Interpretación de los resultados por regiones de la Argentina del operativo de evaluación de la calidad educativa, utilizando modelos de Machine Learning

• Autores: Farías, Andrés Francisco; Montejano, Germán Antonio; Garis, Ana Gabriela; Farías, Andrés Alejandro; Farías, Sebastián Javier
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; selectkbest; clasificador de refuerzo de gradiente; marco de datos; desempeño educativo; selectkbest; gradient boosting classifier; dataframe; educational performance
• Institución: Universidad Nacional de La Plata

El presente trabajo se basa en la utilización de el modelo de Machine Learning: Gradient Boosting Classifier de la Librería Sklearn , en las Pruebas de Evaluación Estandarizadas “Aprender” que se desarrolló en la Argentina, para medir el Desempeño en Lengua y el Desempeño en Matemáticas. Se propone realizar este abordaje con los datos de la Evaluación de Sexto Grado de la Escuela Primaria, de la Edición 2018 de esta Evaluación de Calidad Educativa. En la etapa la investigación se analizó solamente el Desempeño en Lengua y los resultados se exponen en este documento por regiones de la Argentina. Se realizó una preselección variables, usando la librería de Sklearn: SelectKBest y luego se adoptó un solo modelo de Machine Learning: Gradient mencionado. Posteriormente se ejecutaron los cálculos por país y sus regiones y se efectuaron comparaciones.
This work is based on the use of the Machine Learning model: Gradient Boosting Classifier from the Sklearn Library, in the Standardized Assessment Tests "Aprender" that was developed in Argentina, to measure Language Performance and Mathematics Performance. It is proposed to carry out this approach with the data from the Sixth Grade Evaluation of Primary School, from the 2018 Edition of this Educational Quality Assessment. In the research stage, only Language Performance was analyzed and the results are presented in this document by regions of Argentina. A preselection of variables was made, using the Sklearn library: SelectKBest and then a single Machine Learning model was adopted: the aforementioned Gradient. Subsequently, the calculations were executed by country and its regions and comparisons were made.
Sociedad Argentina de Informática e Investigación Operativa