Estudio comparativo de técnicas de minería de datos para la predicción de la deserción universitaria

• Autores: Bossero, Julio César
• Año de publicación: 1996
• Idioma: español castellano
• Tipo de recurso: tesis de maestría
• Colaborador/a o director/a de tesis: Spositto, Osvaldo Mario
• Materia: ANALISIS DE DATOS; ABANDONO DE ESTUDIOS; ENSEÑANZA SUPERIOR; MODELADO DE DATOS; 006.312; Data mining
• Institución: Universidad Nacional de La Matanza

La Minería de Datos Educacional (MDE o EDM1), es una rama de la Minería de Datos (MD o DM2), que se ha dedicado a aplicar diversas técnicas para analizar datos provenientes de ambientes relacionados a la educación formal, y a extraer la mayor cantidad de conocimiento, con el objeto de entender mejor a los estudiantes, profesores y actores involucrados, y así mejorar los procesos educativos En la actualidad, la tendencia en las universidades es trabajar con tecnologías MDE, que faciliten y mejoren el desarrollo de las actividades académicas, creándose de esta forma un aprendizaje electrónico añadido al tradicional. El uso de estos nuevos medios tiene grandes ventajas, una de ellas es que permite generar una gran cantidad de datos producidos por el estudiante durante el proceso de aprendizaje. La Minería de Datos, entre otras técnicas, utiliza Inteligencia Artificial para encontrar patrones y relaciones entre los datos, permitiendo la creación de modelos y representaciones abstractas de la realidad En este trabajo se realiza una introducción a dos técnicas de MD, por un lado RedNeuronal Artificial (RNA o ANN6) del tipo Perceptron Multicapa (PM), y por otro una Máquina de Vectores Soporte (MVS o SVM7), para explorar su aplicabilidad en el terreno de la MDE como instrumento de modelización y predicción no paramétrica. Con tal objeto, se pretende desarrollar ambos modelos, y luego ser posteriormente aplicados en la predicción de perfiles de alumnos desertores, utilizando datos reales provenientes de un Almacén de Datos (AD o DW8). Los resultados obtenidos serán comparados para determinar cuál de ellos es más eficaz y eficiente en la predicción y poder ser utilizado, de ser necesario, por las autoridades para tomar acciones anticipadas que ayuden a disminuir el índice de deserción o desgranamiento universitario.
Fil: Bossero, Julio César. Universidad Nacional de La Matanza; Argentina.