Resumen de Predicción del rendimiento académico estudiantil con redes neuronales artificiales

Víctor Daniel Gil Vera, Catalina Quintero López

• español

  Este trabajo presenta una red neuronal artificial (RNA) para predecir el rendimiento académico estudiantil. Las RNAs emulan el funcionamiento fisiológico del cerebro humano, tienen la capacidad de procesar y abstraer información y son empleadas en investigaciones relacionadas con modelado predictivo debido a su capacidad para identificar relaciones no lineales entre variables. Se emplea una base de datos con información académica, demográfica, social e institucional de 395 estudiantes colombianos de media vocacional de la Institución Educativa Villa del Socorro, Medellín (Colombia). La base de datos es construida mediante la aplicación de encuestas e informes institucionales antes del inicio de la pandemia COVID-19. Los resultados muestran que la RNA desarrollada aquí clasifica adecuadamente el 73% de la muestra y que tiene un mejor desempeño en métricas (accuracy, recall, precision y F1-Score) que otras técnicas de aprendizaje supervisado. Se concluye que la predicción temprana del rendimiento académico permite formular estrategias didácticas y pedagógicas que hacen más eficiente el proceso de enseñanza y aprendizaje.

• English

  This study presents an artificial neural network (ANN) that is designed for predicting student academic performance. ANNs emulate human brain physiological function, have the ability to process information, and are used in research for making prediction models because of their ability to identify nonlinear relationships between variables. The database used contains academic, demographic, social, and institutional information of 395 Colombian vocational high school students at the Villa del Socorro Educational Institution, Medellín (Colombia). This information is retrieved from application surveys and institutional reports completed before the onset of the COVID-19 pandemic. The results show that the ANN developed here adequately classifies 73% of the sample and performs better in metrics (accuracy, recall, precision, and F1-Score) than other supervised learning techniques. It is concluded that early prediction of academic performance allows formulating didactic and pedagogical strategies that improve the efficiency of teaching and learning processes.