Modelo de red neuronal artificial para predecir resultados académicos en la asignatura Matemática II
DOI:
https://doi.org/10.15359/ree.27-1.14516Palabras clave:
Red neuronal artificial, rendimiento académico, predicciónResumen
Objetivo. Este artículo muestra el diseño y entrenamiento de una red neuronal artificial (RNA) para predecir resultados académicos de estudiantes de Ingeniería Civil de la Universidad Nacional Intercultural Fabiola Salazar Leguía de Bagua-Perú en la asignatura de Matemática II. Método. Se utilizó la metodología CRISP-DM, para recolectar los datos se emplearon encuestas, el modelo de RNA se implementó en el software Matlab utilizando el comando nnstart y dos algoritmos de aprendizaje: Scaled Conjugate Gradient (SCG) y Levenberg-Marquardt (LM), el rendimiento del modelo se evaluó mediante el error cuadrático medio y el coeficiente de correlación. Conclusiones. El algoritmo LM logró mejor efectividad en la predicción.
Referencias
Acevedo Pierart, C. G. y Rocha Pavés, F. (2011). Estilos de aprendizaje, género y rendimiento académico. Revista de Estilos de Aprendizaje, 4(8), 71-84. https://doi.org/10.55777/rea.v4i8.937
Alhadabi, A. y Karpinski, A. C. (2020). Grit, self-efficacy, achievement orientation goals, and academic performance in University students. International Journal of Adolescence and Youth, 25(1), 519-535. https://doi.org/10.1080/02673843.2019.1679202
Álvarez Blanco, J., Lau Fernández, R., Pérez Lovelle, S. y Leyva Pérez, E. C. (2016). Predicción de resultados académicos de estudiantes de informática mediante el uso de redes neuronales. Ingeniare. Revista chilena de ingeniería, 24(4), 715-727. https://doi.org/10.4067/S0718-33052016000400015
Beer, M., Urenda, J., Kosheleva, O. y Kreinovich, V. (2020). Why spiking neural networks are efficient: A theorem. En M.-J. Lesot, S. Vieira, M. Z. Reformat, J. P. Carvalho, A. Wilbik, B. Bouchon-Meunier, y R. R. Yager (Eds.), Information processing and management of uncertainty in knowledge-based systems (pp. 59-69). Springer. https://doi.org/10.1007/978-3-030-50146-4_5
Busebaia, T. J. A. y John, B. (2020). Can flipped classroom enhance class engagement and academic performance among undergraduate pediatric nursing students? A mixed-methods study. Research and Practice in Technology Enhanced Learning, 15, 1-16. https://doi.org/10.1186/s41039-020-0124-1
Caianiello, E. R. (Ed.). (1968). Neural Networks. Springer-Verlag. https://doi.org/10.1007/978-3-642-87596-0
Cerda, G., Pérez, C., Elipe, P., Casas, J. A. y del Rey, R. (2019). Convivencia escolar y su relación con el rendimiento académico en alumnado de Educación Primaria. Revista de Psicodidáctica, 24(1), 46-52. https://doi.org/10.1016/j.psicod.2018.05.001
Çetinkaya, A. y Baykan, Ö. K. (2020). 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
Cohen, J., Cohen, P., West, S. G. y Aiken, L. S. (2013). Applied multiple regression/correlation analysis for the behavioral sciences. Routledge.
