El objetivo de este artículo es predecir el rendimiento académico de estudiantes de educación superior, a partir de diversos factores influyentes usando técnicas de inteligencia artificial (clasificadores). El estudio de tales factores, aunque ha sido ampliamente analizado desde enfoques cuantitativos y cualitativos, aun presenta oportunidades de investigación usando herramientas que provee la inteligencia artificial, particularmente en la predicción del rendimiento académico. Con los factores definidos (educacionales, familiares, socioeconómicos, de hábitos y costumbres, entre otros), se diseñó una metodología que permite entrenar un sistema capaz de clasificar a priori a un nuevo estudiante, en una de las cinco categorías predeterminadas de rendimiento académico. Esta clasificación permite a una institución educativa identificar con anticipación estudiantes con problemas potenciales de rendimiento académico. A partir de ello, se pueden desplegar acciones de acompañamiento y mitigación inmediatas. La metodología fue aplicada a una muestra de estudiantes de una universidad pública en Colombia, obteniendo un nivel de aciertos del 91.7%.

No abstract

ResumenEn este artículo se establece un enfoque novedoso para programar sistemas Job Shop, basado en sostenibilidad. Se evalúan las siguientes variables de sostenibilidad: emisiones equivalentes de dióxido de carbono (variable ambiental), intensidad sonora, accidentalidad laboral y peso manipulado (variables sociales: salud ocupacional) y finalmente, tiempo de proceso y costos de mano de obra directa (variables económicas). La metodología se estructura en catorce pasos que cubren aspectos tales como diseño del método multiobjetivo, fundamentos de los algoritmos genéticos y comparación con otros métodos. Se determina que el método diseñado muestra un desempeño superior para la variable factor ponderado (P(Xj), al compararlo con resultados de otros métodos tales como reglas de programación o el método del cuello de botella móvil. Palabras clave: sostenibilidad; dióxido de carbono; accidentalidad laboral; Job Shop; algoritmos genéticos Programming in a Manufacturing System of the "Job Shop" type with a Focus on Sustainability AbstractIn this paper an innovative focus to programming Job Shop systems, based on sustainability, is presented. The following sustainability variables are evaluated: carbon dioxide emissions (environmental variable), sound intensity, accident rate and handled weight (social variables: occupational health) and finally, makespan time and direct labor costs (economic variables). The methodology is structured in fourteen steps that cover aspects such as multiobjective method design, description of genetic algorithms, and comparison with other methods. It is determined that the designed method shows greater performance for the variable weighted factor P(Xj) when they are compared with results from other methods such as programming rules and mobile bottle neck method. INTRODUCCIÓNEn la actualidad, debido a las tendencias de desarrollo internacional, se hace necesario gestionar las organizaciones, bajo un enfoque fundamentado en los conceptos de sostenibilidad (Pagell y Shevchenko, 2014). De esta forma, se señala que en la literatura de corriente principal, el sistema de manufactura "Job Shop" se ha investigado, buscando incrementar la eficiencia de las diversas operaciones intervinientes en el sistema productivo (Shen et al., 2014). De manera consecuente, se plantea que en la programación de tal clase de sistema de manufactura, se ha desconocido la importancia de minimizar los impactos negativos, ya sea respecto a la salud de la persona o respecto al medio ambiente (Becic et al., 2012). Es así como, en este artículo se evalúa el sistema de operaciones de una compañía del sector metalmecánico, clasificada bajo el tipo: "Job Shop". Para la organización objeto de estudio, se ilustra a continuación el comportamiento de las variables de sostenibilidad: tiempo de proceso y costos de mano de obra directa (variables económicas), emisiones equivalentes de dióxido de carbono (variable ambiental), y por último: intensidad sonora, accidentalidad laboral y peso manipulado en promedio por turno de trabajo (varia...

ResumenEn este artículo se presenta la aplicación de la minería de datos en diagnósticos de evaluaciones psicosociales para la identificación del grado de riesgo psicosocial en docentes de educación básica primaria y media secundaria en Colombia. Se tomó una muestra de datos de 1100 registros, correspondientes a evaluaciones personales. Se realizó la revisión y limpieza de los datos para poder utilizarlos como entradas en la herramienta de minería de datos WEKA. Se comparan los resultados obtenidos al aplicar las técnicas de minería de datos, árboles de clasificación J48 y Naive Bayes. Finalmente se obtiene como resultado las características psicosociales predictivas con una efectividad del 91% comparado con el diagnóstico clínico. Se concluye que la herramienta puede ser usada como un instrumento para la prevención de la aparición de factores de riesgo psicosocial en docentes de colegios públicos colombianos.Palabras clave: clasificación de riesgo psicosocial; J48; Naive Bayes; docentes colombianos; jornada básica primaria y secundaria; minería de datos. Methodology for Predicting the Psychosocial Risk Level on Colombian Teachers using Data Mining Techniques AbstractThis paper proposed the application of data mining to identify the psychosocial risk level in teaching elementary, middle y high school education in Colombia. A sample of 1100 data records corresponding to individual assessments were analyzed and processed. The samples were used as input data to the data mining tool called WEKA. Results were compared to assess the performance when applying data mining techniques and classification trees J48 and Naive Bayes. Finally, the application of this predictive tool allows the accuracy 91% compared to the clinic diagnostic. It is concluded that the method can be used tool for preventing the occurrence of psychosocial risk factors in Colombian public school teachers.

ResumenEn este artículo se presenta una nueva metodología basada en la aplicación de algoritmos Máquina de Soporte Vectorial, Naïve Bayes y Algoritmos Genéticos en diagnósticos de evaluaciones psicosociales para la identificación del grado de riesgo psicosocial en docentes de colegios públicos en Colombia. Se realizó un estudio comparativo del modelo de aprendizaje de máquina para la predicción: Máquinas de Soporte Vectorial (SVM) y Naïve Bayes, en dos etapas, primero con todas las variables y segundo, reduciendo la dimensionalidad de los datos aplicando: algoritmos genéticos. Se seleccionaron las cuarenta mejores variables con mejor eficiencia en la precisión de la predicción. La base de datos utilizada se componía de 3000 registros epidemiológicos, que correspondían a docentes de colegios públicos del área metropolitana de una ciudad colombiana. El uso de SVM reconoce fácilmente variables de tipo fisiológico y el mejor desempeño de predicción se obtuvo con una eficiencia en la precisión del 96,3%. Palabras clave: aprendizaje de máquina; máquinas de soporte vectorial; Naïve Bayes; algoritmos genéticosAbstract This paper presents a new methodology based on the application of Support Vector Machine algorithms, Naïve Bayes and Genetic Algorithms in diagnostics of psychosocial evaluations for the identification and prediction of the psychosocial risk level of public-school teachers in Colombia. A comparative study of the model of machine learning for prediction was carried out: Support Vector Machines (SVM) and Naïve Bayes, in two stages, first with all the variables and second, reducing the dimensionality of the database applying genetic algorithms, The best forty variables with the best efficiency in prediction accuracy were selected. The database used consisted of 3000 epidemiological records, which corresponded to teachers from public schools in the metropolitan area of a Colombian city. The use of SVM easily detected variables of physiological type and the best prediction performance was obtained with accuracy of 96.3%.