Campus Virtuales

Campus Virtuales (Vol. IV, Num. 01)

Número completo
Full number

 

 

 

 

 

 

 

 

 

 


Perfiles de Rendimiento Académico: Un Modelo Basado en Minería de Datos
Academic Performance Profiles: A Model Based on Data Mining

David Luis La Red Martínez. Resistencia (Argentina)

Marcelo Karanik. Resistencia (Argentina)

Mirtha Giovannini. Resistencia (Argentina)

Noelia Pinto. Resistencia (Argentina)

Número completo
Full number

 

 

 

 

 

 

 

 

 

 


Perfiles de Rendimiento Académico: Un Modelo Basado en Minería de Datos
Academic Performance Profiles: A Model Based on Data Mining

David Luis La Red Martínez. Resistencia (Argentina)

Marcelo Karanik. Resistencia (Argentina)

Mirtha Giovannini. Resistencia (Argentina)

Noelia Pinto. Resistencia (Argentina)

Resumen/Abstract

Resumen / Abstract


El rendimiento académico es un factor crítico teniendo en cuenta que, frecuentemente, el bajo rendimiento académico está asociado a una alta tasa de deserción. Esto se ha observado en asignaturas del primer nivel de la carrera de Ingeniería en Sistemas de Información (ISI) de la Universidad Tecnológica Nacional Facultad Regional Resistencia (UTN-FRRe), situada en la ciudad de Resistencia, provincia del Chaco, Argentina, entre ellas Algoritmos y Estructura de Datos, donde el bajo rendimiento académico se observa en proporciones muy altas (entre el 60% y el 80% aproximadamente en los últimos años). En este trabajo se propone la utilización de técnicas de minería de datos sobre información del desempeño de los alumnos de la asignatura mencionada con el propósito de caracterizar los perfiles de alumnos exitosos (buen rendimiento académico) y de aquellos que no lo son (bajo rendimiento académico). La determinación de estos perfiles permitiría a futuro definir acciones específicas tendientes a revertir el bajo rendimiento académico, una vez detectadas las variables asociadas al mismo. En este artículo se describen los modelos de datos y de minería de datos utilizados y se comentan los principales resultados obtenidos.

Academic performance is a critical factor considering that poor academic performance is often associated with an attrition rate. This has been observed in subjects of the first level of Information Systems Engineering (ISI) of the National Technological University, Resistencia Regional Faculty (UTN-FRRe), situated in Resistencia city, province of Chaco, Argentine. Among them are Algorithms and Data Structures, where the poor academic performance is observed at very high rates (between 60% and about 80% in recent years). In this paper, we propose the use of data mining techniques on performance information for students of the subject mentioned in order to characterize the profiles of successful students (good academic performance) and those that are not (poor performance). In the future, the determination of these profiles would allow us to define specific actions to reverse poor academic performance, once detected the variables associated with it. This article describes the data models and data mining used and the main results are also commented.

Palabras Clave/Keywords

Palabras Clave / Keywords


Perfiles de rendimiento académico, Almacenes de datos, Minería de datos, Descubrimiento de conocimiento en bases de datos, Algoritmos y estructuras de datos, Patrones de comportamiento.

Academic performance profiles, Data warehouses, Data mining, Knowledge discovery in databases, algorithms and data structures, Behavior patterns.

Referencias/References

Referencias / References


Agrawal, R.; Shafer, J. C. (1996) Parallel Mining of Association Rules. IEEE Transactions on Knowledge and Data Engineering. December 1996. USA.

Ballard, Ch.; Rollins, J.; Ramos, J.; Perkins, A.; Hale, R.; Dorneich, A.; Cas Milner, E. & Chodagam, J. (2007) Dynamic Warehousing: Data Mining Made Easy. IBM International Technical Support Organization. IBM Press. USA.

Berson, A. & Smith, S. J. (1997) Data Warehouse, Data Mining & OLAP. Mc Graw Hill. USA.

Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Renartz, T., Shearer, C., Wirth, R. (1999) CRISP-DM 1.0. Step-by-step data mining guide.

Delfino, J. A. (1989) Los determinantes del aprendizaje. In Petrei, A. H., editor, Ensayos en economía de la educación. Educational Evaluation and Policy Analisys.

