Teacher job satisfaction is an important aspect of academic performance, student retention, and teacher retention. We propose to determine the predictive model of job satisfaction of basic education teachers using machine learning techniques. The original data set consisted of 15,087 instances and 942 attributes from the national survey of teachers from public and private educational institutions of regular basic education (ENDO-2018) carried out by the Ministry of Education of Peru. We used the ANOVA F-test filter and the Chi-Square filter as feature selection techniques. In the modeling phase, the logistic regression algorithms, Gradient Boosting, Random Forest, XGBoost and Decision Trees-CART were used. Among the algorithms evaluated, XGBoost and Random Forest stand out, obtaining similar results in 4 of the 8 metrics evaluated, these are: balanced accuracy of 74%, sensitivity of 74%, F1-Score of 0.48 and negative predictive value of 0.94. However, in terms of the area under the ROC curve, XGBoost scores 0.83, while Random Forest scores 0.82. These algorithms also obtain the highest true-positive values (479 instances) and lowest false-negative values (168 instances) in the confusion matrix. Economic income, satisfaction with life, self-esteem, teaching activity, relationship with the director, perception of living conditions, family relationships; health problems related to depression and satisfaction with the relationship with colleagues turned out to be the most important predictors of job satisfaction in basic education teachers.

En la investigación tiene como objetivo “Determinar la relación entre las rentas no declaradas y el IPNJ en las personas naturales del distrito de Tambopata, Perú. se realizó con la colaboración de una población de 26,425 contribuyentes, se utilizó un muestreo probabilístico el mismo que se determinó 138 contribuyentes, para determinar dicha muestra se aplicó los con el fin de conocer a la muestra en estudio. El estudio fue de corte transversal con diseño correlacional, en donde se centra en las hipótesis para lo cual se formularon preguntas que fueron analizadas obteniendo así los resultados donde se ha alcanzo una puntuación de “0.929”, con un nivel de confianza del 95%, lo cual indica que el 92.9% de los cambios observados en la variable rentas no declaradas son explicados por la variación del IPNJ, de igual forma se demostró que existe relación significativa entre las dimensiones depósitos en cuenta bancarias y omisión de ingresos obteniéndose niveles de correlación de 0.965 y 0.976 respectivamente. Concluyendo que existe relación significativa entre las variables estudiadas, así como sus dimensiones.

No abstract

El presente estudio tuvo como propósito identificar la técnica supervisada de minería de datos con mejor desempeño para el análisis del rendimiento académico de estudiantes universitarios. Se optó por el diseño no experimental de corte transversal. El conjunto de datos inicial para los experimentos estuvo conformado por 17771 registros de procesos académicos, tras el preprocesamiento se obtuvo un conjunto de datos final de 17035 registros. La metodología de minería de datos empleada fue Knowledge Discovery in Databases (KDD). Se emplearon las técnicas de regresión logística binaria, Classification and Regression Trees (CART), C4.5, Maquinas de soporte vectorial, K-vecinos más cercanos (k-Nearest Neighbors). Los resultados demuestran que el al algoritmo C5.0 obtiene una exactitud del 93%, AUC del 0.9797 y un tiempo de entrenamiento de 0.87 segundos, resultando ser el más eficiente en relación a los demás algoritmos comparados.

El presente trabajo de investigación  busca determinar  el grado de relación de aula virtual en el aprendizaje del curso algoritmo  de los estudiantes  de la escuela profesional de ingeniería de sistemas e informática de la Universidad Nacional Amazónica de Madre de Dios, región de Madre de Dios – 2017, la metodología empleada es de enfoque cuantitativo de tipo cuasi experimental, para calcular la muestra se empleó muestreo no probabilístico, la muestra estuvo conformado por 74 estudiantes de la escuela profesional de ingeniería de sistemas e informática, a quienes se sometió matricular en aula virtual y al finalizar se aplicó una encuesta para determinar validez del contenido de los instrumentos y conocer el efecto de la relación del aula virtual en el aprendizaje del curso de algoritmo. Después del procesamiento de datos se llegó a obtener los resultados, tal como evidencia en las tablas y figuras de los resultados, para el contraste de la prueba de hipótesis se utilizó el estadístico Chi-cuadrado y para las muestras independientes y relación con un nivel de confianza al 95%. Según los resultados el nivel de significancia (p-valor) obtenido fue de 0,000, por lo que se rechazó la hipótesis nula.  Se concluye que existe influencia significativa del aula virtual en el aprendizaje de los estudiantes del curso de algoritmo.