Campus Virtuales

La Universidad en la Nube

Número completo:

 

 

 

 

 

 

 

 

 

 


Metodología de Estudio del Rendimiento Académico Mediante la Minería de Datos
Methodology Study of Academic Performance Using Data Mining

David Luis La Red Martínez. Corrientes (Argentina)

Carlos Enrique Podestá Gómez. Curuzú Cuatiá (Argentina)

Número completo:

 

 

 

 

 

 

 

 

 

 


Metodología de Estudio del Rendimiento Académico Mediante la Minería de Datos
Methodology Study of Academic Performance Using Data Mining

David Luis La Red Martínez. Corrientes (Argentina)

Carlos Enrique Podestá Gómez. Curuzú Cuatiá (Argentina)

Resumen/Abstract

Resumen / Abstract


La minería de datos orientada a la educación permite predecir determinado tipo de factor o característica de un caso, fenómeno o situación. En este artículo se describen los modelos de minería utilizados y se comentan los principales resultados obtenidos. Se consideran especialmente modelos de minería de agrupamiento, clasificación y asociación. En todos los casos se busca determinar los patrones de éxito y de fracaso académico de los alumnos para, de esta manera, predecir la probabilidad de los mismos de desertar o tener un bajo rendimiento académico, con la ventaja de poder hacerlo tempranamente, permitiendo así encarar acciones tendientes a revertir tal situación. Este trabajo se ha realizado en el año 2013, con información de los años 2009 a 2013, con alumnos de la asignatura Sistemas Operativos de la carrera terciaria de Tecnicatura Superior Analista Programador (TSAP) del Instituto Superior de Curuzú Cuatiá (ISCC), de Corrientes, Argentina.

Data mining, education-oriented, predicts certain type of factor or characteristic of a case, phenomenon or situation. Mining models used are described in this article and the main results are discussed. Especially mining models clustering, classification and association are considered. In all cases is to determine patterns of academic success and failure for students, thus predicting the likelihood of dropping them or having poor academic performance, with the advantage of being able to do it early, allowing face action to reverse this situation. This work was carried out in 2013, with information for the years 2009 to 2013, with students of Operating Systems, subject to the Superior Technical Analyst-Programmer (TSAP), who studied at the Higher Institute of Curuzú Cuatiá (ISCC), Corrientes, Argentina.

Palabras Clave/Keywords

Palabras Clave / Keywords


Rendimiento académico, Minería de datos, Perfiles de alumnos, Sistemas operativos, Enseñanza-aprendizaje, Almacenes de datos.

Academic performance, Data mining, Student profiles, Operating systems, Teaching and learning, Data warehouse.

Referencias/References

Referencias / References


1. Acosta, J.C., La Red Martínez, ( 2012). D.L. Un Aula Virtual no convencional de Algebra en la FaCENA – UNNE: un enfoque utilizando b-learning y multimedia. Editorial Académica Española – LAP LAMBERT Academic Publishing Gmbh & Co. KG Heinrich – Bocking- Str. 6-8,66121 Saarbrucken, Alemania. ISBN 978-3-659-02034-6. Alemania.

2. Agrawal, R.; Shafer, J. C. (1996). Parallel Mining of Association Rules. IEEE Transactions on Knowledge and Data Engineering. USA.

3. Ballard, Ch.; Rollins, J.; Ramos, J.; Perkins, A.; Hale, R.; Dorneich, A.; Cas Milner, E. & Chodagam, J. (2007). Dynamic Warehousing: Data Mining Made Easy. IBM International Technical Support Organization. IBM Press. USA.

4. Berson, A. & Smith, S. J. (1997). Data Warehouse, Data Mining & OLAP. Mc Graw Hill. USA.

5. Bolaños Calvo, B. (2001). Las Nuevas Tecnologías y los Desafíos Teórico – Prácticos en los Sistemas de Educación a Distancia: Caso UNED de Costa Rica. Temática: Universidades Virtuales y Centros de Educación a Distancia. UNED. Costa Rica.

6. California Department of Education. (2009). 10 Academic Performance Index Reports. USA.

7. Carrasco Pradas, A., Gracia Expósito, E., de la Iglesia Villasol, C. (2005). Las TIC en la construcción del espacio europeo de educación superior. Dos experiencias docentes en teoría económica. Revista Iberoamericana de Educación, 36, 1-16.

8. Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Renartz, T., Shearer, C., Wirth, R. (1999). CRISP-DM 1.0. Step-by-step data mining guide.

9. Delfino, J. A. (1989). Los determinantes del aprendizaje. In Petrei, A. H., editor, Ensayos en economía de la educación. Educational Evaluation and Policy Analisys.

10. Di Gresia, L. (2007). Rendimiento Académico Universitario. Tesis Doctoral. Universidad Nacional de La Plata. Argentina.

11. Fayyad, U.M.; Grinstein, G. & Wierse, A. (2001). Information Visualization in Data Mining and Knowledge Discovery. Morgan Kaufmann. Harcourt Intl.

12. Fazio, M. V. (2004). Incidencia de las horas trabajadas en el rendimiento académico de estudiantes universitarios argentinos. Documentos de Trabajo UNLP, 52. Argentina.

13. Forteza, J. (1975). Modelo instrumental de las relaciones entre variables motivacionales y rendimiento. Revista de Psicología General y Aplicada, 132, 75-91. España.