Di Gresia, L. (2007) Rendimiento Académico Universitario. Tesis Doctoral. Universidad Nacional de La Plata. Argentina.

Fayyad, U.M.; Grinstein, G. & Wierse, A. (2001) Information Visualization in Data Mining and Knowledge Discovery. Morgan Kaufmann. Harcourt Intl.

Frawley, W., Piatetsky-Shapiro, G. & Matheus, C. (1992) Knowledge Discovery in Databases: An Overview. AI magazine, 13(3), 57.

Fazio, M. V. (2004) Incidencia de las horas trabajadas en el rendimiento académico de estudiantes universitarios argentinos. Documentos de Trabajo UNLP, 52. Argentina.

Forteza, J. (1975) Modelo instrumental de las relaciones entre variables motivacionales y rendimiento. Revista de Psicología General y Aplicada, 132, 75-91. España.

García Jiménez, M. V.; Alvarado Izquierdo, J. M.; Jiménez Blanco, A. (2000) La predicción del rendimiento académico: regresión lineal versus regresión logística. Psicothema Vol. 12, Supl. nº 2, pp. 248-252. España.

García, M. M.; San Segundo, M. J. (2001) El Rendimiento Académico en el Primer Curso Universitario. X Jornadas de la Asociación de Economía de la Educación. Libro de Actas, págs. 435-445. España.

González, A. J. (1998) Indicadores del rendimiento escolar: relación entre pruebas objetivas y calificaciones. Revista de Educación, 287, 31-54. España.

Grabmeier, J. & Rudolph, A. (1998) Techniques of Cluster Algorithms in Data Mining version 2.0. IBM Deutschland Informationssysteme GmbH. GBIS (Global Business Intelligence Solutions). Germany.

Gutting, R. (1994) An Introduction to spatial database systems. VLDB Journal, 3, 357- 399.

Hand, D.J.; Mannila, H. & Smyth, P. (2000) Principles of Data Mining. The MIT Press. USA.

Harinarayan V., Rajaraman, A., Ullman, J. (1996) Implementation data cubes efficiently. ACM SIGMOD Record, 25 (2), 205 - 216.

Herrera Clavero, F. et al. (2004) ¿Cómo Interactúan el Autoconcepto y el Rendimiento Académico en un Contexto Educativo Pluricultural?. Revista Iberoamericana de Educación. España.

IBM Software Group. (2003) Enterprise Data Warehousing whit DB2: The 10 Terabyte TPC-H Benchmark. IBM Press. USA.

Inmon, W. H. (1992) Data Warehouse Performance. John Wiley & Sons. USA.

Inmon, W. H. (1996) Building the Data Warehouse. John Wiley & Sons. USA.

Joyanes Aguilar, L. (1997) Cibersociedad. Mc Graw Hill. España.

La Red Martínez, D. L.; Acosta, J. C.; Uribe, V. E.; Rambo, A. R. (2012) Academic Performance: An Approach From Data Mining. Journal of Systemics, Cybernetics and Informatics; V. 10 N° 1 2012, págs. 66-72; USA.

La Red Martínez, D. L.; Acosta, J. C.; Uribe, V. E.; Rambo, A. R.; Cutro, A. L. (2010) Data Warehouse y Data Mining Aplicados al Estudio del Rendimiento Académico. CISCI 2010 (9na. Conferencia Iberoamericana en Sistemas, Cibernética e Informática); Memorias, Volumen I, págs. 289-294; ISBN N° 978-1-934272-94-7; Orlando, Florida, USA.

La Red Martínez, D. L.; Podestá, C. E. (2014a). Data Mining to Find Profiles of Students; Volume 10 – N° 30; European Scientific Journal (ESJ); pp. 23-43; ISSN N° 1857-7881; University of the Azores, Portugal.

La Red Martínez, D. L.; Podestá, C. E. (2014b). Metodología de Estudio del Rendimiento Académico Mediante la Minería de Datos; Volume III – N° 01; Revista Científica Iberoamericana de Tecnología Educativa - Scientific Journal of Educational Technology; pp. 56-73; ISSN N° 2255-1514; España.

La Red Martínez, D. L.; Podestá, C. E. (2014c). Contributions from Data Mining to Study Academic Performance of Students of a Tertiary Institute; Volume 02 – N° 9; American Journal of Educational Research; pp. 713-726; ISSN N° 2327-6126; U.S.A.

