1. Repositorio Institucional UNAD
Please use this identifier to cite or link to this item: https://repository.unad.edu.co/handle/10596/61174
Full metadata record
DC FieldValueLanguage
dc.creatorCarrascal Porras, Fernando Luises
dc.creatorArrubla Hoyos, Wilson de Jesúses
dc.creatorFlorez Prias, Luis Alfonsoes
dc.creatorChica Medrano, Daniel Franciscoes
dc.creatorCarrascal Porras, Fernando Luisen
dc.creatorArrubla Hoyos, Wilson de Jesúsen
dc.creatorFlorez Prias, Luis Alfonsoen
dc.creatorChica Medrano, Daniel Franciscoen
dc.date2023-12-11-
dc.identifierhttps://hemeroteca.unad.edu.co/index.php/publicaciones-e-investigacion/article/view/7510-
dc.identifier10.22490/25394088.7510-
dc.descriptionIn the context of virtual and distance education, the course "Introduction to Telecommunications Engineering" at the National Open and Distance University (UNAD) has faced the challenge of student attrition at first enrolment. To address this problem, a research study was carried out to develop a Data Mining model based on the CRISP-DM methodology. The study used a dataset with 808 student records collected in different academic periods of the year 2021. Several Machine Learning techniques were applied, such as Random Forest, Tree Decision, Knn, SVM and Neural Network, evaluating their performance through k-10 cross-validation. The results revealed that the Random Forest model obtained the best performance, predicting with 80% accuracy the passing rate of the course. This model is relevant for identifying students at risk of dropping out of the course early, allowing the implementation of proactive strategies to address dropout and improve course indicators. Although some results were slightly lower than previous research, the model remains a valuable tool to support student retention strategies in the "Introduction to Telecommunications Engineering" course at UNAD.en
dc.descriptionEn el contexto de la educación virtual y a distancia, el curso "Introducción a la Ingeniería de Telecomunicaciones" de la Universidad Nacional Abierta y a Distancia (UNAD) ha enfrentado el desafío de la deserción estudiantil en primera matrícula. Para abordar esta problemática, se realizó una investigación centrada en desarrollar un modelo de Minería de Datos basado en la metodología CRISP-DM. El estudio utilizó un dataset con 808 registros de estudiantes recopilados en distintos periodos académicos del año 2021. Se aplicaron diversas técnicas de Machine Learning, como Random Forest, Tree Decision, Knn, SVM y Neural Network, evaluando su desempeño mediante validación cruzada k-10. Los resultados revelaron que el modelo Random Forest obtuvo el mejor rendimiento, logrando predecir con un 80% de precisión la aprobación del curso. Este modelo es relevante para identificar los estudiantes con riesgo de deserción temprana del curso, permitiendo la implementación de estrategias proactivas para hacer frente a la deserción y mejorar los indicadores del curso. Aunque algunos resultados fueron ligeramente inferiores a investigaciones anteriores, el modelo sigue siendo una herramienta valiosa para apoyar las estrategias de retención de los estudiantes en el curso "Introducción a la Ingeniería de Telecomunicaciones" de la UNAD.es
dc.formatapplication/pdf-
dc.languagespa-
dc.publisherSello editorial UNADes
dc.relationhttps://hemeroteca.unad.edu.co/index.php/publicaciones-e-investigacion/article/view/7510/6495-
dc.rightsDerechos de autor 2023 Publicaciones e Investigaciónes
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0es
dc.sourcePublicaciones e Investigación; Vol. 17 No. 4 (2023): Edición especial Expotechen
dc.sourcePublicaciones e Investigación; Vol. 17 Núm. 4 (2023): Edición especial Expoteches
dc.source2539-4088-
dc.source1900-6608-
dc.subjectPredictive classificationen
dc.subjectRandom Foresten
dc.subjectRetention and permanencyen
dc.subjectStudent dropouten
dc.subjectClasificación predictivaes
dc.subjectDeserción estudiantiles
dc.subjectRandom Forestes
dc.subjectRetención y permanenciaes
dc.titleModelo basado en machine learning para predecir la aprobación de un curso de ingenieríaes
dc.titleModel based on machine learning to predict the approval of an engineering courseen
dc.typeinfo:eu-repo/semantics/article-
dc.typeinfo:eu-repo/semantics/publishedVersion-
Appears in Collections:Revista Publicaciones e Investigación

Files in This Item:
There are no files associated with this item.
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.