Modelamiento de la satisfacción laboral de docentes de educación básica mediante técnicas Machine Learning

• Autor: Holgado Apaza, Luis Alberto
• Formato: tesis doctoral
• Fecha de Publicación: 2022
• Institución: Universidad Nacional Del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:https://repositorio.unap.edu.pe:20.500.14082/20348
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/20348
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Aprendizaje supervisado; Ciencia de datos; Inteligencia artificial; Satisfacción laboral; Modelado predictivo; https://purl.org/pe-repo/ocde/ford#1.02.01

La satisfacción laboral del docente, es un aspecto importante en el desempeño académico, retención de los estudiantes y retención de los maestros. En el presente estudio se determinó el modelo predictivo de la satisfacción laboral de docentes de educación básica mediante técnicas de aprendizaje automático. El conjunto de datos original estuvo conformado por 15087 instancias y 942 atributos procedentes de la encuesta nacional a docentes de instituciones educativas públicas y privadas de educación básica regular (ENDO-2018) desarrollado por Ministerio de Educación del Perú. Las técnicas de selección de características empleadas fueron el filtro ANOVA F-test y el filtro Chi-Cuadrado. En la fase modelado se emplearon los algoritmos de Regresión logística, Gradient Boosting, Random Forest, XGBoost, Decision Trees-CART. El algoritmo de Random Forest obtiene una exactitud del 73 %, sensibilidad del 74.8 %, AUC del 0.82, menor valor de falsos negativos 163 y mayor valor de verdaderos positivos 484 en la matriz de confusión. Los ingresos económicos, la satisfacción con la vida, con la autoestima, con la actividad pedagógica, con la relación con el director (a), percepción de las condiciones de vida, satisfacción con sus relaciones familiares, problema de salud relacionado con la depresión y la satisfacción de la relación con sus colegas resultaron ser los predictores más importantes.