Es fundamental para las Instituciones de Educación Superior mejorar el nivel de aprovechamiento académico de sus estudiantes ofreciéndoles atención y servicios de apoyo. En el Instituto Tecnológico de Tlalnepantla, México, se han implantado programas de atención personalizada preparando tutores académicos. Hasta el momento, un problema sin una solución total es la correcta identificación del estilo de aprendizaje de cada estudiante. En este artículo, se presenta un modelo que utiliza un mecanismo de inferencia difuso para clasificar los diferentes estilos de aprendizaje de acuerdo con el test de Honey-Alonso. La clasificación obtenida es con la intención de contribuir al programa de tutorías de los alumnos, y asistir a los tutores en la toma de decisiones para definir estrategias de aprendizaje con base en el estilo identificado, dando seguimiento a cada estudiante, desde su ingreso hasta la conclusión de su carrera profesional. Palabras clave: modelo difuso, estilos de aprendizaje, test Honey-Alonso, clasificación. Fuzzy Inference Model for Classification of Learning Styles Based on the Honey-Alonso Test Abstract. For Higher Education Institutions is fundamental to improve their students' academic achievement level by offering them attention and support services. At the Technological Institute of Tlalnepantla, Mexico, programs of personalized attention preparing academic tutors have been implanted. So far, a problem without a total 41

Los algoritmos de clasificación basada en la similitud entre textos, es un tópico de gran interés lo que es motivado por la relevancia y complejidad que presenta esta problemática y la gran cantidad de ámbitos que requieren de sistemas automatizados para resolverla. Por mencionar algunos ejemplos, se requiere de aplicaciones capaces de determinar de manera automática la sensibilidad de la información textual almacenada en archivos para decidir el grado de protección o diferenciar datos sensibles de aquellos que no lo son para prevenir o detectar su fuga o accesos no autorizados. Esto puede ser establecido con base en la importancia de su contenido. Así, una forma de abordar el problema es desde la perspectiva de la clasificación de textos con base en contexto. Para ello, es necesario desarrollar algoritmos que consideren la semántica de los documentos desde el momento que se generan y obtener su clasificación mediante un conjunto de características que incluyan rasgos textuales. En este trabajo, se definen los rasgos textuales y la relación semántica entre rasgos textuales. Considerando que un texto es la concatenación de rasgos textuales, la relación semántica de los rasgos textuales permite determinar su grado de pertenencia a un tema. Para la clasificación de textos, se aplican las etapas del modelo de algoritmos de votación desarrollados bajo el Reconocimiento Lógico Combinatorio de Patrones.

Resumen. En un ambiente educativo existe una gran cantidad de datos que pueden ser analizados y utilizados en el proceso de la toma de decisiones. En la actualidad, debido al tamaño de su dimensión, los datos tienden a ser más complejos que los datos convencionales y requieren una reducción de su dimensión. La M inería de Datos Educacional permite utilizar técnicas de M inería de Datos para analizar información académica con el fin de identificar patrones que no son evidentes. Este artículo presenta resultados obtenidos en una investigación de un caso de estudio sobre el rendimiento académico de alumnos de Ingeniería del Centro Universitario UAEM Valle de M éxico. En el análisis de los datos se utiliza el algoritmo K-means, el software WEKA y R Studio. Se propone utilizar el agrupamiento para reducir la dimensión de las variables académicas en función de los registros de las calificaciones obtenidas durante los últimos períodos cursados, luego se trabajará con una medida promedio para predecir el rendimiento académico de un alumno. Se utiliza R Studio para contrastar los grupos obtenidos por WEKA.Palabras clave: minería de datos educacional, reducción de la dimensión, agrupamientos, K-means.Abstract. In an educational environment there is a huge data quantity, this data can be analyzed, and it can be used in decision making process. Nowadays data tends to be more complex due to the size than conventional data and need dimension reduction. Educational Data M ining lets using Data M ining techniques for analyzing academic information in order to identify patterns that are not evident. This article presents results obtained in a research of a case of study where regard the academic performance of undergraduate students of Engineering of the Centro Universitario UAEM Valle de M éxico. In the data analysis is used the Kmeans algorithm, WEKA and R Studio. We propose the use of Clustering to reduce the dimension of academic variables based on their grade registers getting during last periods then we work with some average measure of in order to predict the academic performance of a student. It is used R Studio for contrast the Clusteres obtained by WEKA.

No abstract

No abstract