Resumen de Factores endógenos y exógenos para el modelado y predicción del rendimiento académico de estudiantes universitarios

Fernando Alain Incio Florez, Dulce Lucero Capuñay Sanchez

• español

  El objetivo de esta investigación es diseñar e implementar un modelo de red neuronal artificial (RNA) que permita predecir el rendimiento académico de los estudiantes de la Universidad Nacional Intercultural Fabiola Salazar Leguía de Bagua (UNIFSLB) en la asignatura Matemática. Esta investigación presenta un enfoque cuantitativo, no experimental, de tipo proyectiva y predictiva; se elaboró un cuestionario de respuestas dicotómicas para recolectar información de los factores que influyen en el Rendimiento académico (RA). Para la validación del cuestionario se utilizó el criterio de juicio de expertos, y para la confiabilidad la prueba Kuder-Richarson (coeficiente de confiabilidad de 0.82). La población de estudio quedó constituida por 397 estudiantes de la UNIFSLB. El modelo de RNA se diseñó en el software MATLAB, el ajuste del modelo se realizó teniendo en cuenta el error cuadrático medio (0.27) y el coeficiente de correlación ponderado durante el entrenamiento, validación y prueba (0.92%). El modelo de  RNA con los mejores resultados en la predicción está constituido por tres capas ocultas (35-42-31 neuronas en cada capa oculta) y una capa de salida (1 neurona). Se concluyó que es posible implementar un modelo de RNA con factores endógenos y exógenos para predecir el RA de los estudiantes

• English

  The objective of this research is to design and implement an artificial neural network (RNA) model that allows predicting the academic performance of students at the Fabiola Salazar Leguía de Bagua National Intercultural University (UNIFSLB) in the Mathematics subject. This research presents a quantitative, non-experimental, projective and predictive approach; A dichotomous response questionnaire was developed to collect information on the factors that influence Academic Performance (AR). For the validation of the questionnaire, the expert judgment criteria was used, and for reliability the Kuder-Richarson test (reliability coefficient of 0.82). The study population was made up of 397 UNIFSLB students. The RNA model was designed in the MATLAB software, the model adjustment was performed taking into account the mean square error (0.27) and the weighted correlation coefficient during training, validation and testing (0.92%). The RNA model with the best prediction results is made up of three hidden layers (35-42-31 neurons in each hidden layer) and an output layer (1 neuron). It was concluded that it is possible to implement an RNA model with endogenous and exogenous factors to predict the AR of students