Criollo, M., Romero, M. y Fontaines-Ruiz, T. (2017). Autoeficacia para el aprendizaje de la investigación en estudiantes universitarios. Psicología Educativa, 23(1), 63-72. https://doi.org/10.1016/j.pse.2016.09.002
Cukurova, M., Kent, C. y Luckin, R. (2019). Artificial intelligence and multimodal data in the service of human decision-making: A case study in debate tutoring. British Journal of Educational Technology, 50(6), 3032-3046. https://doi.org/10.1111/bjet.12829
Cukurova, M., Luckin, R. y Clark-Wilson, A. (2019). Creating the golden triangle of evidence-informed education technology with EDUCATE. British Journal of Educational Technology, 50(2), 490-504. Scopus. https://doi.org/10.1111/bjet.12727
Cukurova, M., Luckin, R. y Kent, C. (2020). Impact of an Artificial Intelligence Research Frame on the Perceived Credibility of Educational Research Evidence. International Journal of Artificial Intelligence in Education, 30(2), 205-235. https://doi.org/10.1007/s40593-019-00188-w
Dreyfus, G. (2005). Neural networks. Methodology and applications. Springer. https://doi.org/10.1007/3-540-28847-3
Eckmiller, R. y Malsburg, C. v d (Eds.). (1989). Neural computers. Springer-Verlag. https://doi.org/10.1007/978-3-642-83740-1
Edel Navarro, R. (2003a). El rendimiento académico: Concepto, investigación y desarrollo. Revista Iberoamericana sobre Calidad, Eficacia y Cambio en Educación, 1(2), 1-16. https://www.redalyc.org/articulo.oa?id=55110208
Edel Navarro, R. (2003b). Factores asociados al rendimiento académico. Revista Iberoamericana de Educación, 33(1), 1-20. https://doi.org/10.35362/rie3312872
Elman, J. L. (1991). Distributed representations, simple recurrent networks, and grammatical structure. Machine Learning, 7(2), 195-225. https://doi.org/10.1007/BF00114844
Garbanzo Vargas, G. M. (2007). Factores asociados al rendimiento académico en estudiantes universitarios, una reflexión desde la calidad de la educación superior pública. Revista Educación, 31(1), 43-63. https://doi.org/10.15517/revedu.v31i1.1252
González-García, N., Sánchez-García, A. B., Nieto-Librero, A. B. y Galindo-Villardón, M. P. (2019). Actitud y enfoques de aprendizaje en el estudio de la didáctica general. Una visión multivariante. Revista de Psicodidáctica, 24(2), 154-162. https://doi.org/10.1016/j.psicod.2019.02.002
Guzmán-Zamora, N. y Gutiérrez-García, R. A. (2020). School motivation: Academic goals, attributional styles and academic performance in middle education students. Archivos Venezolanos de Farmacologia y Terapeutica, 39(3), 290-295. Scopus. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85088405992&partnerID=40&md5=da9d70fe3fb01c7e3f5922f24a13fba7
Hagan, M. T. y Menhaj, M. B. (1994). Training feedforward networks with the Marquardt algorithm. IEEE Transactions on Neural Networks, 5(6), 989-993. https://doi.org/10.1109/72.329697
Hernández, R. M. (2018). La estrategia didáctica frente a los estilos de aprendizaje en la educación superior. Educación Médica, 19(Suppl. 2), 227. https://doi.org/10.1016/j.edumed.2017.10.034
Jones, M. H. (2004). Information driven optimization search filter: Predicting tabu egions. En M. H. Jones, B. E. Tawney y S. D. Patek (Eds.), Proceedings of the 2004 IEEE Systems and Information Engineering Design Symposium (pp. 41-47). University of Virginia. http://ieeexplore.ieee.org/servlet/opac?punumber=9192
Kaviani, S. y Sohn, I. (2020). Influence of random topology in artificial neural networks: A survey. ICT Express, 6(2), 145-150. https://doi.org/10.1016/j.icte.2020.01.002
Leal-López, E., Sánchez-Queija, I., Rivera, F. y Moreno, C. (2021). Tendencias en el consumo de alcohol en adolescentes escolarizados en España (2010-2018). Gaceta Sanitaria, 35(1), 35-41. https://doi.org/10.1016/j.gaceta.2019.07.011
