PREDICCIÓN DEL FRACASO ACADÉMICO EN MATEMÁTICAS APLICANDO MACHINE LEARNING

Fecha

2024-05-22

Título de la revista

ISSN de la revista

Título del volumen

Editor

Universidad Rey Juan Carlos

Enlace externo

Resumen

El fracaso escolar y el bajo rendimiento académico son preocupaciones continuas en las sociedades occidentales. Abordar estas cuestiones requiere identificar los factores subyacentes y desarrollar estrategias efectivas. La minería de datos y los modelos de aprendizaje automático ofrecen herramientas prometedoras para analizar grandes conjuntos de datos educativos y comprender mejor los factores que influyen en el rendimiento estudiantil. Este Trabajo de Fin de Grado se centra en predecir el fracaso en la asignatura de Matemáticas. Para lograr este objetivo, se emplearán técnicas de aprendizaje automático para desarrollar modelos predictivos capaces de identificar de manera anticipada a los estudiantes en riesgo de bajo rendimiento. Además, se llevará a cabo un análisis detallado de variables demográficas, sociales, emocionales y escolares, así como del entorno familiar, para determinar su impacto en los resultados académicos. Para las tareas de predicción se evaluarán y compararán tres algoritmos diferentes de aprendizaje automático: Máquinas de Vectores de Soporte, $K$ Vecinos más Cercanos y Redes Neuronales Artificiales. Además, se analizará la eficacia de combinar estos modelos con cuatro métodos distintos de selección de características: Boruta, Eliminación de Características Recursivas, Selección de Características hacia Adelante y Selección de Características hacia Atrás. Al evaluar y comparar estos métodos, se espera identificar cuál es el más confiable y preciso en predecir el fracaso escolar. Los resultados de este análisis pueden proporcionar información valiosa para educadores, políticos, familias y otros profesionales interesados en mejorar el rendimiento académico de los estudiantes y reducir el fracaso escolar.

Descripción

Trabajo Fin de Grado leído en la Universidad Rey Juan Carlos en el curso académico 2023/2024. Directores/as: Javier Gómez Miguel

Citación

license logo
Excepto si se señala otra cosa, la licencia del ítem se describe como Creative Commons Atribución 4.0 Internacional