Un enfoque híbrido de IA para predecir el rendimiento académico en estudiantes de EBR
El aprendizaje automático ha avanzado significativamente en los últimos años y se utiliza en la educación superior para realizar diversos tipos de análisis de datos. Si bien es cierto que la literatura muestra la aplicación de algoritmos de aprendizaje automático para predecir el rendimiento en la e...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de maestría |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2025
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881510718435491840 |
|---|---|
| author | Willy Henry, Gonzales Garcia Cordero Miranda, Zindel Mayeli Key |
| author2 | Abanto Ramirez, Carlos Daniel |
| author_browse | Abanto Ramirez, Carlos Daniel Cordero Miranda, Zindel Mayeli Key Willy Henry, Gonzales Garcia |
| author_facet | Abanto Ramirez, Carlos Daniel Willy Henry, Gonzales Garcia Cordero Miranda, Zindel Mayeli Key |
| author_sort | Willy Henry, Gonzales Garcia |
| collection | Repositorio institucional |
| description | El aprendizaje automático ha avanzado significativamente en los últimos años y se utiliza en la educación superior para realizar diversos tipos de análisis de datos. Si bien es cierto que la literatura muestra la aplicación de algoritmos de aprendizaje automático para predecir el rendimiento en la educación universitaria, no se encuentran aplicaciones en EBR, mucho menos en instituciones privadas de carácter confesional, lo que brinda una oportunidad para estudiar la predicción en estas instituciones. Para abordar esta brecha, esta investigación tiene como objetivo proponer un enfoque predictivo como herramienta de soporte de decisiones para la educación básica regular, utilizando técnicas de aprendizaje automático. Entre las técnicas utilizadas, se analizaron tres modelos de aprendizaje automático (Regresión logística, Máquina de vectores de soporte y Bosque aleatorio), junto con modelos de aprendizaje profundo (AlexNet, Unidad recurrente compuerta y Unidad recurrente compuerta bidireccional), así como modelos de conjunto. No obstante, el modelo de conjunto, que combina técnicas de aprendizaje profundo y aprendizaje automático, es el preferido debido a sus métricas de rendimiento de exactitud, precisión y sensibilidad superiores. |
| escuela_str_mv | Escuela de Posgrado |
| format | info:eu-repo/semantics/masterThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/8737 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Teorías, métodos, organización y planificación de la educación |
| ocde_area_str_mv | Ciencias sociales |
| ocde_disciplina_str_mv | Ciencias de la educación |
| ocde_str_mv | 5.03.00 |
| programa_nombre_str_mv | Maestría en Educación con Mención en Investigación y Docencia Universitaria |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/maestria-en-educacion-investigacion-y-docencia |
| publishDate | 2025 |
| publishDateRange | 2025 |
| publishDateSort | 2025 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Lima |
| spelling | Un enfoque híbrido de IA para predecir el rendimiento académico en estudiantes de EBR Willy Henry, Gonzales Garcia Cordero Miranda, Zindel Mayeli Key Abanto Ramirez, Carlos Daniel Hybrid AI Artificial intelligence Predicting academic performance RBE stude El aprendizaje automático ha avanzado significativamente en los últimos años y se utiliza en la educación superior para realizar diversos tipos de análisis de datos. Si bien es cierto que la literatura muestra la aplicación de algoritmos de aprendizaje automático para predecir el rendimiento en la educación universitaria, no se encuentran aplicaciones en EBR, mucho menos en instituciones privadas de carácter confesional, lo que brinda una oportunidad para estudiar la predicción en estas instituciones. Para abordar esta brecha, esta investigación tiene como objetivo proponer un enfoque predictivo como herramienta de soporte de decisiones para la educación básica regular, utilizando técnicas de aprendizaje automático. Entre las técnicas utilizadas, se analizaron tres modelos de aprendizaje automático (Regresión logística, Máquina de vectores de soporte y Bosque aleatorio), junto con modelos de aprendizaje profundo (AlexNet, Unidad recurrente compuerta y Unidad recurrente compuerta bidireccional), así como modelos de conjunto. No obstante, el modelo de conjunto, que combina técnicas de aprendizaje profundo y aprendizaje automático, es el preferido debido a sus métricas de rendimiento de exactitud, precisión y sensibilidad superiores. 2025-05-08 2025-05-20T17:03:54Z 2025-05-20T17:03:54Z info:eu-repo/semantics/masterThesis https://hdl.handle.net/20.500.12840/8737 spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/8737 2026-11-10T17:45:09Z |
| spellingShingle | Hybrid AI Artificial intelligence Predicting academic performance RBE stude Willy Henry, Gonzales Garcia Cordero Miranda, Zindel Mayeli Key Un enfoque híbrido de IA para predecir el rendimiento académico en estudiantes de EBR |
| title | Un enfoque híbrido de IA para predecir el rendimiento académico en estudiantes de EBR |
| title_full | Un enfoque híbrido de IA para predecir el rendimiento académico en estudiantes de EBR |
| title_fullStr | Un enfoque híbrido de IA para predecir el rendimiento académico en estudiantes de EBR |
| title_full_unstemmed | Un enfoque híbrido de IA para predecir el rendimiento académico en estudiantes de EBR |
| title_short | Un enfoque híbrido de IA para predecir el rendimiento académico en estudiantes de EBR |
| title_sort | un enfoque hibrido de ia para predecir el rendimiento academico en estudiantes de ebr |
| topic | Hybrid AI Artificial intelligence Predicting academic performance RBE stude |
| topic_facet | Hybrid AI Artificial intelligence Predicting academic performance RBE stude |
| url | https://hdl.handle.net/20.500.12840/8737 |
| work_keys_str_mv | AT willyhenrygonzalesgarcia unenfoquehibridodeiaparapredecirelrendimientoacademicoenestudiantesdeebr AT corderomirandazindelmayelikey unenfoquehibridodeiaparapredecirelrendimientoacademicoenestudiantesdeebr |