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...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Gache, Andrea
Otros Autores: Bianco, María José
Publicado: 2022
Materias:
Análisis de datos
Ciencia de datos
Rendimiento Académico
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:
Repositorio Digital de la Universidad de Buenos Aires (UBA) de Universidad de Buenos Aires
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

Ejemplares similares