Publicación: Generación de un sistema predictivo para estudiantes de Cálculo I de la Universidad del Valle de Guatemala
Portada
Descargar PDF 
Vista en línea Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor
Tipo de Material
Fecha
Citación
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
El presente trabajo aborda la alta tasa de reprobación en el curso de Cálculo 1 que imparte la universidad, una problemática que impacta tanto a los estudiantes como a la institución. Se desarrolló un sistema predictivo el cual, basado en modelos de aprendizaje automático, permite identificar de manera temprana a los estudiantes en riesgo de reprobación del curso, utilizando sus calificaciones acumuladas con el paso de los meses que dura el curso. Se evaluaron y compararon múltiples algoritmos de aprendizaje automático, siendo el modelo de Light Gradient Boosting Machine (LGBM) el que mejor desempeño demostró, destacando en la minimización de falsos positivos y la optimización de la sensibilidad. La implementación de esta herramienta, no solo beneficia a los estudiantes, permitiéndoles tomar decisiones informadas sobre su desempeño, sino que también ayuda a la institución a optimizar sus recursos académicos y mejorar el rendimiento académico general. Este proyecto contribuye al desarrollo de soluciones innovadoras para mejorar la calidad educativa que provee la institución y a apoyar al éxito académico de los estudiantes en cursos clave en las fases tempranas de su formación profesional.
Resumen en inglés
The present work addresses the high failure rate in the Calculus I course offered by the university—an issue that affects both students and the institution. A predictive system was developed which, based on machine learning models, allows the early identification of students at risk of failing the course by using their accumulated grades over the months of the academic term. Multiple machine learning algorithms were evaluated and compared, with the Light Gradient Boosting Machine (LGBM) model showing the best performance, standing out for its minimization of false positives and optimization of sensitivity. The implementation of this tool not only benefits students by enabling them to make informed decisions about their academic performance but also helps the institution optimize its academic resources and improve overall academic achievement. This project contributes to the development of innovative solutions aimed at enhancing the quality of education provided by the institution and supporting students’ academic success in key courses during the early stages of their professional training.
