Estudio comparativo de técnicas de minería de datos para develar patrones de desempeño académico en enseñanza media

• Diana C. Chamorro-Sangoquiza ^[1] ; Andrés M. Vargas-Muñoz ^[1] ; Ana C. Umaquinga-Criollo ^[2] ; Miguel A. Becerra ^[3] ; Diego H. Peluffo-Ordóñez ^[4]
  1. [1] Escuela Politécnica del Ejército

     Escuela Politécnica del Ejército

     Sangolqui, Ecuador

     
  2. [2] Universidad Técnica del Norte

     Universidad Técnica del Norte

     San Miguel De Ibarra, Ecuador

     
  3. [3] Institución Universitaria Pascual Bravo, Colombia
  4. [4] Universidad Yachay Tech, Ecuador

  Mostrar afiliaciones +
• Localización: RISTI: Revista Ibérica de Sistemas e Tecnologias de Informação, ISSN-e 1646-9895, Nº. Extra 32, 2020, págs. 455-468
• Idioma: español
• Títulos paralelos:
  • Comparative study of data mining techniques to reveal patterns of academic performance in secondary education
• Enlaces
  • Texto Completo Ejemplar
• Resumen
  • español

    Las técnicas de minería de datos permiten develar conocimiento a partir de grandes volúmenes de información, los cuales han sido poco exploradas en análisis de información de instituciones de educación, pero con una creciente demanda por este sector para apoyar la toma de decisiones. En esta investigación se propone una metodología de comparación de técnicas de minería de datos, aplicado al análisis de patrones académicos en estudiantes de educación media. Múltiples métodos de selección de atributos son aplicados para reducir la dimensionalidad y se comparan tres clasificadores y dos multi-clasificadores. Los experimentos se realizan en una base de datos de 285 instancias y 36 atributos obtenidos de una encuesta educativa aplicada a los alumnos del Tercer Año de Bachillerato de la Unidad Educativa Ibarra 2017-2018. Los mejores resultados de clasificación fueron alcanzados por los multiclasifiadores Boosted Tree y Bagged Tree con 93.24% de exactitud usando los datos seleccionados con el algoritmo BestFirst.

  • English

    The data mining techniques allow for unveiling knowledge from large volumes of information, which have recently been explored in information analysis by educational institutions but already with an increasing demand for this sector to support decision-making. In this research, a methodology for comparing data mining techniques is proposed, which is to be applied to the analysis of academic patrons in students of media education. Multiple methods of selecting attributes are applied to reduce the dimensionality and compare three classifiers and multiclassifiers. The experiments are carried out in a dataset of 285 instances and 36 attributes obtained from an educational survey applied to the students of the School of Education of the University of Barcelona 2017-2018. The best results of classification achieved by the multi-splitter Boosted Tree and Bagged Tree with 93.24% accuracy using the data selected using the BestFirst algorithm.