14. García, M. M.; San Segundo, M. J. (2001). El Rendimiento Académico en el Primer Curso Universitario. X Jornadas de la Asociación de Economía de la Educación. Libro de Actas, págs. 435-445. España.

15. García Jiménez, M. V.; Alvarado Izquierdo, J. M.; Jiménez Blanco, (2000). A. La predicción del rendimiento académico: regresión lineal versus regresión logística. Psicothema Vol. 12, Supl. nº 2, pp. 248-252. España.

16. Grabmeier, J. & Rudolph, A. (1998). Techniques of Cluster Algorithms in Data Mining version 2.0. IBM Deutschland Informationssysteme GmbH. GBIS (Global Business Intelligence Solutions). Germany.

17. Gutting, R. (1994). An Introduction to spatial database systems. VLDB Journal, 3, 357- 399.

18. Hand, D.J.; Mannila, H. & Smyth, P. (2000). Principles of Data Mining. The MIT Press. USA.

19. Harinarayan V., Rajaraman, A., Ullman, J. (1996). Implementation data cubes efficiently. ACM SIGMOD Record, 25 (2), 205-216.

20. Herrera Clavero, F. (2004.) ¿Cómo Interactúan el Autoconcepto y el Rendimiento Académico en un Contexto Educativo Pluricultural?. Revista Iberoamericana de Educación. España.

21. IBM Software Group. (2003). Enterprise Data Warehousing whit DB2: The 10 Terabyte TPC-H Benchmark. IBM Press. USA.

22. IEEE. (2012). Learning Technology Standards Committe. Retrived Jan 6, 2012, from http://www.ieeeltsc.org:8080/Plone

23. Inmon, W. H. (1992). Data Warehouse Performance. John Wiley & Sons. USA.

24. Inmon, W. H. (1996). Building the Data Warehouse. John Wiley & Sons. USA.

25. Joyanes Aguilar, L. Cibersociedad. (1997). España: Mc Graw Hill.

26. La Red Martínez, D.L., Acosta, J.C. (2012). B-Learning: Una propuesta de Arquitectura Segura Basada en Patrones. Revista Internacional PEI: Por la Psicología y Educación Integral, Año 2, 3, 58-95.

27. La Red Martínez, D.L., Acosta, J., Agostini, F., Uribe, V., Rambo, A. (2011). La importancia otorgada al estudio y su relación con el rendimiento académico. Revista Documentación. Año IV, 24, 54-62.

28. Maradona, G. & Calderón, M. I. (2004). Una aplicación del enfoque de la función de producción en educación. Revista de Economía y Estadística, Universidad Nacional de Córdoba, XLII. Argentina.

29. Marcelo García, C.; Villarín Martínez, M.; Bermejo Campos, B. (1987). Contextualización del rendimiento en bachillerato.Revista de Educación, 282, 267-283. España.

30. Marreno Hernández, H.; Orlando Espino, M. (1988). Evaluación comparativa del poder predictor de las aptitudes sobre notas escolares y pruebas objetivas. Revista de Educación, 287, 97-112. España.

31. Matignon, R. (2009). Data Mining Using SAS Enterprise Miner. U.S.A.: Wiley.

32. McMahon, W. W.( 2002). Education and Development. Oxford University Press.

33. Peiró, J. M. (2001). Las competencias en la sociedad de la información: nuevos modelos formativos. España: Centro Virtual Cervantes.

34. Poe, V. (1996). Building a Data Warehouse for Decision Support. New Jersey: Prentice Hall.

35. Porto, A. & Di Gresia, L. (2000). Características y rendimiento de estudiantes universitarios. El caso de la Facultad de Ciencias Económicas de la Universidad Nacional de La Plata. Documentos de Trabajo UNLP, 24.

36. Sancho Gil, J. M. (2004). Las Observaciones de la Sociedad de la Información: Evaluación o Política de promoción de las TIC en Educación. Revista Iberoamericana de Educación, 36, 37-68.

37. SAS Institute, (2009). Disponible en: http:// www. sas.com/technologies/analytics/datamining/ miner/semma.html

38. Simon, A. (1997). Data Warehouse, Data Mining and OLAP. John Wiley & Sons. USA.

39. Wallace, L. & Young, J. (2010). Implementing Blended Learning: Policy Implications for Universities, Online Journal of Distance Learning Administration, Volume XIII, Number IV, winter 2010 University of west Georgia, Distance Education Center.

40. White, C. J. (2001). IBM Enterprise Analytics for the Intelligent e-Business. IBM Press. USA.

41. Widom J. (1995) Research Problems in data warehousing. Conf. Information and Knowledge Management, Baltimore. U.S.A.

42. Wilson, R. L.; Hardgrave, B. C. (1995). Predicting graduate student success in an MBA program: Regression versus classification.Educational and Psychological Measurement, 55, 186-195. USA.

Cómo citar/How to cite

Cómo citar / How to cite


La Red, D. L. & Podestá, C. E.(2014). Metodología de Estudio del Rendimiento Académico Mediante la Minería de Datos. Campus virtuales, 3(1), 56-73.

La Red, D. L. & Podestá, C. E. (2014). Methodology Study of Academic Performance Using Data Mining. Campus virtuales, 3(1), 56-73.

Usted está aquí: CAMPUS VIRTUALES REVISTA Número Actual Artículos 4 La Universidad en la Nube