Modelo de predicción académico y rendimiento académico de los estudiantes del primer año de secundaria en la Institución Educativa Inca Garcilaso de la Vega, Cusco 2021
Descripción del Articulo
El objetivo del estudio es determinar la relación entre el modelo de predicción académico y el rendimiento académico de los estudiantes del primer año de secundaria de la IE IGV. La problemática trata sobre la deficiencia académica y cuál es la relación que se da entre el modelo de predicción y el r...
Autor: | |
---|---|
Formato: | tesis de maestría |
Fecha de Publicación: | 2024 |
Institución: | Universidad Nacional de Huancavelica |
Repositorio: | UNH-Institucional |
Lenguaje: | español |
OAI Identifier: | oai:repositorio.unh.edu.pe:20.500.14597/8719 |
Enlace del recurso: | https://hdl.handle.net/20.500.14597/8719 |
Nivel de acceso: | acceso abierto |
Materia: | Modelos predictivos Rendimiento académico Metodología CRISP-DM https://purl.org/pe-repo/ocde/ford#1.02.01 |
id |
RUNH_9848fc18c9cf1e57be6ee871577c9ea5 |
---|---|
oai_identifier_str |
oai:repositorio.unh.edu.pe:20.500.14597/8719 |
network_acronym_str |
RUNH |
network_name_str |
UNH-Institucional |
repository_id_str |
. |
dc.title.none.fl_str_mv |
Modelo de predicción académico y rendimiento académico de los estudiantes del primer año de secundaria en la Institución Educativa Inca Garcilaso de la Vega, Cusco 2021 |
title |
Modelo de predicción académico y rendimiento académico de los estudiantes del primer año de secundaria en la Institución Educativa Inca Garcilaso de la Vega, Cusco 2021 |
spellingShingle |
Modelo de predicción académico y rendimiento académico de los estudiantes del primer año de secundaria en la Institución Educativa Inca Garcilaso de la Vega, Cusco 2021 Bautista Huancahuari, Toribio Alberto Modelos predictivos Rendimiento académico Metodología CRISP-DM https://purl.org/pe-repo/ocde/ford#1.02.01 |
title_short |
Modelo de predicción académico y rendimiento académico de los estudiantes del primer año de secundaria en la Institución Educativa Inca Garcilaso de la Vega, Cusco 2021 |
title_full |
Modelo de predicción académico y rendimiento académico de los estudiantes del primer año de secundaria en la Institución Educativa Inca Garcilaso de la Vega, Cusco 2021 |
title_fullStr |
Modelo de predicción académico y rendimiento académico de los estudiantes del primer año de secundaria en la Institución Educativa Inca Garcilaso de la Vega, Cusco 2021 |
title_full_unstemmed |
Modelo de predicción académico y rendimiento académico de los estudiantes del primer año de secundaria en la Institución Educativa Inca Garcilaso de la Vega, Cusco 2021 |
title_sort |
Modelo de predicción académico y rendimiento académico de los estudiantes del primer año de secundaria en la Institución Educativa Inca Garcilaso de la Vega, Cusco 2021 |
author |
Bautista Huancahuari, Toribio Alberto |
author_facet |
Bautista Huancahuari, Toribio Alberto |
author_role |
author |
dc.contributor.advisor.fl_str_mv |
Cristobal Lara, Roly Alcides |
dc.contributor.author.fl_str_mv |
Bautista Huancahuari, Toribio Alberto |
dc.subject.none.fl_str_mv |
Modelos predictivos Rendimiento académico Metodología CRISP-DM |
topic |
Modelos predictivos Rendimiento académico Metodología CRISP-DM https://purl.org/pe-repo/ocde/ford#1.02.01 |
dc.subject.ocde.none.fl_str_mv |
https://purl.org/pe-repo/ocde/ford#1.02.01 |
description |
El objetivo del estudio es determinar la relación entre el modelo de predicción académico y el rendimiento académico de los estudiantes del primer año de secundaria de la IE IGV. La problemática trata sobre la deficiencia académica y cuál es la relación que se da entre el modelo de predicción y el rendimiento académico, donde se plantea solucionar el problema de como los modelos predictivos se puede relacionar con su desenvolvimiento académico a partir de sus datos de ingreso de cada estudiante como factor social, económico y académico. Se tomó una muestra de 196 estudiantes exclusivamente del primer año, comprendido entre el 2015 al 2019. Se llevo a cabo una investigación no experimental, correlacional, la metodología usada para la generación de modelos predictivos es CRISP-DM, que es muy usada para estos tipos de propósito y RStudio como software para la implementación y cotejo de los datos estadísticos, la técnica e instrumentos de recolección de datos fue análisis de datos históricos y entrevista. Para alcanzar el propósito se aplicaron cinco modelos predictivos, el que obtuvo la mejor medida de predicción y relación significativa con el rendimiento académico fue redes neuronales 92.31%, y el segundo mejor fue máquina vector de soporte 89.74%. Los elementos que contribuyeron de manera significativa en el rendimiento académico son: notas finales, discapacidad, cantidad de hermanos, vive con sus padres, trabaja el alumno, tipo de escuela, distancia al colegio y preparación académica. |
publishDate |
2024 |
dc.date.accessioned.none.fl_str_mv |
