Barra lateral de artículos

Enviado
December 10, 2022
Publicado
January 1, 2023
Descargar
PDF PDF (English)
Estadística
Leer contador : 469 Descargar : 457

Descargas

Los datos de descargas todavía no están disponibles.

Contenido del artículo principal

Resumen

El artículo tiene como objetivo el desarrollo de un modelo que permite predecir en forma personalizada los ejercicios que puede resolver un estudiante, y por otro lado los que no puede resolver. El modelo está basado en una serie de factores que influye en los ritmos de aprendizaje de los estudiantes. El curso que se utilizó como experimento en el proyecto es el manejo de funciones en hojas de cálculo. Para el desarrollo del proceso se ha utilizado la metodología de minería de datos KDD (Knowledge Discovery in Databases) y para el modelo se ha utilizado redes neuronales artificiales con aprendizaje hacia atrás (Backpropagation), el cual es un algoritmo de aprendizaje supervisado. El modelo se alimenta con datos como sexo, edad, grado académico, nivel de instrucción de los padres, tipo de colegio, calificaciones previas de los temas que el estudiante obtiene mientras avanza en el curso. El enfoque de la investigación es de corte cuantitativo, experimental, de tipo aplicada y la población estuvo representada por 85 estudiantes. El resultado muestra que el modelo logra una probabilidad del 72% de precisión al predecir la asignación de ejercicios a los estudiantes según sus características. Los ejercicios que no pueden ser resueltos se les anexa una ayuda para su mejor comprensión y resolución.

Palabras clave

redes neuronales artificiales, aprendizaje supervisado, minería de datos, validación cruzada

Detalles del artículo

Cómo citar
Saire Peralta, E. A., & Velarde Allazo, E. A. (2023). Modelo clasificador para personalizar ejercicios propuestos a estudiantes utilizando redes neuronales artificiales. PUBLICACIONES, 53(2), 89–124. https://doi.org/10.30827/publicaciones.v53i2.26818
Descargar cita
Endnote/Zotero/Mendeley (RIS)
BibTeX
Crossref
Scopus
Google Scholar
Europe PMC

Referencias

  1. Anijovich, R., & Cappelletti, G. (2017). La evaluación como oportunidad. Paidós.
  2. Méndez, M. L. (2007). Diversidad en el aula. Innovación y experiencias Educativas.
  3. Medina, N., Fereira, J., & Marzol, R. (2018). Factores personales que inciden en el bajo rendimiento académico de los estudiantes de geometría. Telos, 20(1), 4-28. https://dialnet.unirioja.es/descarga/articulo/6436353.pdf
  4. Saucedo, M., Herrera-Sánchez, S., Díaz, J., Bautista, S., & Salinas, H. (2014). Indicadores de reprobación: Facultad de Ciencias Educativas (UNACAR). Revista Iberoamericana para la Investigación y el Desarrollo Educativo RIDE, 5(9), 1-11. https://doi.org/10.23913/ride.v5i9.7
  5. Anaya-Durand, A., & Anaya-Huertas, C. (2010). ¿Motivar para aprobar o para aprender? Estrategias de motivación del aprendizaje para los estudiantes. Tecnología, Ciencia. Educación, 25(1), 5-14. https://www.redalyc.org/articulo.oa?id=48215094002.
  6. Tourón, J., Santiago, R., & Díez, A. (2014). The Flipped Classroom: Cómo convertir la escuela en un espacio de aprendizaje. Grupo Océano.
  7. Otero, A., Rivera, W., Pedraza, C., & Canay, J. (2019). TIC para la educación: sistema adaptativo basado en mecanismos de aprendizaje automático para la apropiación de tecnologías en estudiantes de educación media. Telos: Revista de Estudios Interdisciplinarios en Ciencias Sociales, 21(3), 526–543. https://doi.org/10.36390/telos213.03.
  8. Salgado Reyes, N., Beltrán Morales, J., Guaña Moya, J., Escobar Teran, C., Nicolalde Rodriguez, D., & Chafla Altamirano, G. (2019). Modelo para predecir el rendimiento académico basado en redes neuronales y analítica de aprendizaje. Revista Ibérica de Sistemas y Tecnologías de Información, 1, 258–266. https://www.proquest.com/openview/5720c78f2e17a27355a8766fe81feb1a/1?pq-origsite=gscholar&cbl=1006393
  9. Menacho Chiok, C. H. (2017). Predicción del rendimiento académico aplicando técnicas de minería de datos. Anales Científicos, 78(1), 26. https://doi.org/10.21704/ac.v78i1.811
  10. Gutiérrez Cárdenas, J. M., & Casafranca Aguilar, F. (2015). Implementation of a Computerized Assessment System by using Backpropagation Neural Networks with R and Shiny. http://hdl.handle.net/11354/1087
  11. Tourón, J., & Santiago, R. (2015). El modelo Flipped Learning y el desarrollo del talento en la escuela. Revista de Educación, 368, 196-231. doi: https://doi.org/10.4438/1988-592X-RE-2015-368-288
  12. Singhal, D., & Swarup, K. (2011). Electricity price forecasting using artificial neural networks. International Journal of Electrical Power & Energy Systems. Elsevier, 33 (3), pp. 550-555.
  13. Romero, C., Ventura, S., García, E. (2008). Data mining in course management systems: Moodle case study and tutorial. Computers and Education, 51(1), 368-384. https://doi.org/10.1016/j.compedu.2007.05.016
  14. Garbanzo Vargas, G. M. (2007). Factores asociados al rendimiento académico en estudiantes universitarios, una reflexión desde la calidad de la educación superior pública. Revista educación, 31(1), 43-64. https://revistas.ucr.ac.cr/index.php/educacion/article/view/1252
  15. Cueto, S. (2006). Una década evaluando el rendimiento escolar. Organización Grupo de Análisis para el Desarrollo. GRADE.
  16. Hernández, O. J., Ramírez, Q. M-J., Ferri, R. C. (2004). Introducción a la minería de datos. Person Educación.
  17. Londhe, S., Mahajan, R., & Bhoyar, B. (2013). Survey on Mining High Utility Itemset Transactional Database. International Journal of Innovative Research & Development, 2(13), 43-47.
  18. García Martínez, R., Servente, M., & Pasquín, D. (2003). Sistemas Inteligentes. Nueva Librería.
  19. Betts, J. R., & Morell, D. (1999). The Determinants of Undergraduate Grade Point Average. The Relative Importance of Family Background, High School Resources, and Peer Group Effects. The Journal of Human Resources, 34(2).
  20. Porto, A., & Di Gresia, L. (2001). Rendimiento de Estudiantes Universitarios y sus Determinantes. Asociación Argentina de Economía Política.
  21. Naylor, R. A., & Smith, J. (2004). Determinants of Educational Success in Higher Education. En G. Johnes & J. Johnes (ed.). International Handbook in the Economics of Education.
  22. Timarán-Pereira, R., Caicedo-Zambrano, J., & Hidalgo-Troya, A. (2019). Árboles de decisión para predecir factores asociados al desempeño académico de estudiantes de bachillerato en las pruebas Saber 11°. Revista de Investigación, Desarrollo e Innovación, 9(2), 363-378. 10.19053/20278306.v9.n2.2019.9184.
  23. Zárate-Valderrama, J., Bedregal-Alpaca, N., & Cornejo-Aparicio, V. (2021). Modelos de clasificación para reconocer patrones de deserción en estudiantes universitarios. Ingeniare. Revista chilena de ingeniería, 29(1), 168-177. http://dx.doi.org/10.4067/S0718-33052021000100168