Factores endógenos y exógenos para el modelado y predicción del rendimiento académico de estudiantes universitarios
Resumen
El objetivo de esta investigación es diseñar e implementar un modelo de red neuronal artificial (RNA) que permita predecir el rendimiento académico de los estudiantes de la Universidad Nacional Intercultural Fabiola Salazar Leguía de Bagua (UNIFSLB) en la asignatura Matemática. Esta investigación presenta un enfoque cuantitativo, no experimental, de tipo proyectiva y predictiva; se elaboró un cuestionario de respuestas dicotómicas para recolectar información de los factores que influyen en el Rendimiento académico (RA). Para la validación del cuestionario se utilizó el criterio de juicio de expertos, y para la confiabilidad la prueba Kuder-Richarson (coeficiente de confiabilidad de 0.82). La población de estudio quedó constituida por 397 estudiantes de la UNIFSLB. El modelo de RNA se diseñó en el software MATLAB, el ajuste del modelo se realizó teniendo en cuenta el error cuadrático medio (0.27) y el coeficiente de correlación ponderado durante el entrenamiento, validación y prueba (0.92%). El modelo de RNA con los mejores resultados en la predicción está constituido por tres capas ocultas (35-42-31 neuronas en cada capa oculta) y una capa de salida (1 neurona). Se concluyó que es posible implementar un modelo de RNA con factores endógenos y exógenos para predecir el RA de los estudiantes
Descargas
Citas
Bahl, K., & Sharma, R. (2018). Predicting the Size of a Family Based upon the Demographic Status of that Family. Lecture Notes in Networks and Systems, 10, 207-218. Scopus. https://doi.org/10.1007/978-981-10-3920-1_21
Barge-Caballero, E., Barge-Caballero, G., Paniagua-Martín, M. J., Couto-Mallón, D., Pardo-Martínez, P., Sagastagoitia-Fornie, M., Barrios, V., Escobar, C., Cosín-Sales, J., Muñiz, J., Vázquez-Rodríguez, J. M., & Crespo-Leiro, M. G. (2021). Valor pronóstico de un nuevo modelo de evaluación clínica de pacientes ambulatorios con insuficiencia cardiaca. REC: CardioClinics. https://doi.org/10.1016/j.rccl.2021.06.004
Cejudo, R., Bayona, G., Goguitchaichvili, A., Cervantes, M., Bautista, F., & Mendiola, F. (2021). Neuronal network model to predict pollution by urban dust from major passageways in Bogotá, Colombia. Boletin de La Sociedad Geologica Mexicana, 73(1), 1-18. https://doi.org/10.18268/BSGM2021v73n1a031020
Çetinkaya, A., & Baykan, Ö. K. (2020a). Prediction of middle school students’ programming talent using artificial neural networks. Engineering Science and Technology, an International Journal. https://doi.org/10.1016/j.jestch.2020.07.005
Çetinkaya, A., & Baykan, Ö. K. (2020b). Prediction of middle school students’ programming talent using artificial neural networks. Engineering Science and Technology, an International Journal, 23(6), 1301-1307. https://doi.org/10.1016/j.jestch.2020.07.005
Cid-Sillero, S., Pascual-Sagastizabal, E., & Martinez-de-Morentin, J.-I. (2020). Influencia de la autoestima y la atención en el rendimiento académico del alumnado de la ESO y FPB. Revista de Psicodidáctica, 25(1), 59-67. https://doi.org/10.1016/j.psicod.2019.06.001
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297-334. https://doi.org/10.1007/BF02310555
Dámaso-Flore, J., & Serpa-Barriento, A. (2022). Explanatory Model of Academic Performance Associated with Parenting Styles, Aggression and Resentment in Peruvian Adolescents. Revista Iberoamericana de Diagnostico y Evaluacion Psicologica, 1(62), 5-15. https://doi.org/10.21865/RIDEP62.1.01
de León, C. L. C. D., Limon, S. V., Gonzalez-Calleros, J. M., & Treviño, M. A. D. V. (2021). Artificial neural network for the extraction of dynamic parameters of robots from incomplete information of their movement. Revista Colombiana de Computacion, 22(2), 37-47. https://doi.org/10.29375/25392115.4298
Delgado, M. G., Del Barco, B. L., & Moncayo, M. R. (2022). Good university student practices that predict academic performance. Educacion XX1, 25(1), 171-195. https://doi.org/10.5944/eduxx1.30565
Foster, R. C. (2021). KR20 and KR21 for Some Nondichotomous Data (It’s Not Just Cronbach’s Alpha). Educational and Psychological Measurement. https://doi.org/10.1177/0013164421992535
Guney, Y. (2009). Exogenous and endogenous factors influencing students’ performance in undergraduate accounting modules. Accounting Education, 18(1), 51-73. https://doi.org/10.1080/09639280701740142
Hernández-Yépez, P. J., Contreras-Carmona, P. J., Inga-Berrospi, F., Ayala, P. B., & Valladares-Garrido, M. J. (2022). Factors associated with academic performance in medical students. Revista Cubana de Medicina Militar, 51(1). https://bit.ly/3J8UeGE
Hurtado, J. (2000). Metodología de la Investigación Holística (3era ed.). Caracas. Fundación Sypal.
