Sistema de alerta temprana de rendimiento académico universitario

• Adolfo Hernández ^[1] ; José Luis Arroyo-Barrigüete ^[1] ; José María Ortiz-Lozano ^[2] ; Antonio Rúa-Vieites ^[2]
  1. [1] Universidad Complutense de Madrid

     Universidad Complutense de Madrid

     Madrid, España

     
  2. [2] Universidad Pontificia Comillas

     Universidad Pontificia Comillas

     Madrid, España

     
• Localización: Conference proceedings CIVINEDU 2023: 7th International Virtual Conference on Educational Research and Innovation September 20-21, 2023, 2023, ISBN 978-84-126060-0-3, págs. 81-84
• Idioma: español
• Títulos paralelos:
  • Early warning system for university academic performance
• Enlaces
  • Texto Completo Libro (pdf)
• Resumen
  • español

    Los objetivos principales del trabajo son dos. Por un lado, identificar un conjunto de variables (sociodemográficas, de rendimiento previo y de uso de plataformas de aprendizaje - Moodle) que permitan desarrollar un modelo de alerta temprana de fracaso (suspenso) en una asignatura universitaria. Por otro, una vez seleccionadas las variables, efectuar la comparación del rendimiento de 5 modelos de Machine Learning: redes neuronales (neural networks NN), máquinas de vector soporte (support vector machines SVM), árboles de clasificación (classification trees CT), bosques aleatorios (random forest RF) y regresión logística (logit LR). En general, se obtienen buenos resultados utilizando tan solo 5 variables (todas ellas sencillas de recopilar) y dos de las técnicas propuestas (redes neuronales y modelo logístico).

  • English

    The main objectives of this paper are, on the one hand, to identify a set of variables (sociodemographic, previous performance and use of learning platforms - Moodle) that allow the development of an early warning model of failure in a university subject. Once the variables have been selected, the performance of various Machine Learning models is compared: neural networks (NN), support vector machines (SVM), classification trees (CT), random forests (RF) and logistic regression (LR). In general, good results are obtained using only 5 variables (easy to collect) and two of the proposed techniques (neural networks and logistic model).