Desarrollo de un sistema de predicción de rendimiento estudiantil con Deep Learning

• Autor: Villegas Espinoza, Alexander Edwin Jose
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/159639
• Enlace del recurso: https://hdl.handle.net/20.500.12692/159639
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje profundo; Rendimiento estudiantil; Predicción; GAN; SMOTE; Redes neuronales profundas; Validación cruzada K-Fold; https://purl.org/pe-repo/ocde/ford#2.02.04

El presente estudio contribuye al objetivo de desarrollo sostenible (ODS) 9: Industria, Innovación e Infraestructura, mediante el desarrollo de un sistema de predicción del rendimiento estudiantil basado en técnicas de Deep Learning. El objetivo principal fue desarrollar un modelo de deep Learning para identificar a estudiantes con bajo desempeño académico. La investigación, de tipo aplicada y enfoque cuantitativo, empleó un diseño cuasi experimental. La población estuvo conformada por 155 estudiantes de secundaria de una institución educativa de Canta, seleccionándose una muestra de 112 estudiantes. Los datos fueron procesados y ampliados mediante técnicas como GAN y SMOTE, junto con validación cruzada k-fold, para entrenar un modelo de redes neuronales profundas (DNN). El modelo alcanzó un 96.81% de precisión y un índice Kappa de Cohen de 0.866, mostrando alta exactitud y confiabilidad. Se identificaron factores clave como autoconcepto, satisfacción de los padres, actitud hacia las asignaturas y uso de recursos adicionales, asociados al rendimiento estudiantil. Se concluye que el modelo es eficaz para detectar estudiantes en riesgo, proporcionando una herramienta valiosa para implementar intervenciones personalizadas y reducir la tasa de reprobación escolar, contribuyendo a mejorar la calidad educativa y el éxito académico.