2025-02-03T22:03:16Z |
dc.date.available.none.fl_str_mv |
2025-02-03T22:03:16Z |
dc.date.issued.fl_str_mv |
2024-03-13 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/masterThesis |
dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.14597/8719 |
url |
https://hdl.handle.net/20.500.14597/8719 |
dc.language.iso.none.fl_str_mv |
spa |
language |
spa |
dc.relation.ispartof.fl_str_mv |
SUNEDU |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.uri.none.fl_str_mv |
https://creativecommons.org/licenses/by/4.0/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by/4.0/ |
dc.format.none.fl_str_mv |
pdf |
dc.publisher.none.fl_str_mv |
Universidad Nacional de Huancavelica |
dc.publisher.country.none.fl_str_mv |
PE |
publisher.none.fl_str_mv |
Universidad Nacional de Huancavelica |
dc.source.none.fl_str_mv |
reponame:UNH-Institucional instname:Universidad Nacional de Huancavelica instacron:UNH |
instname_str |
Universidad Nacional de Huancavelica |
instacron_str |
UNH |
institution |
UNH |
reponame_str |
UNH-Institucional |
collection |
UNH-Institucional |
bitstream.url.fl_str_mv |
https://repositorio.unh.edu.pe/bitstreams/af124c5c-48e8-47e3-a46b-ad8f768698c8/download https://repositorio.unh.edu.pe/bitstreams/8a6f1827-5d70-493c-973d-df90c0637b3c/download |
bitstream.checksum.fl_str_mv |
0afc3b2b6d911a5786e20062163edab1 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Universidad Nacional de Huancavelica |
repository.mail.fl_str_mv |
repositorio@unh.edu.pe |
_version_ |
1833379785444687872 |
spelling |
Cristobal Lara, Roly AlcidesBautista Huancahuari, Toribio Alberto2025-02-03T22:03:16Z2025-02-03T22:03:16Z2024-03-13El objetivo del estudio es determinar la relación entre el modelo de predicción académico y el rendimiento académico de los estudiantes del primer año de secundaria de la IE IGV. La problemática trata sobre la deficiencia académica y cuál es la relación que se da entre el modelo de predicción y el rendimiento académico, donde se plantea solucionar el problema de como los modelos predictivos se puede relacionar con su desenvolvimiento académico a partir de sus datos de ingreso de cada estudiante como factor social, económico y académico. Se tomó una muestra de 196 estudiantes exclusivamente del primer año, comprendido entre el 2015 al 2019. Se llevo a cabo una investigación no experimental, correlacional, la metodología usada para la generación de modelos predictivos es CRISP-DM, que es muy usada para estos tipos de propósito y RStudio como software para la implementación y cotejo de los datos estadísticos, la técnica e instrumentos de recolección de datos fue análisis de datos históricos y entrevista. Para alcanzar el propósito se aplicaron cinco modelos predictivos, el que obtuvo la mejor medida de predicción y relación significativa con el rendimiento académico fue redes neuronales 92.31%, y el segundo mejor fue máquina vector de soporte 89.74%. Los elementos que contribuyeron de manera significativa en el rendimiento académico son: notas finales, discapacidad, cantidad de hermanos, vive con sus padres, trabaja el alumno, tipo de escuela, distancia al colegio y preparación académica.pdfhttps://hdl.handle.net/20.500.14597/8719spaUniversidad Nacional de HuancavelicaPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by/4.0/Modelos predictivosRendimiento académicoMetodología CRISP-DMhttps://purl.org/pe-repo/ocde/ford#1.02.01Modelo de predicción académico y rendimiento académico de los estudiantes del primer año de secundaria en la Institución Educativa Inca Garcilaso de la Vega, Cusco 2021info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionreponame:UNH-Institucionalinstname:Universidad Nacional de Huancavelicainstacron:UNHSUNEDU20116477https://orcid.org/0000-0002-2281-467642780121612187Marquez Camarena, Javier FranciscoSinche Crispin, Fernando ViterboRojas Bujaico, Rafael Wilfredohttps://purl.org/pe-repo/renati/level#maestrohttps://purl.org/pe-repo/renati/type#tesisMaestría en Ciencias de Ingeniería; Mención en Tecnologías de Información y ComunicaciónUniversidad Nacional de Huancavelica. Facultad de Ingeniería Electrónica - SistemasMaestro en Ciencias de Ingeniería; Mención en Tecnologías de Información y ComunicaciónORIGINALBAUTISTA HUANCAHUARI.pdfBAUTISTA HUANCAHUARI.pdfapplication/pdf6551004https://repositorio.unh.edu.pe/bitstreams/af124c5c-48e8-47e3-a46b-ad8f768698c8/download0afc3b2b6d911a5786e20062163edab1MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.unh.edu.pe/bitstreams/8a6f1827-5d70-493c-973d-df90c0637b3c/download8a4605be74aa9ea9d79846c1fba20a33MD5220.500.14597/8719oai:repositorio.unh.edu.pe:20.500.14597/87192025-02-03 17:03:16.69https://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttps://repositorio.unh.edu.peUniversidad Nacional de Huancavelicarepositorio@unh.edu.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 |
score |
13.7211075 |
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).