La Red Martínez, D. L.; Karanik, M.; Giovannini. (2014d). Determinación de Perfiles de Estudiantes y de Rendimiento Académico Mediante la Utilización de Minería de Datos en la UTN – FRRe. XVI Workshop de Investigadores en Ciencias de la Computación - WICC - 2014; Universidad Nacional de Tierra del Fuego, Antártida e Islas del Atlántico Sur, Ushuaia, Tierra del Fuego, Argentina.

La Red Martínez, D. L.; Karanik, M.; Giovannini, M.; Pinto, N. (2014e). Estudio del perfil de rendimiento académico: un abordaje desde Data Warehouring. 2° Congreso Nacional de Ingeniería Informática / Sistemas de Información - CoNaIISI - 2014; ISSN N° 2346-9927; pág. 604-612; Universidad Nacional de San Luis, San Luis, Argentina.

Maradona, G. & Calderón, M. I. (2004) Una aplicación del enfoque de la función de producción en educación. Revista de Economía y Estadística, Universidad Nacional de Córdoba, XLII. Argentina.

Marcelo García, C.; Villarín Martínez, M.; Bermejo Campos, B. (1987) Contextualización del rendimiento en bachillerato. Revista de Educación, 282, 267-283. España.

Matignon, R. (2009) Data Mining Using SAS Enterprise Miner. U.S.A.: Wiley.

McMahon, W. W. (2002) Education and Development. Oxford University Press.

Mitchell, T. (1997) Machine Learning. Mc Graw Hill.

Poe, V. (1996) Building a Data Warehouse for Decision Support. New Jersey: Prentice Hall.

Podestá Gómez, C. (2013) El rendimiento académico de los alumnos de la cátedra Sistemas Operativos en la Tecnicatura Superior Analista Programador del Instituto Superior de Curuzú Cuatiá. Tesis académica de maestría en Ciencias Aplicadas. Universidad Nacional de Pilar, Paraguay.

Porto, A. & Di Gresia, L. (2000) Características y rendimiento de estudiantes universitarios. El caso de la Facultad de Ciencias Económicas de la Universidad Nacional de La Plata. Documentos de Trabajo UNLP, 24.

Reyes R, S. L. (2004) El Bajo Rendimiento Académico de los Estudiantes Universitarios. Una Aproximación a sus Causas. Revista Theorethikos. Año VI, N° 18, Enero-Junio, 2004. El Salvador.

SAS Institute (2009) Disponible en: http:// www. sas.com/technologies/analytics/datamining/ miner/semma.html: Fecha de Consulta: 20/06/2009.

Simon, A. (1997) Data Warehouse, Data Mining and OLAP. John Wiley & Sons. USA.

Spositto, O., etcheverry, M., Ryckeboer, H., & Bossero, J. (2010). Aplicación de técnicas de minería de datos para la evaluación del rendimiento académico y la deserción estudiantil. In Novena Conferencia Iberoamericana en Sistemas, Cibernética e Informática, CISCI (Vol. 29, pp. 06-2).

Vivo Molina, J. M.; Franco Nicolás, M.; Sánchez de la Vega, M. del M. (2004) Estudio del rendimiento académico universitario basado en curvas ROC. Revista de Investigación Educativa, RIE, Vol. 22, Nº 2, 2004, págs. 327-340. España.

White, C. J. (2001) IBM Enterprise Analytics for the Intelligent e-Business. IBM Press. USA.

Widom J. (1995) Research Problems in data warehousing. Conf. Information and Knowledge Management, Baltimore. U.S.A.

Wilson, R. L.; Hardgrave, B. C. (1995) Predicting graduate student success in an MBA program: Regression versus classification. Educational and Psychological Measurement, 55, 186-195. USA.

Cómo citar/How to cite

Cómo citar / How to cite


La Red Martínez, d. L., Karanik, M., giovannini, M., y Pinto, n. (2015). Perfiles de Rendimiento Académico: Un Modelo basado en Minería de datos. Campus Virtuales, Vol. IV, num. 1, pp. 12-30. Consultado el [dd/mm/aaaa] en www.revistacampusvirtuales.es

Usted está aquí: CAMPUS VIRTUALES REVISTA Números Anteriores Uncategorised Campus Virtuales (Vol. IV, Num. 01)