Lobo, J. L., Laña, I., del Ser, J., Bilbao, M. N. y Kasabov, N. (2018). Evolving Spiking Neural Networks for online learning over drifting data streams. Neural Networks, 108, 1-19. https://doi.org/10.1016/j.neunet.2018.07.014
Luckin, R. y Cukurova, M. (2019). Designing educational technologies in the age of AI: A learning sciences-driven approach. British Journal of Educational Technology, 50(6), 2824-2838. https://doi.org/10.1111/bjet.12861
Mansilla Sepúlveda, J. y Beltrán Véliz, J. B. (2013). Coherencia entre las estrategias didácticas y las creencias curriculares de los docentes de segundo ciclo, a partir de las actividades didácticas. Perfiles Educativos, 35(139), 25-39. https://doi.org/10.1016/S0185-2698(13)71807-5
Marín Mayor, M., Arias Horcajadas, F., López Trabada, J. R. y Rubio Valladolid, G. (2019). Trastornos por consumo de alcohol. Enfermedades psiquiátricas (II)Trastornos de la personalidad. Trastornos por uso de sustancias, 12(85), 4993-5003. https://doi.org/10.1016/j.med.2019.09.004
Martín-Montañez, E., Barón-López, F. J., Rubio Lamia, L. O., Pavía Molina, J., Miranda Páez, J. y Santos Amaya, I. M. (2011). Consumo de alcohol, tabaco, cannabis y otras sustancias psicoactivas en estudiantes de la Universidad de Málaga. Trastornos Adictivos, 13(4), 160-166. https://doi.org/10.1016/S1575-0973(11)70032-0
MathWorks. (s. f.). ¿Qué es una red neuronal? Tres cosas que es necesario saber. https://es.mathworks.com/discovery/neural-network.html
Maxwell, S. E., Delaney, H. D. y Kelley, K. (2017). Designing Experiments and Analyzing Data: A Model Comparison Perspective (3.a ed.). Routledge. https://doi.org/10.4324/9781315642956
Møller, M. F. (1993). A scaled conjugate gradient algorithm for fast supervised learning. Neural Networks, 6(4), 525-533. https://doi.org/10.1016/S0893-6080(05)80056-5
Murillo, F. J. y Hernández-Castilla, R. (2020). ¿La implicación de las familias influye en el rendimiento? Un estudio en educación primaria en América Latina. Revista de Psicodidáctica, 25(1), 13-22. https://doi.org/10.1016/j.psicod.2019.10.002
Olascoaga, A. C. (2020). Curso de docencia para residentes: Evaluación de un programa. Educación Médica, 21(3), 187-192. https://doi.org/10.1016/j.edumed.2018.07.010
Pardo-Cueva, M., Chamba-Rueda, L. M., Gómez, Á. H. y Jaramillo-Campoverde, B. G. (2020). Ict and academic performance in higher education: A relationship enhanced by the use of the padlet. RISTI - Revista Iberica de Sistemas e Tecnologias de Informacao, 2020(E28), 934-944. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85081007798&partnerID=40&md5=110df3aaf4db20c75bff3c423bd52323
Pinto, P. M., Fernández, Y. O. y Cabezas, N. G. (2020). Intercultural education in the process of educational humanization of college students: Influences on academic achievement. Interciencia, 45(4), 201-208. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85085116052&partnerID=40&md5=d5452e892f20e1b42dfe7f487dd4ba51
Piotrowski, A. P., Napiorkowski, J. J. y Piotrowska, A. E. (2020). Impact of deep learning-based dropout on shallow neural networks applied to stream temperature modelling. Earth-Science Reviews, 201, 1-24. https://doi.org/10.1016/j.earscirev.2019.103076
Plasencia Vilchis, M. L., Eguiluz Romo, L. de L., y Osorio Guzmán, M. (2016). Relación entre la dinámica familiar y las fortalezas humanas. Journal of Behavior, Health & Social Issues, 8(2), 1-8. https://www.sciencedirect.com/science/article/pii/S200707801730010X#:~:text=Los%20resultados%20se%C3%B1alan%20que%20las,el%20conocimiento%2C%20optimismo%2Fesperanza%2C
