Modelo de rede neural artificial para prever resultados acadêmicos em Matemática II

Autores

DOI:

https://doi.org/10.15359/ree.27-1.14516

Palavras-chave:

Red neuronal artificial, rendimiento académico, predicción

Resumo

Objetivo. Este artigo mostra o projeto e o treinamento de uma rede neural artificial (RNA) para predizer resultados acadêmicos de alunos de Engenharia Civil da Universidade Nacional Intercultural Fabiola Salazar Leguía de Bagua-Peru na disciplina de Matemática II. Método. A metodologia CRISP-DM foi utilizada, levantamentos foram utilizados para coletar os dados, o modelo de RNA foi implementado no software Matlab usando o comando nnstart e dois algoritmos de aprendizagem: Scaled Conjugate Gradient (SCG) e Levenberg-Marquardt (LM). O desempenho do modelo foi avaliado por meio do erro quadrático médio e do coeficiente de correlação. Conclusão. O algoritmo LM alcançou melhor eficácia de previsão.

Biografia do Autor

Fernando Alain Incio-Flores, Universidad Nacional Intercultural Fabiola Salazar Leguía de Bagua

Estudiante de doctorado en educación y Magíster en Administración de la Educación, con estudios de maestría concluidos en Matemática Aplicada en la línea de la Inteligencia Artificial, Licenciado en Matemática, Licenciado en Educación con mención en Matemática y Computación, docente en la Universidad Nacional Intercultural Fabiola Salazar Leguía de Bagua, Perú.

Dulce Lucero Capuñay-Sanchez, Universidad César Vallejo

Estudiante de doctorado en educación y Magíster en Educación, Licenciada en Educación por la Universidad Nacional Pedro Ruiz Gallo y docente en ejercicio de educación básica.

Ronald Omar Estela-Urbina, Universidad Nacional Intercultural Fabiola Salazar Leguía de Bagua

Docente universitario con formación en Física-Matemática, Electrónica e Informática, con experiencia en Robótica educativa y estudios concluidos de Doctorado en Ciencias Ambientales en la Universidad Nacional Pedro Ruíz Gallo, Perú.

Referências

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

2023-01-01

Como Citar

Modelo de rede neural artificial para prever resultados acadêmicos em Matemática II (F. A. Incio-Flores, D. L. Capuñay-Sanchez, & R. O. Estela-Urbina , Trads.). (2023). Revista Electrónica Educare, 27(1), 1-19. https://doi.org/10.15359/ree.27-1.14516

Edição

Seção

Artigos (Seção avaliada por pares)

Como Citar

Modelo de rede neural artificial para prever resultados acadêmicos em Matemática II (F. A. Incio-Flores, D. L. Capuñay-Sanchez, & R. O. Estela-Urbina , Trads.). (2023). Revista Electrónica Educare, 27(1), 1-19. https://doi.org/10.15359/ree.27-1.14516

Comentarios (ver términos de uso)