Sistema de predicción para el rendimiento académico en los estudiantes de la IE Mis Primeros Pasos, Cañete.

• Autores: Chumpitaz Luna , Jeanice Daniela, Hinojosa Rojas , Anel Cecilia
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de Cañete
• Repositorio: UNDC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.undc.edu.pe:20.500.14559/276
• Enlace del recurso: https://hdl.handle.net/20.500.14559/276
• Nivel de acceso: acceso abierto
• Materia: Gradient Boosting; metodología CRISP-DM; SVM; error cuadrático medio.; https://purl.org/pe-repo/ocde/ford#2.02.04

La presente investigación tiene como objetivo predecir el rendimiento académico de los estudiantes de la Institución Educativa Mis Primeros Pasos, Cañete. Esta necesidad surgió a raíz del desempeño académico de los estudiantes, utilizando información de datos x históricos existentes en la Institución Educativa Mis Primeros Pasos. Para llevar a cabo este proceso, se empleó la metodología CRISP-DM, que consta de seis etapas: (1) Comprensión del negocio, (2) Comprensión de los datos, (3) Preparación de los datos, (4) Modelado, (5) Evaluación, y (6) Despliegue. El enfoque de la investigación fue cuantitativo, de tipo aplicado, con un diseño no experimental de tipo correlacional-causal, utilizando un tamaño de muestra de 2210 registros de notas obtenidos mediante muestreo no probabilístico por conveniencia; se utilizó el análisis documental como técnica e instrumento para registrar los datos históricos. Como resultado, se determinó que el algoritmo Gradient Boosting fue óptimo para realizar predicciones de notas, evaluado a través del error cuadrático medio, mientras que el algoritmo SVM mostró una mayor fiabilidad en las predicciones del aprendizaje de los estudiantes. En conclusión, las técnicas de minería de datos permitieron prever significativamente el rendimiento académico de los estudiantes de la Institución Educativa Mis Primeros Pasos, Cañete. Se recomienda implementar un sistema de monitoreo continúo utilizando técnicas avanzadas de minería de datos para seguir evaluando y mejorando las predicciones del rendimiento académico de los estudiantes.