Modelo predictivo de machine learning para el servicio de orientación vocacional hacia los estudiantes de secundaria en la Gerencia Regional de Trabajo y Promoción del Empleo Cusco 2024

• Autores: Silva-Zarate , Malu Beatriz, Aquino-Cruz, Mario
• Formato: artículo
• Fecha de Publicación: 2024
• Institución: Universidad Nacional Micaela Bastidas de Apurímac
• Repositorio: UNMB-Riqchary
• Lenguaje: español
• OAI Identifier: oai:revistas.unamba.edu.pe:article/166
• Enlace del recurso: https://revistas.unamba.edu.pe/index.php/riqchary/article/view/166
• Nivel de acceso: acceso abierto
• Materia: Decision tree; Vocational orientation; Neural networks; Logistic regression; Árbol de decisiones; Orientación vocacional; Redes neuronales; Regresión logística

Este trabajo de investigación comparó tres modelos predictivos de Machine Learning: Árbol de Decisiones, Redes Neuronales y Regresión Logística, con el objetivo de identificar cuál fue el más adecuado para mejorar el servicio de orientación vocacional dirigido a estudiantes de secundaria. La orientación vocacional ha sido un desafío global, ya que muchos jóvenes no tenían claridad sobre qué carrera seguir, lo que a menudo resultaba en decisiones equivocadas y arrepentimientos posteriores. A través del test vocacional IEPPO, se evaluaron las respuestas de los estudiantes utilizando la metodología KDD. Los modelos fueron entrenados y evaluados utilizando Python, utilizando métricas como exactitud, precisión y recall. Los resultados indicaron que el modelo Árbol de Decisiones fue el más efectivo, alcanzando una exactitud del 99.82%, una precisión del 99.83% y un recall del 99.82%, superando a las Redes Neuronales y la Regresión Logística. Estas conclusiones resaltaron la capacidad del Árbol de Decisiones para mejorar el proceso de orientación vocacional, proporcionando una herramienta precisa y confiable para guiar a los estudiantes en su elección de carrera.