Resumen de Rasgos de personalidad que inciden en la predicción de eficiencia terminal de estudiantes de posgrado

Alicia Martínez Rebollar, Hugo Estrada Esquivel, Ernesto Echeverria Ignacio, Ana Luisa Islas Ávila

• español

  La personalidad desempeña un papel fundamental en la eficiencia terminal de los programas de posgrado, y su análisis predictivo puede mejorar significativamente el proceso de selección de estudiantes. Este estudio propone un modelo predictivo basado en la técnica Random Forest que utiliza el cuestionario de personalidad 16PF para anticipar la eficiencia terminal de los estudiantes de maestría en el Centro de Investigación y Desarrollo Tecnológico (CENIDET). La metodología comprende tres etapas: recolección y análisis de datos, pre-procesamiento de datos y modelado. Se desarrollaron experimentos utilizando seis algoritmos de minería de datos y se evaluó su desempeño en métricas como precisión, puntuación F1 y Recall. El algoritmo Random Forest demostró el mejor rendimiento, logrando una precisión del 82.35% en la clasificación de eficiencia terminal. Este modelo predictivo tiene el potencial de apoyar a futuros estudiantes en la toma de decisiones informadas sobre sus programas académicos, al tiempo que aumenta la motivación académica.

• English

  Personality plays a fundamental role in the student graduation rate in postgraduate programs, and its predictive analysis can significantly enhance the student selection process. This study proposes a predictive model based on the Random Forest (RF) technique that uses the 16PF personality questionnaire to anticipate the graduation rate of master's students at the Center for Research and Technological Development (CENIDET). The methodology comprises three stages: data collection and analysis, data preprocessing, and modeling. Experiments were conducted using six data mining algorithms, and their performance was evaluated in metrics such as accuracy, F1 score, and recall. The Random Forest algorithm demonstrated the best performance, achieving an accuracy of 82.35% in terminal efficiency classification. This predictive model has the potential to support prospective students in making informed decisions about their academic programs while enhancing academic motivation.