Analítica de datos aplicada al contexto universitario. Caso de estudio: pruebas Saber Pro

Data analytics applied to the university context. Case study: Saber Pro tests

Contenido principal del artículo

José Sebastián Rengifo Collazos
Cristian David Sánchez Cobo
Cristian Fabian Delgado Manquillo
Cristian Olmedo Solarte Sarria
Fredy Alonso Vidal Alegría
Ricardo Timaran Pereira

Resumen

En este artículo se presentan los resultados de un proyecto de investigación que tuvo como objetivo identificar patrones de rendimiento académico de los estudiantes de carreras profesionales afines con la informática, sistemas y computación, en las Pruebas Saber Pro de los años 2015 a 2017. Se utilizó la metodología CRISP-DM (Cross Industry Standard Process for Data Mining),
uno de los métodos más utilizados en proyectos de minería de datos. Esta metodología contempla seis fases: comprensión de negocio, comprensión del problema, comprensión de los datos, modelado, evaluación e implementación. De acuerdo con esta metodología, se construyó un repositorio de datos a partir de las bases de datos del ICFES de las Pruebas Saber Pro. Este repositorio se limpió, se transformó y se le aplicaron técnicas descriptivas en minería de datos para la obtención de patrones de rendimiento académico. Finalmente, se evaluaron y se interpretaron los resultados. El conocimiento generado servirá como soporte a instituciones de educación superior que ofrecen programas relacionados con informática, sistemas y computación, con el fin de generar estrategias que permitan mejorar la calidad de la educación que se imparte en estas carreras.

Palabras clave:

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Referencias (VER)

[1] Instituto Colombiano para la Evaluación de la Educación (Icfes). Guía de Orientación Saber Pro: Módulo de Competencias Genéricas. Bogotá D.C., Colombia: Icfes, 2020. Disponible en: https://www.icfes.gov.co/documents/20143/1891934/Guia+de+orientacion+de+Modulos+genericos+Saber+Pro-2020.pdf.
[2] Instituto Colombiano para la Evaluación de la Educación (Icfes),
Examen Saber Pro, Módulos de competencias genéricas y específicas. Evaluación de la calidad de la educación superior. Bogotá D.C., Colombia: Icfes, 2012. Disponible en: http://www.icfes.gov.co/examenes/.../151-saber-pro-modulos-de-competencias.
[3] R. Timarán, I. Hernández, S. Caicedo, A. Hidalgo y J. Alvarado, Descubrimiento de patrones de desempeño académico con árboles de decisión en las competencias genéricas de la formación profesional. Bogotá: Ediciones Universidad Cooperativa de Colombia, 2016. Disponible en: http://dx.doi.org/10.16925/9789587600490
[4] Instituto Colombiano para la Evaluación de la Educación (Icfes),
Saber Pro: Principales resultados en Competencias Genéricas. Santa Marta, Colombia, 2012. Disponible en: www.icfes.gov.co/examenes/.../151-saber-pro-modulos-de-competencias.
[5] L. Zapata, “Factores académicos asociados al bajo rendimiento en inglés en las pruebas ECAES presentadas por los estudiantes de la Facultad de Educación en el año 2009”, Trabajo de grado, Fundación Universitaria Luis Amigó, Medellín, Colombia, 2011.
[6] Universidad Nacional de Colombia (Unal). Análisis de los resultados obtenidos por la Universidad Nacional de Colombia sede Bogotá en las pruebas Saber Pro 2011-2. Bogotá: Universidad Nacional de Colombia, 2012. Disponible en: www.unal.edu.co/diracad/evaluacion/SaberPro_2012/analisis_de_resultados.pdf.
[7] R. Timarán, A. Calderón y J. Jiménez, “Aplicación de la minería de datos en la extracción de perfiles de deserción estudiantil”, Ventana Informática, núm. 28, 2013. Disponible en: http://revistasum.umanizales.edu.co/ojs/index.php/ventanainformatica/article/view/181
[8] S. Valero, Aplicación de técnicas de minería de datos para predecir deserción. Puebla, México: Universidad Tecnológica de Izúcar de Matamoros, 2009. Disponible en: http://www.utim.edu.mx/~svalero/docs/MineriaDesercion.pdf
[9] S. Valero, A. Salvador y M. García, Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos. Puebla, México: Universidad Tecnológica de Izúcar de Matamoros, 2010. Disponible en: www.utim.edu.mx/~svalero/docs/e1.pdf
[10] K. Ordóñez y P. Valdiviezo, “Aplicación de técnicas de minería de datos para predecir la deserción de los estudiantes de primer ciclo de la Modalidad Abierta y a Distancia de la UTPL”, Trabajo de grado, Universidad Técnica Particular de Loja, Ecuador, 2013. Disponible en: http://dspace.utpl.edu.ec/bitstream/123456789/7897/1/Ordonez%20Brice%C3%B1o%20Karla-%20Informatica.pdf
[11] A. Azevedo and M. Santos, “KDD, SEMMA and CRISP-DM: a parallel overview”, in Proceedings of IADIS European Conference on Data Mining Amsterdam, Netherlands, 2008, pp. 182-185.
[12] P. Chapman, J. Clinton, R. Kerber, T. Khabaza, T. Reinartz, C. Shearer and R. Wirth, CRISP-DM 1.0: Step-by-step data mining guide. CRISP-DM consortium: NCR Systems Engineering Copenhagen (USA and Denmark),
DaimlerChrysler AG (Germany),
SPSS Inc. (USA),
and OHRA Verzekeringen en Bank Groep B.V. (The Netherlands),
2000.
[13] J. Hernández, M. Ramírez y C. Ferri, Introducción a la Minería de Datos. Madrid: Editorial Pearson Educación S. A., 2005. Disponible en: http://dspace.ucbscz.edu.bo/dspace/handle/123456789/526
[14] J. Villena. CRISP-DM: La metodología para poner orden en los proyectos de Data Science, 2016. Disponible en: https://data.sngular.team/es/art/25/crisp-dm-la-metodologia-para-poner-orden-en-los-proyectos-de-data-science
[15] Vidhya Analytics. Weka GUI way to learn Machine Learning. 2018. Disponible en: https://www.analyticsvidhya.com/learning-paths-data-science-business-analytics-business-intelligence-big-data/weka-gui-learn-machine-learning/
[16] M. Cano, y R. “Factores asociados al rendimiento académico en estudiantes universitarios”, Revista Mexicana de Orientación Educativa, pp. 1-25. Disponible en: https://doi.org/10.31206/rmdo072018.
[17] J. Molina y J. García, Técnicas de análisis de datos. 2006. Disponible en: http://www.giaa.inf.uc3m.es/docencia/II/ADatos/apuntesAD.pdf