Predictive model to reduce the dropout rate of university students in Perú: Bayesian Networks vs. Decision Trees

Tecnología y analítica del aprendizaje: una revisión a la literatura

“…Por tanto, al predecir por ejemplo el rendimiento académico como una clase (variable) de tipo numérico o categórico se está inmerso en el campo de la analítica académica y cuando se intenta predecir cuál será el resultado de un estudiante antes de que curse una asignatura, se estaría incursionando en el campo de la analítica del aprendizaje (Figura 2). Los resultados de la analítica en el campo de la educación pueden usarse para elaborar informes como el mapeo curricular, la predicción del comportamiento (por ejemplo: tasas de abandono o deserción), el diseño de acciones para mejorar el aprendizaje y la determinación de las competencias en tiempo real (Tenpipat y Akkarajitsakul, 2020;Medina et al, 2020;Urteaga et al, 2020;Castrillón et al, 2020;Kauffman et al, 2019) y no como se hace actualmente que se recopilan datos de un semestre y las acciones de mejora se realizan en un semestre posterior (Lonn et al, 2015).…”

“…Se muestran algunos métodos clásicos de predicción tales como series de tiempo y regresión lineal. Los autores no están usando métodos que dan buenos resultados en el campo de la analítica académica para la predicción de indicadores como el rendimiento académico, la deserción y la tasa de graduación como los algoritmos de aprendizaje supervisado clásicos, tales como árboles de decisión, KNN, SVM (Tomasevic et al, 2020;Contreras et al, 2020;Adekitan y Noma-Osaghae, 2019;Wiyono y Tegal, 2019), o algoritmos más avanzados dentro del aprendizaje automático como los métodos híbridos o de ensamble y las redes neuronales (Zacharias y Athanasios, 2020; Hasan et al, 2020;Medina et al, 2020). Figura 6.…”