Lesinski, G., Corns, S., & Dagli, C. (2016). Application of an Artificial Neural Network to Predict Graduation Success at the United States Military Academy. Procedia Computer Science, 95, 375-382. https://doi.org/10.1016/j.procs.2016.09.348
Martí, G. P., Caballero, F. S., & Sellabona, E. S. (2022). Academic achievement in middle childhood: Relationships with Emotional Intelligence and Social Skills. Revista de Educacion, 2022(395), 277-303. https://doi.org/10.4438/1988-592X-RE-2022-395-515
Martínez-Vicente, M., Suárez-Riveiro, J. M., & Valiente-Barroso, C. (2019). Estrés cotidiano infantil y factores ligados al aprendizaje escolar como predictores del rendimiento académico. Ansiedad y Estrés, 25(2), 111-117. https://doi.org/10.1016/j.anyes.2019.08.002
Matabuena, M., Madrid Padilla, O. H., & Gonzalez-Barcala, F.-J. (2020). Modelado estadístico y matemático en la epidemia del coronavirus: Algunas consideraciones para minimizar los sesgos en los resultados. Archivos de Bronconeumología, 56(9), 601-602. https://doi.org/10.1016/j.arbres.2020.04.022
McMillan, J. H., & Schumacher, S. (2005). Investigación educativa: Una introducción conceptual (5th ed.). Madrid: Pearson Educación.
Mendaña-Cuervo, C., & López-González, E. (2021). The impact of flipped classroom on the perception, motivation, and academic results of university students. Formacion Universitaria, 14(6), 97-108. https://doi.org/10.4067/S0718-50062021000600097
Palacios, D., & Berger, C. (2022). Friends’ Influence on Academic Performance Among Early Adolescents: The Role of Social Status. Psykhe, 31(1). https://doi.org/10.7764/psykhe.2019.21811
Raga, R., & Raga, J. (2019). Early prediction of student performance in blended learning courses using deep neural networks. 39-43. https://doi.org/10.1109/ISET.2019.00018
Reyes, N. S., Morales, J. B., Moya, J. G., Teran, C. E., Rodriguez, D. N., & Altamirano, G. C. (2019). Model to predict academic performance based on neural networks and learning analytics. RISTI - Revista Iberica de Sistemas e Tecnologias de Informacao, E17, 258-266. https://n9.cl/m54v4
Shah, S. S., Shah, A. A., Memon, F., Kemal, A. A., & Soomro, A. (2021). Aprendizaje en línea durante la pandemia de COVID-19: Aplicación de la teoría de la autodeterminación en la ‘nueva normalidad’. Revista de Psicodidáctica, 26(2), 169-178. https://doi.org/10.1016/j.psicod.2020.12.004
Solana, J., Ibáñez, N., & Benito, B. (2017). Determinantes de la eficiencia en las fundaciones españolas. Revista de Contabilidad, 20(2), 176-194. https://doi.org/10.1016/j.rcsar.2016.12.001
Yağci, A., & Çevik, M. (2019). Prediction of academic achievements of vocational and technical high school (VTS) students in science courses through artificial neural networks (comparison of Turkey and Malaysia). Education and Information Technologies, 24(5), 2741-2761. https://doi.org/10.1007/s10639-019-09885-4
Los artículos que se publican en esta revista están sujetos a los siguientes términos:
1. El Departamento de Métodos de Investigación y Diagnóstico en Educación de la Universidad de Murcia (España), junto con el Servicio de Publicaciones de la Universitdad de Murcia (Editum) son los editores de la revista REIFOP y conserva los derechos patrimoniales (copyright) de los artículos publicados, permitiendo la reutilización de las mismos bajo la licencia de uso indicada en el punto 2.
2. Las obras se publican en la edición electrónica de la revista bajo una licencia Creative Commons Reconocimiento-NoComercial-SinObraDerivada 3.0 España (texto legal). Se pueden copiar, usar, difundir, transmitir y exponer públicamente, siempre que: i) se cite la autoría y la fuente original de su publicación (revista, editores y URL de la obra); ii) no se usen para fines comerciales; iii) se mencione la existencia y especificaciones de esta licencia de uso.
3. Condiciones de auto-archivo. Se permite y se anima a los autores a difundir electrónicamente las versiones pre-print (versión antes de ser evaluada) y/o post-print (versión evaluada y aceptada para su publicación) de sus obras antes de su publicación, ya que favorece su circulación y difusión más temprana y con ello un posible aumento en su citación y alcance entre la comunidad académica. Color RoMEO: verde.
