Minería predictiva aplicada al descubrimiento de factores asociados al desempeño en la competencia de lenguaje de los estudiantes de básica primaria
Resumen
En este artículo se aplican técnicas predictivas de minería de datos para descubrir patrones de desempeño académico en la competencia de Lenguaje de las pruebas Saber 5° que presentaron los estudiantes de las instituciones educativas colombianas de básica primaria en el año 2017. Para tal fin, se utilizó la metodología CRISP-DM y se tuvo en cuenta la información socioeconómica, académica e institucional de las bases de datos del ICFES. Se obtuvo un conjunto de datos minable utilizando técnicas de limpieza y transformación de datos y se construyó un árbol de decisión con el algoritmo J48 de la herramienta Weka. Entre los factores predictores de los patrones descubiertos están la naturaleza y la ubicación del colegio, si los estudiantes reprobaron o no algún grado, el grupo etario, la educación de la madre y los índices de TICs y electrodomésticos en los hogares. El conocimiento producido en esta investigación es información de calidad para la toma de decisiones en el MEN y las secretarías de educación y para que las directivas de las instituciones educativas de básica primaria definan planes de mejoramiento que redunden en la calidad de la educación en Colombia.
Palabras clave
Minería de Datos, Clasificación, Árboles de Decisión, Modelo Predictivo, Patrones de Desempeño, Pruebas Saber 5
Citas
- Icfes, Saber 5°: Guía de orientación. Instituto Colombiano para la Evaluación de la Educación (ICFES), Colombia, Mineducación, 2017.
- Icfes, Pruebas Saber 3°, 5° y 9°: Lineamientos para las aplicaciones muestral y censal (ICFES), Colombia, Mineducación, 2014.
- J. Torres, L. Pachajoa, R. Pantoja, “Resultados de las Pruebas Saber en el grado quinto del área de las ciencias naturales en tres instituciones educativas oficiales del municipio de Pasto,” Revista Fedumar Pedagogía y Educación, vol. 1, no. 1, pp. 55-69, 2014.
- S. Martín, Pruebas Saber de lenguaje 3° y 5°: Posibilidades y retos desde la perspectiva de la evaluación formativa, Colombia, Universidad Pedagógica Nacional, 2015.
- Y. Gutiérrez, Relación entre la estructura familiar y el rendimiento académico en el área de matemáticas, Colombia, Editorial Milla, 2015.
- Icfes, Lineamientos generales Saber 5° y 9°, Colombia, Instituto Colombiano para la Evaluación de la Educación (ICFES), 2009.
- Icfes, Informe técnico Saber 5° y 9, Colombia, Instituto Colombiano para la Evaluación de la Educación (ICFES), 2011.
- R. Timarán, J. Caicedo, A. Hidalgo, Aplicación de la Minería de datos en la Detección de Patrones de Desempeño Académico e las Pruebas Saber Pro, Colombia, Editorial Universidad de Nariño, 2021.
- R. Timarán, J. Caicedo, A. Hidalgo, Minería de datos educativa para el descubrimiento de factores asociados al desempeño académico en las Pruebas Saber 11o. Colombia, Editorial Universidad de Nariño, 2021.
- S. Valero, A. S. Vargas, M. García, “Minería de datos: Predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos,” En Línea, vol. 779, no. 73, pp. 33-38, 2005.
- H. Escobar, M. Alcívar, C. Márquez, C. Escobar, “Implementación de Minería de Datos en la Gestión Académica de las Instituciones de Educación Superior,” Didasc@lia: Didáctica y educación, vol. 8, no. 3, pp. 203-212, 2017.
- R. Timarán, A. Calderón, J. Jiménez, “Aplicación de la minería de datos en la extracción de perfiles de deserción estudiantil,” Ventana Informática, vol. 28, pp. 31-47, 2013. https://doi.org/10.30554/ventanainform.28.181.2013 DOI: https://doi.org/10.30554/ventanainform.28.181.2013
- S.R. Timarán, J. Jiménez, A. Calderón, Detección de patrones de deserción estudiantil con minería de datos, Colombia, Editorial Universidad de Nariño, 2017.
- A. Azevedo, M. Santos, “KDD, SEMMA and CRISP-DM: a parallel overview,” in Proceedings of IADIS European Conference on Data Mining, Netherlands, 2008, pp. 182-185.
- J. Hernández, M. Ramírez, C. Ferri, Introducción a la Minería de Datos. Spain, Editorial Pearson Prentice Hall, 2005.
- J. Villena, CRISP-DM: La metodología para poner orden en los proyectos de Data Science, 2016, https://data.sngular.team/es/art/25/crisp-dm-la-metodologia-para-poner-orden-en-los-proyectos-de-data-science.
- J. Han, M. Kamber, J. Pei, Data Mining: Concepts and Techniques, Third Edition (3 edition.). Burlington, MA: Morgan Kaufmann, 2011.
- K. Sattler, O. Dunemann, “SQL database primitives for decision tree classifiers,” in Proceedings of the tenth international conference on Information and knowledge management, USA, 2001, pp. 379–386. DOI: https://doi.org/10.1145/502585.502650
- R. Timarán, M. Millán, “New algebraic operators and SQL primitives for mining classification rules,” in Computational Intelligence, USA, 2006, pp. 61–65.
- J. Hernández, M. Ramírez, M, C. Ferri, Introducción a la Minería de Datos, Spain, Editorial Pearson Prentice Hall, 2005.
- I. Witten, E. Frank, M, Hall, Data Mining: Practical Machine Learning Tools and Techniques, Third Edition, Morgan Kaufmann, 2011.
- M. Hall, E. Frank, I. Witten, Practical Data Mining: Tutorials, University of Waikato, 2011.
- J. Quinlan, Programs for machine learning, Morgan Kaufmann, 1993.
- M. García, A. Álvarez, Análisis de datos en WEKA–pruebas de selectividad, 2010. http://www.it.uc3m.es/~jvillena/irc/practicas/06-07/28.pdf