Identification Of Factors That Affect The Academic Performance Of High School Students In Peru Through A Machine Learning Algorithm

Acosta, Lady Denisse Infante; Polo, Jonatán Edward Rojas

doi:10.18687/laccei2021.1.1.68

Cited by 2 publications

(3 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…También, se utiliza el machine learning en el aprendizaje adaptativo para identificar patrones, dificultades y fortalezas de los estudiantes. (32,33,34,35) Estos patrones permiten ajustar el contenido educativo y las estrategias de enseñanza en tiempo real para satisfacer las necesidades específicas de cada estudiante. En cuanto a los sistemas de recomendación, se utiliza el machine learning en el diseño de un sistema de educación inteligente asistido por IA, que proporciona materiales de aprendizaje confiables y ofrece retroalimentación personalizada a los estudiantes.…”

Section: Resultados Y Discusión ¿En Qué Contexto Educacional Se Imple...unclassified

Machine learning for the improvement of adaptive learning in university education

Jara-Abanto,

Velasquez-Medina,

Meneses-Claudio

2023

Salud, Ciencia y Tecnología - Serie de Conferencias

View full text Add to dashboard Cite

La IA se está introduciendo cada vez más en el campo de la educación y el sistema educativo, con esto también el enfoque a la personalización de la educación según las necesidades de cada estudiante. Esta revisión tiene como objetivo analizar el impacto del aprendizaje adaptativo mediante el uso de inteligencia artificial y técnicas de machine learning en la mejora del aprendizaje en la educación universitaria identificando las principales aplicaciones, beneficios y desafíos de esta tecnología. Se realizaron búsquedas exhaustivas en la base de datos de Scopus, donde 22 de 125 estudios encontrados cumplieron con los criterios de inclusión. Los resultados mostraron que la clasificación de los estudiantes según su tipo de percepción del contenido educativo y el uso del análisis de texto escrito como base para esta clasificación fue propuesta como estrategias para mejorar la calidad y personalización de la educación. Asimismo, se destacó la utilidad de algoritmos de machine learning basados en SVM para predecir las calificaciones finales de los estudiantes y detectar posibles dificultades de aprendizaje Se llegó a la conclusión de que la detección temprana de dificultades de aprendizaje, la personalización del aprendizaje y la consideración de variables demográficas y de género para mejorar el rendimiento académico de los estudiante proporcionan una base sólida para el diseño de estrategias educativas efectivas y que resaltan el potencial de la IA y el ML para transformar el sector educativo.

show abstract

Section: Resultados Y Discusión ¿En Qué Contexto Educacional Se Imple...unclassified

Machine learning for the improvement of adaptive learning in university education

Jara-Abanto,

Velasquez-Medina,

Meneses-Claudio

2023

Salud, Ciencia y Tecnología - Serie de Conferencias

View full text Add to dashboard Cite

show abstract

“…This research uses a qualitative variable, membership in an academic performance group, to predict students' academic performance. The selection of Predicting undergraduate academic performance in a leading Peruvian university ML models was guided by two criteria: choosing models with the best performance metrics in previous studies on predicting undergraduate academic performance in LMICs (Salas-Pilco and Yang, 2022;Sekeroglu et al, 2021;Infante & Rojas., 2021) and prioritizing models with higher prediction accuracy for smaller datasets. The selected models include Logistic Regression, Ridge, Lasso, Random Forest, and Extreme Gradient Boosting 1 .…”

Section: Methodsmentioning

confidence: 99%

“…In Peru, only research at the primary education level integrates administrative and census data (MINEDU, 2022;Infante & Rojas, 2021). University research relies on university academic records, limiting use for admissions and scholarships.…”

Section: Literature Reviewmentioning

confidence: 99%

Predicting undergraduate academic performance in a leading Peruvian university: A machine learning approach

Salas,

Caldas

2024

EDUCA

View full text Add to dashboard Cite

Despite improved higher education accessibility in low and middle-income countries (LMICs), challenges persist in student drop-out, especially for socio-economically disadvantaged students. While machine learning models have enhanced our understanding of this challenge by predicting academic performance, many studies overlook LMIC-specific institutional factors or focus on specific courses, limiting their generalizability and policy uses. To address these issues, the authors compiled a comprehensive database using administrative and census data to predict undergraduate academic performance at the Pontifical Catholic University of Peru (PUCP). The study found that the most effective models were tree-based ensembles, particularly Random Forest, with key predictors including prior secondary school performance and university admission test scores. They present a high-performing model using only ten features that can predict future academic performance and potentially aid in reducing student drop-out at PUCP.

show abstract

Identification Of Factors That Affect The Academic Performance Of High School Students In Peru Through A Machine Learning Algorithm

Cited by 2 publications

References 0 publications

Machine learning for the improvement of adaptive learning in university education

Machine learning for the improvement of adaptive learning in university education

Predicting undergraduate academic performance in a leading Peruvian university: A machine learning approach

Contact Info

Product

Resources

About