OROZCO IGUASNIA, Walter Armando; VILLAO BALON, Alex Joao; OROZCO IGUASNIA, Jaime Benjamín    VILLARROEL SANCHEZ, Mercedes de Jesús. Aplicación de técnicas de minería de datos para predecir el desempeño académico de los estudiantes de la escuela ‘Lic. Angélica Villón L.’. []. , 8, 2, pp.68-75. ISSN 1390-7697.  https://doi.org/10.26423/rctu.v8i2.637.

^a

Una de las metas que tiene la escuela ‘Lic. Angélica Villón L.’ es el mejoramiento del nivel académico de sus estudiantes, para ello, contar con herramientas que permitan disponer de información académica a tiempo para la toma de decisiones resulta básico. Para este fin, se priorizan elementos como la población estudiantil, las calificaciones que alcanzan en cada nivel, el soporte familiar, entre otros; todo esto catalogado como el rendimiento académico del estudiante. No obstante, la evaluación de este indicador se encuentra limitada debido a la influencia de varios factores que requieren ser procesados de forma integrada en función de su nivel de influencia. La investigación realizada es de tipo observacional, nivel exploratorio; muestra el empleo de herramientas de inteligencia de negocios como soporte para la toma de decisiones; se crea un almacén de datos como repositorio unificado a través de procesos ETL; se entrena modelos de aprendizaje supervisado como máquina de soporte de vectores, redes neuronales y árboles de decisión de regresión para predecir el rendimiento académico. Los datos históricos de los estudiantes son la fuente para la aplicación de los modelos. Finalmente, se identifica el modelo que mejor precisión tiene a través de métricas válidas en el contexto de análisis de regresiones.

One of the goals of the ‘Lic. Angélica Villón L.’ school is to improve the academic level of its students. For this, having tools that allow the availability of academic information for decision-making is essential. For this purpose, elements such as the student population, the grades achieved at each level, family support, among others, are prioritized, all cataloged as the student's academic performance. However, the evaluation of this indicator is limited due to the influence of several factors that need to be processed in an integrated way depending on their level of influence. The research carried out is observational, exploratory level; shows the use of business intelligence tools as support for making decisions; a data warehouse is created as a unified repository through ETL processes; Supervised learning models such as vector support machines, neural networks and regression decision trees are trained to predict academic performance. Historical student data is the source for the application of the models. Finally, the model with the best precision is identified through valid metrics in the context of regression analysis.

: .

        · | |     · |     · ( pdf )