Modelos de clasificación supervisados de zonas metropolitanas y no metropolitanas en estudiantes de educación virtual por medio de la plataforma Moodle
En este trabajo, se evalúa la capacidad de varios modelos de aprendizaje automático para clasificar a los estudiantes según vivan o no en un área metropolitana, utilizando datos de comportamiento de los estudiantes obtenidos de los registros de Moodle de una Universidad de educación a distancia en A...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión aceptada para publicación |
| Fecha de publicación: | 2021 |
| País: | Colombia |
| Institución: | Universidad de Bogotá Jorge Tadeo Lozano |
| Repositorio: | Expeditio: repositorio UTadeo |
| Idioma: | español |
| OAI Identifier: | oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/27644 |
| Acceso en línea: | http://hdl.handle.net/20.500.12010/27644 |
| Access Level: | acceso abierto |
| Palabra clave: | Modelos de clasificación Programación (Computadores electrónicos) -- Tesis y disertaciones académicas Procesamiento electrónico de datos -- Tesis y disertaciones académicas Educación en línea -- Tesis y disertaciones académicas |
| Sumario: | En este trabajo, se evalúa la capacidad de varios modelos de aprendizaje automático para clasificar a los estudiantes según vivan o no en un área metropolitana, utilizando datos de comportamiento de los estudiantes obtenidos de los registros de Moodle de una Universidad de educación a distancia en Antioquia, Colombia. Usando F1-score, la métrica que se consideró como la mas adecuada dada la naturaleza desequilibrada de los datos, se encontró que el algoritmo del árbol de decisión XGBoost produce el mejor rendimiento de clasificación. El alto desempeño de los algoritmos de clasificación evaluados confirma la brecha digital urbano rural prevalente en Colombia, así como también permite inferir las relaciones que existen en la variables que hace que los algoritmos tomen una decisión de clasificar en área metropolitana o no metropolitana a un estudiante. Los resultados de este trabajo pueden permitir que un entorno de aprendizaje inteligente se ajuste de forma adaptativa a las competencias y necesidades especificas de los alumnos en función de sus características socio-económicas. |
|---|