maimon, O.; Rokach, L. (2010). Data Mining and Knowledge Discovery Handbook. Springer, New York. ISBN 978-0-387-09823-4.

Maletic, J. I.; Collard, M. L.; Marcus, A. (2002). Source Code Files as Structured Documents, in Proceedings 10th IEEE International Workshop on Program Comprehension (IWPC'02), pp. 289-292, Paris, France, June 27-29.

Michaud, P. (1999). Clustering Techniques. Future Generation Computer Systems, 13(2).

Microsoft (2016). Conceptos de minería de datos. Disponible en: (https://msdn.microsoft.com/es-ES/library/ms174949(v=sql.120).aspx)

Molina López, J.; García Herrero, J. (2012). Técnicas de Análisis de Datos. Madrid, España.

Natek, S.; Zwilling, M. (2013). Data Mining For Small Student Data Set – Knowledge Management System For Higher Education Teachers. Make Learn. Active Citizenship by Management, Knowledge Management & Innovation Knowledge and Learning. International Conference 2013, 19-21 June, Zadar, Croatia.

Pang-Ning, T.; Steinbach, M.; Kumar, V. (2006). Introduction to data mining. Library of Congress.

Quinlan, J. R. (1986). Induction of Decision Trees. Machine Learning 1, 81-106, Kluwer Academic Publishers.

Rokach, L.; Maimon, O. (2008). Data mining with decision trees: theory and applications. World Scientific Pub. Co. Inc. ISBN 978-9812771711.

Romero, C.; Ventura, S. (2010). Educational Data Mining: A Review of the State-of-the-Art. IEEE Transaction on Systems, Man, and Cybernetics, Part C: Applications and Reviews, 40(6), 601-618.

Salton, G. (1989). Automatic Text Processing: The Transformation, Analysis and Retrieval of Information by Computer, Addison-Wesley.

Vivo Molina, J. M.; Franco Nicolás, M.; Sánchez de la Vega, M. del M. (2004). Estudio del rendimiento académico universitario basado en curvas ROC. Revista de Investigación Educativa, RIE, 22(2), 327‐340. España.

Witten, I. H.; Eibe, F. (2005). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.

Wu, X.; Kumar, V.; Ross Quinlan, J.; Ghosh, J.; Yang, Q.; Motoda, H.; McLachlan, G. J.; Ng, A.; Liu, B.; Yu, P. S.; Zhou, Z. H.; Steinbach, M.; Hand, D. J.; Steinberg, D. (2008). Top 10 algorithms in data mining. Knowledge Information Systems, 14, 1-37, Springer-Verlag London Limited.

Cómo citar/How to cite

Cómo citar / How to cite


La Red, D. L.; Karanik, M.; Giovannini, M.; Báez, M. E.; Torre, J. (2016). Descubrimiento de perfiles de rendimiento estudiantil: un modelo de integración de datos académicos y socioeconómicos. Campus Virtuales, 5(2), 70-83. (www.revistacampusvirtuales.es)

You are here: CAMPUS VIRTUALES JOURNAL Back Issues Uncategorised Campus Virtuales (Vol. V, Num. 02)