Poznyak, A., Sanchez, E. N. y Yu, W. (2001). Differential neural networks for robust nonlinear contro. Identification, state estimation and trajectory trackingl. World Scientific. https://doi.org/10.1142/4703
Salanova, M., Cifre, E., Grau, R. M., Llorens, S. y Martínez, I. M. (2005). Antecedentes de la autoeficacia en profesores y estudiantes universitarios: Un modelo causal. Revista de Psicología del Trabajo y de las Organizaciones, 21(1-2), 159-176. https://www.redalyc.org/pdf/2313/231317039010.pdf
Sarle, W. S. (1994). Neural networks and statistical models. Actas de la Nineteenth Annual SAS Users Group International Conference. https://people.orie.cornell.edu/davidr/or474/nn_sas.pdf
Serrano, W. (2020). The random neural network in price predictions. En I. Maglogiannis, L. Iliadis y E. Pimenidis (Eds.), Artificial intelligence applications and innovations (pp. 303-314). Springer. https://doi.org/10.1007/978-3-030-49161-1_26
Suardiaz-Muro, M., Morante-Ruiz, M., Ortega-Moreno, M., Ruiz, M. A., Martín-Plasencia, P. y Vela-Bueno, A. (2020). Sueño y rendimiento académico en estudiantes universitarios: Revisión sistemática. Revista de neurologia, 71(2), 43-53. Scopus. https://doi.org/10.33588/rn.7102.2020015
Torres Velázquez, L. E., y Rodríguez Soriano, N. Y. (2006). Rendimiento académico y contexto familiar en estudiantes universitarios. Enseñanza e Investigación en Psicología, 11(2), 255-270. https://www.redalyc.org/articulo.oa?id=29211204
Urrutia-Aguilar, M. E. y Guevara-Guzmán, R. (2013). Estrategias docentes en el primer año de la carrera de Médico Cirujano y nivel de aprovechamiento académico. Investigación en Educación Médica, 2(6), 77-81. https://doi.org/10.1016/S2007-5057(13)72690-5
Van Essen, D. C., y Glasser, M. F. (2018). Parcellating cerebral cortex: How invasive animal studies inform noninvasive mapmaking in humans. Neuron, 99(4), 640-663. https://doi.org/10.1016/j.neuron.2018.07.002
Publicado
Cómo citar
Número
Sección
Licencia
1. En caso de que el artículo postulado sea aceptado para publicación, las personas autoras permite(n) la cesión GRATUITA, EXCLUSIVA Y POR PLAZO INDEFINIDO de su(s) derecho(s) patrimonial(es) a la Universidad Nacional (UNA, Costa Rica). Para más detalles consulte la Carta de originalidad y cesión de derechos.
2. Derechos de reutilización: La UNA les concede a los AUTORES(AS) el derecho de reutilizar para cualquier propósito, entre ellos el autoarchivo, y poder publicar en internet o cualquier sitio electrónico la versión final aprobada y publicada (post print) del artículo, siempre y cuando se realice sin fines de lucro, no genere obra derivada sin previa autorización y respete las fuentes de autoría.
3. La postulación y posible publicación del artículo en la Revista Electrónica Educare se regirá por sus políticas editoriales, la normativa institucional de la Universidad Nacional y la legislación de la República de Costa Rica. Adicionalmente, cualquier eventual diferencia de criterio o disputa futura se dirimirá de acuerdo con los mecanismos de Resolución Alterna de Conflictos y la Jurisdicción Costarricense.
4. En todos los casos se entiende que las opiniones emitidas son de las personas autoras y no necesariamente reflejan la posición u opinión de la Revista Educare, el CIDE o la Universidad Nacional, Costa Rica. Se entiende también que, en ejercicio de libre cátedra, las personas autoras han realizado un proceso científico-académico de investigación, reflexión y argumentación rigurosas y dentro del ámbito temático de interés de la Revista.
5. Los artículos publicados por la Revista Electrónica Educare utilizan Licencia Creative Commons:
Los artículos de la Revista Electrónica Educare se comparten con Licencia Creative Commons: 
