Modelo de aprendizaje automático para la predicción de los resultados de la escuela primaria basados en la información espacial, sociodemográfica y relacionada con la escuela

• Autores: Felipe Lillo, Leidy García, Pedro Severino González
• Localización: Interciencia: Revista de ciencia y tecnología de América, ISSN 0378-1844, Vol. 49, Nº. 1, 2024, págs. 60-67
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Las estrategias de aprendizaje en la enseñanza primaria son importantes para garantizar el progreso de los alumnos. En este sentido, la identificación de los factores que influyen en las calificaciones de los alumnos ayuda sin duda a los profesores a predecir los resultados y a mejorar las estrategias de enseñanza. Este estudio investiga empíricamente las conexiones entre las características sociodemográficas, escolares y académicas de los alumnos de primaria. Se presta especial atención a las características espaciales y a cómo influyen en el rendimiento.

    En particular, la distancia euclidiana al centro de la ciudad.

    El método de investigación se basa en técnicas de aprendizaje automático que se desarrollan a partir de un conjunto de datos formado por 12159 estudiantes de primaria que viven en la ciudad de Talca, Chile. Se prueban cuatro modelos de aprendizaje automático: una Red Neuronal (RN), un Bosque Aleatorio (RF por sus siglas en inglés), una Máquina de Vectores Soporte (SVM, por sus siglas en inglés) y un modelo de Árbol Impulsado por Gradiente (GBT, por sus siglas en inglés). Los resultados muestran niveles de error similares entre los modelos y confirman la edad del estudiante, la capacidad de la escuela y la distancia de la escuela como determinantes importantes de las predicciones de puntuación.

  • português

    As estratégias de aprendizagem no ensino fundamental são importantes para garantir o progresso dos alunos. Nesse sentido, a identificação dos fatores que influenciam as notas dos alunos certamente ajuda os professores a prever os resultados, bem como a aprimorar as estratégias de ensino. Este estudo investiga empiricamente as conexões entre características sociodemográficas, relacionadas à escola e acadêmicas dos alunos do ensino básico. É dada atenção especial às características espaciais e como elas influenciam o desempenho. Em particular, a distância euclidiana do centro da cidade. O método de pesquisa baseia-se em técnicas de aprendizado de máquina desenvolvidas a partir de um conjunto de dados composto por 12.159 alunos do ensino fundamental que vivem na cidade de Talca, no Chile. Quatro modelos de aprendizado de máquina são testados: uma rede neural (NN, por seu acrônimo em inglês), uma floresta aleatória (RF, por seu acrônimo em inglês), uma máquina de vetor de suporte (SVM, por seu acrônimo em inglês) e um modelo de árvore com reforço de gradiente (GBT, por seu acrônimo em inglês). Os resultados mostram níveis de erro semelhantes entre os modelos e confirmam a idade do aluno, a capacidade da escola e a distância da escola como determinantes importantes das previsões de pontuação

  • English

    Learning strategies at primary school level are important to ensure student progress. In this regards, the identification of those factors influencing students grades certainly help teachers in predicting outcomes as well as in improving teaching strategies. This study empirically investigates connections between socio-demographic, school–related and academic features of primary students. Special attention is given to spatial features and how they influence performance.

    In particular the Euclidean distance from city center. The research method is based on machine learning techniques which are developed from a dataset consisting of 12159 primary school students living in the city of Talca, Chile. Four machine learning models are tested: a Neural Network (NN), Random Forest (RF) a Support Vector Machine (SVM) and a Gradient Boosted Tree model (GBT). Results show similar error levels between models and confirms student age, school capacity and school distance as important determinants of score predictions.