Modelos predictivos del rendimiento académico en álgebra a través de la minería de datos educativa: estudio de patrones de interacción en la plataforma Moodle del Campus Virtual CBC
El objetivo del presente trabajo es generar modelos predictivos del rendimiento académico, empleando métodos de la minería de datos educacional, que sirvan como herramientas de detección de factores vinculados a la interacción de los estudiantes en el aula virtual de Álgebra para Ciencias Económicas...
Guardado en:
Autor principal: | |
---|---|
Otros Autores: | |
Publicado: |
2022
|
Materias: | |
Acceso en línea: | http://bibliotecadigital.econ.uba.ar/econ/collection/tpos/document/1502-2236_GacheA http://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=tpos&d=1502-2236_GacheA_oai |
Aporte de: |
id |
I28-R145-1502-2236_GacheA_oai |
---|---|
record_format |
dspace |
spelling |
I28-R145-1502-2236_GacheA_oai2023-04-05 Bianco, María José Gache, Andrea 2022 El objetivo del presente trabajo es generar modelos predictivos del rendimiento académico, empleando métodos de la minería de datos educacional, que sirvan como herramientas de detección de factores vinculados a la interacción de los estudiantes en el aula virtual de Álgebra para Ciencias Económicas , del Ciclo Básico Común de la Universidad de Buenos Aires. Para ello se consolida una base con datos de los estudiantes referidos a la interacción con los recursos en el aula Moodle durante el primer cuatrimestre del 2021. Se emplean técnicas de minería de datos educacional, siguiendo las etapas del Proceso de Extracción de Conocimiento en Bases de Datos. Con R Studio, se aplican métodos de clusterización, para analizar las interacciones con los recursos y los foros. Para la elección del modelo predictivo se desarrolla con RapidMiner un análisis comparativo de diferentes métodos de clasificación. Los resultados muestran que el ensamble Gradient Boosted Tree, clasifica el 98,2% de las instancias correctamente con un margen de error mínimo del 1,8% Se logra identificar atributos predictores, concluyendo que el grado de participación influye en el rendimiento académico positivamente. Todo ello subraya la importancia de la implicación activa del estudiante, frente al mero acceso a la información disponible. 1502-2236_GacheA http://bibliotecadigital.econ.uba.ar/econ/collection/tpos/document/1502-2236_GacheA Análisis de datos Ciencia de datos Rendimiento Académico Modelos predictivos del rendimiento académico en álgebra a través de la minería de datos educativa: estudio de patrones de interacción en la plataforma Moodle del Campus Virtual CBC http://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=tpos&d=1502-2236_GacheA_oai |
institution |
Universidad de Buenos Aires |
institution_str |
I-28 |
repository_str |
R-145 |
collection |
Repositorio Digital de la Universidad de Buenos Aires (UBA) |
topic |
Análisis de datos Ciencia de datos Rendimiento Académico |
spellingShingle |
Análisis de datos Ciencia de datos Rendimiento Académico Gache, Andrea Modelos predictivos del rendimiento académico en álgebra a través de la minería de datos educativa: estudio de patrones de interacción en la plataforma Moodle del Campus Virtual CBC |
topic_facet |
Análisis de datos Ciencia de datos Rendimiento Académico |
description |
El objetivo del presente trabajo es generar modelos predictivos del rendimiento académico, empleando métodos de la minería de datos educacional, que sirvan como herramientas de detección de factores vinculados a la interacción de los estudiantes en el aula virtual de Álgebra para Ciencias Económicas , del Ciclo Básico Común de la Universidad de Buenos Aires. Para ello se consolida una base con datos de los estudiantes referidos a la interacción con los recursos en el aula Moodle durante el primer cuatrimestre del 2021. Se emplean técnicas de minería de datos educacional, siguiendo las etapas del Proceso de Extracción de Conocimiento en Bases de Datos. Con R Studio, se aplican métodos de clusterización, para analizar las interacciones con los recursos y los foros. Para la elección del modelo predictivo se desarrolla con RapidMiner un análisis comparativo de diferentes métodos de clasificación. Los resultados muestran que el ensamble Gradient Boosted Tree, clasifica el 98,2% de las instancias correctamente con un margen de error mínimo del 1,8% Se logra identificar atributos predictores, concluyendo que el grado de participación influye en el rendimiento académico positivamente. Todo ello subraya la importancia de la implicación activa del estudiante, frente al mero acceso a la información disponible. |
author2 |
Bianco, María José |
author_facet |
Bianco, María José Gache, Andrea |
author |
Gache, Andrea |
author_sort |
Gache, Andrea |
title |
Modelos predictivos del rendimiento académico en álgebra a través de la minería de datos educativa: estudio de patrones de interacción en la plataforma Moodle del Campus Virtual CBC |
title_short |
Modelos predictivos del rendimiento académico en álgebra a través de la minería de datos educativa: estudio de patrones de interacción en la plataforma Moodle del Campus Virtual CBC |
title_full |
Modelos predictivos del rendimiento académico en álgebra a través de la minería de datos educativa: estudio de patrones de interacción en la plataforma Moodle del Campus Virtual CBC |
title_fullStr |
Modelos predictivos del rendimiento académico en álgebra a través de la minería de datos educativa: estudio de patrones de interacción en la plataforma Moodle del Campus Virtual CBC |
title_full_unstemmed |
Modelos predictivos del rendimiento académico en álgebra a través de la minería de datos educativa: estudio de patrones de interacción en la plataforma Moodle del Campus Virtual CBC |
title_sort |
modelos predictivos del rendimiento académico en álgebra a través de la minería de datos educativa: estudio de patrones de interacción en la plataforma moodle del campus virtual cbc |
publishDate |
2022 |
url |
http://bibliotecadigital.econ.uba.ar/econ/collection/tpos/document/1502-2236_GacheA http://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=tpos&d=1502-2236_GacheA_oai |
work_keys_str_mv |
AT gacheandrea modelospredictivosdelrendimientoacademicoenalgebraatravesdelamineriadedatoseducativaestudiodepatronesdeinteraccionenlaplataformamoodledelcampusvirtualcbc |
_version_ |
1766016894074093568 |