Comparación de algoritmos de machine learning en la predicción del rendimiento académico universitario basado en el rendimiento en el examen de admisión de los ingresantes a la Facultad de Ingeniería de la Universidad Nacional Jorge Basadre Grohmann del año 2023
No Thumbnail Available
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Nacional Jorge Basadre Grohmann
Abstract
En el Perú, la Secretaría Nacional de la Juventud (SENAJU, 2023) menciona que los jóvenes entre los 15 a 29 años de edad, solo un 21,4 % han accedido a una educación universitaria en zonas urbanas y 24,7 % en zonas rurales. En el Perú, no se puede detectar con facilidad durante el proceso de admisión, quienes realmente deben seguir estudios universitarios, por lo cual, un número significativo de alumnos no han podido responder a las exigencias que conlleven a tener logros significativos. El presente estudio aborda la necesidad de predecir el rendimiento académico universitario de los estudiantes de la Facultad de Ingeniería de la Universidad Nacional Jorge Basadre Grohmann basado en el examen de admisión de los ingresantes en el año 2023. Se formuló el siguiente objetivo: “Comparar los algoritmos de machine learning para predecir el rendimiento académico universitario basado en el examen de admisión en los ingresantes a la Facultad de Ingeniería de la UNJBG en el año 2023”. Se realizó un extenso estudio experimental comparativo utilizando modelos de machine learning como regresión lineal, árbol de decisión, bosques aleatorios y redes neuronales; obteniendo métricas como error absoluto medio (MAE), error cuadrático medio (MSE), raíz de error cuadrado medio (RMSE) y error de porcentaje medio absoluto (MAPE). Se concluyó que: “Se comparó los 2 algoritmos que tuvieron más precisión respecto a predecir el rendimiento académico universitario, luego de compararlos estadísticamente se observó que el modelo de redes neuronales sobresalió por su mayor precisión y capacidad predictiva, con un nivel de confianza al 95 %”. Finalmente, se publicaron el conjunto de datos como: las notas del rendimiento académico y el puntaje en los cursos de admisión, también los modelos de machine learning en la plataforma de gitLab para futuras investigaciones.
Description
Keywords
Machine learning, Métricas, Rendimiento académico universitario