Aplicación de Técnicas de Minería de Datos para Clasificación: Un Caso de Estudio en la Educación Superior
Palabras clave:
Minería de datos educativos, algoritmo de clasificación J-48, árbol aleatorio, aplicación informática Weka.Resumen
En México, el instrumento de evaluación EXANI_II ha sido diseñado para evaluar integralmente habilidades académicas y conocimientos específicos de los aspirantes a ingresar a la educación superior. La aplicación de técnicas de minería de datos, como lo son los árboles de decisión para clasificación puedan apoyar en la detección de alumnos vulnerables. Esta investigación compara dos árboles de decisión: El algoritmo J-48 y el algoritmo de árbol aleatorio utilizando el software Weka para su implementación en la base de datos EXANI-II generada de la evaluación de aspirantes a ingresar a la Universidad Tecnológica de Chihuahua en el 2021. Se revisan los resultados en cuánto a la exactitud en la clasificación obtenida en cada uno de los algoritmos, teniendo un mejor desempeño el algoritmo J-48.
Referencias
Alfonzo, M., & Pedagógica Experimental Libertador Venezuela, U. (2018). Gestión del Conocimiento e Instituciones Educativas. IV.
Alveiro, M., Rosado Gómez, A., Alejandra, E., & Ibáñez, V. (2019). DATA MINING APPLICATION IN THE VIRTUAL EDUCATION.
Aslam, S. M., Jilani, A. K., Sultana, J., & Almutairi, L. (2021). Feature Evaluation of Emerging E-Learning Systems Using Machine Learning: An Extensive Survey. In IEEE Access (Vol. 9, pp. 69573–69587). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/ACCESS.2021.3077663
CENEVAL. (2018). Resultados del Examen Nacional de Ingreso a la Educación Superior en el año 2018.
Elreedy, D., & Atiya, A. F. (2019). A Comprehensive Analysis of Synthetic Minority Oversampling Technique (SMOTE) for handling class imbalance. Information Sciences, 505, 32–64. https://doi.org/10.1016/j.ins.2019.07.070
Franco, E. A., López Martínez, R. E., Hugo, V., & Domínguez, M. (n.d.). Predictive models of academic risk in computing careers with educational data mining. Revista de Educación a Distancia. Núm, 66, 30–2021. https://doi.org/10.6018/red
Gonzalez-Marron, D., Enciso-Gonzalez, A., Karen Hernandez-Gonzalez, A., Gutierrez-Franco, D., Guizar-Barrera, B., & Marquez-Callejas, A. (2017). Evaluación de parámetros de encuesta de ingreso del CENEVAL para alumnos candidatos a ingresar al nivel superior, caso de estudio ITP Evaluation of CENEVAL Admission Surveyed Parameters for Students that are Candidates to Enter the Higher Education, ITP Study Case. In Research in Computing Science (Vol. 139).
Hamoud, A. K., Hashim, A. S., & Awadh, W. A. (2018). Predicting Student Performance in Higher Education Institutions Using Decision Tree Analysis. International Journal of Interactive Multimedia and Artificial Intelligence, 5(2), 26. https://doi.org/10.9781/ijimai.2018.02.004
Herrera Rivas, H., & Roque Hernández, R. V. (2019). Brecha digital, idioma inglés y su vínculo con la comprensión lectora en español. RIDE Revista Iberoamericana Para La Investigación y El Desarrollo Educativo, 10(19). https://doi.org/10.23913/ride.v10i19.555
Jimenez-Cruz, J. (2019). Transformando la educación desde la gestión educativa: hacia un cambio de mentalidad. Praxis, 15(2), 223–235. https://doi.org/10.21676/23897856.2646
Kai, S., Miguel, J., Andres, L., Paquette, L., Baker, R. S., Molnar, K., Watkins, H., & Moore, M. (2017). Predicting Student Retention from Behavior in an Online Orientation Course.
Katore, L. S. (2015). Comparative Study of Recommendation Algorithms and Systems using WEKA. In International Journal of Computer Applications (Vol. 110, Issue 3).
Landis, J. R., & Koch, G. G. (1977). This content downloaded from 128.230.234.162 on Fri (Vol. 33, Issue 1).
Markov, Z., & Russell, I. (2006). An Introduction to the WEKA Data Mining System. https://doi.org/10.1145/1140123.1140127
Masrur, A., Riyanarto, S., & Kelly, R. S. (2019). 2019 International Seminar on Application for Technology of Information and Communication (iSemantic). IEEE.
Mishra, T., Kumar, D., & Gupta, S. (2014). Mining students’ data for prediction performance. International Conference on Advanced Computing and Communication Technologies, ACCT, 255–262. https://doi.org/10.1109/ACCT.2014.105
Oviedo Carrascal, A. I., & Jiménez Giraldo, J. (2019). Minería de datos educativos: Análisis del desempeño de estudiantes de ingeniería en las pruebas SABER-PRO. Revista Politécnica, 15(29), 128–140. https://doi.org/10.33571/rpolitec.v15n29a10
Patacsil, F. F. (2020). Predicting University Students’ Academic Success Using Different Tree Classifiers and Ensemble Approaches to Suggest Suitable Program. INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH, 9, 2. www.ijstr.org
Perfil institucional - Ceneval. (n.d.). Retrieved December 6, 2023, from https://ceneval.edu.mx/sobre_el_ceneval-perfil_institucional/
Rajalakshmi, A., Vinodhini, R., Fathima Bibi, K., & Research Scholar, M. P. (2016). Data Discretization Technique Using WEKA Tool. www.ijcset.net
Uvidia Fassler, M., Cisneros Barahona, A., Naranjo, P. M., & Villa Yánez, H. (2018). Minería de datos para la toma de decisiones en la unidad de nivelación y admisión universitaria ecuatoriana Data mining for decision-making in the ecuadorian university leveling and admission unit. In REVISTA CIENTÍFICA Revista Cumbres (Vol. 4). http://investigacion.utmachala.edu.ec/revistas/index.php/Cumbres
Vinutha, H. P., Poornima, B., & Sagar, B. M. (2018). Detection of outliers using interquartile range technique from intrusion dataset. Advances in Intelligent Systems and Computing, 701, 511–518. https://doi.org/10.1007/978-981-10-7563-6_53
Visa, S., Ramsay, B., Ralescu, A., & van der Knaap, E. (2011). Confusion Matrix-based Feature Selection.
Wild Santamaría, G., Barrios Mendoza, S., Berlanga Reséndiz, K., & Hernández Castillo, L. (2015). Estudio analítico del impacto de la información del cuestionario de contexto del Exani-II en el índice CENEVAL. https://www.eumed.net/rev/tectzapic/2015/01/ceneval.html
