Predicción de la tasa de éxito en las asignaturas de primer año para los alumnos de la Universidad del Bío-Bío

dc.contributor.advisor	Grandón Toledo, Elizabeth Eliana	es
dc.contributor.author	Osorio Muñoz, Gabriel Rolando --gabrielosoriom48@gmail.com
dc.contributor.editor	Universidad del Bío-Bío. Departamento de Sistemas de Información (Chile)	es
dc.date.accessioned	2020-08-13T04:46:56Z
dc.date.available	2020-08-13T04:46:56Z
dc.date.issued	2018
dc.description	Memoria (Ingeniero Civil en Informática) -- Universidad del Bío-Bío. Concepción, 2018.	es
dc.description.abstract	Hoy en día, tanto la deserción estudiantil como el rendimiento de los estudiantes son problemas que las instituciones de educación superior buscan solucionar. En la Universidad del Bío-Bío, según cifras de la Dirección General de Análisis Institucional (DGAI) cada año ingresan más de 2200 nuevos estudiantes a la institución. De los alumnos que ingresan, cerca de 1093 reprueban al menos una asignatura (Dirección de Admisión Registro y Control Académico). Actualmente la institución busca disminuir esta cantidad y una herramienta que permite predecir el número de estudiantes que reprueban asignaturas cada año es la minería de datos. Esta herramienta permite encontrar patrones repetitivos en grandes volúmenes de datos, por lo tanto, se podría descubrir las variables que influyen en el éxito académico de un estudiante. El objetivo de este estudio es generar un modelo de predicción mediante el algoritmo R-CNR Tree para determinar las variables que influyen en el éxito académico de los recién ingresados a la universidad. La población objetivo de este estudio consiste de 5082 estudiantes que se encuentran en estado de alumnos regulares y los cuales ingresaron a la universidad entre los años 2014-2016. De los 5082 registros, el 70% fue utilizado para entrenar los modelos mientras que el 30% fue usado para validarlo. Cada uno de estos registros contenía 34 variables de las cuales se seleccionaron 23. Dieciséis de ellas fueron elegidas basándose en estudios previos, y el resto fueron incluidas para analizar si realmente influyen en el éxito académico de un alumno. El éxito académico fue medido como el ratio de créditos aprobados durante el primer año sobre créditos que debería aprobar en el año por malla curricular. Mediante el poder de predicción (KI) de cada variable, se logró obtener que de las 23 variables, 18 de ellas tenían la capacidad de predecir la variable de destino. Con estas 18 variables se construyó un conjunto base y uno de conjugación, compuesto por las primeras 7 variables y las 4 siguientes con mayor poder de predicción respectivamente. Se generaron 4 modelos experimentales con 10 variables cada uno en la interfaz de Expert Analytics del software SAP Predictive Analytics. El resultado indica que el modelo 3 es el mejor de los 4 modelos experimentales debido a que entrega una mayor precisión en los conjuntos de entrenamiento y validación, consiguió un menor número de falsos/negativos y falsos/positivos, y fue uno de los que más variables descartó para generar el árbol de decisión. Por otra parte, se obtuvo que las variables: Carrera, Nem, Ranking, Género, Procedencia_colegio, Provincia_domicilio, PSU_Lenguaje, Edad, son las que más influyen en el rendimiento académico de un estudiante.	es
dc.description.abstract-2	Today, both student dropout and student performance are problems that institutions of higher education seek to solve. According to figures of the General Direction of Institutional Analysis (DGAI) each year more than 2200 new students enroll at the Universidad del Bío- Bío. From these, about 1093 students fail at least one subject (Dirección de Admisión Registro y Control Académico). Currently the institution seeks to reduce this number and a tool that allows predicting the number of student who fail each year is the data mining. This tool allows finding repetitive patterns in large volumes of data; therefore, one could discover the variables that influence the academic success of a student. The objective of this study is to generate a prediction model using the algorithm R-CNR Tree to determine the variables that influence the academic success of the newly admitted students to the university. The target population of this study consists of 5082 students who are regular students and who enrolled the University between the years 2014-2016. Of the 5082 records, 70% was used to train the models while 30% was used to validate it. Each of these records contained 34 variables of which 23 were selected. Sixteen of them were chosen based on previous studies, and the rest were included to analyze whether they really influence the academic success of a student. Academic success was measured as the ratio of credits approved during the first year on credits that the student should approve in the year according to the curricular program. By the prediction power (KI) of each variable, it was obtained that of the 23 variables, 18 of them had the ability to predict the dependent variable. With these 18 variables, it was created a base and a conjugation set, comprised by the first 7 variables and the following 4 with greater prediction power respectively.Four experimental models were generated with 10 variables each in the Expert Analytics interface of the software SAP Predictive Analytics. The result was that model 3 is the best of the 4 experimental models because it delivers more precision in the training and validation sets, got a lower number of false/negative and false/positive, and it was the one that ruled out the most variables to generate the decision tree. On the other hand, it was obtained that the variables: Carrera, Nem, Ranking, Gender, Origin College, Commune Domicile, PSU Language and Age, are those that mostly influence the academic performance of a student.	en
dc.description.call-number	M(DC) 004 Os5 2018	es
dc.identifier.uri	http://repobib.ubiobio.cl/jspui/handle/123456789/3223
dc.language.iso	es	es
dc.subject	RENDIMIENTO ACADEMICO-PROGRAMAS PARA COMPUTADOR	es
dc.subject	MINERIA DE DATOS	es
dc.subject	EDUCACION SUPERIOR-CHILE-MEDICIONES	es
dc.subject	SAP PREDICTIVE ANALYTICS	es
dc.subject	ACADEMIC SUCCESS	es
dc.subject	TASA EXITO ACADEMICO	es
dc.subject	VARIABLES	es
dc.subject	RENDIMIENTO ACADEMICO	es
dc.title	Predicción de la tasa de éxito en las asignaturas de primer año para los alumnos de la Universidad del Bío-Bío	es
dc.type	Tesis	es