Serie Científica de la Universidad de las Ciencias Informáticas (Sep 2023)
Predicción del rendimiento académico de estudiantes universitarios en la plataforma Moodle mediante Big Data
Abstract
El objetivo del presente trabajo de investigación fue analizar el rendimiento académico de los estudiantes universitario de pregrado en la plataforma Moodle utilizando Big Data, con el fin de desarrollar un modelo predicción. La metodología seleccionada comprende tres etapas fundamentales: el análisis, extracción y almacenamiento de datos, definición de variables y filtrado de datos y la fase de predicción para obtener un modelo predictivo del rendimiento académico. Se utilizó herramientas Big Data y el lenguaje Python junto con algoritmos supervisados como XGBoost, CatBoost, Random Forest, Decision Tree, SVC, K-vecino, Naive Bayes, y Logistic Regression para optimizar el modelo. La calidad de predicción del modelo se evaluó mediante métricas de precisión, sensibilidad y exactitud. Los resultados revelaron que los algoritmos Random Forest, CatBoost y XGBoost presentaron los mejores rendimientos en la predicción, con una precisión del 94%, 93% y 92%, respectivamente, tanto en el entrenamiento como en las pruebas. Aunque se seleccionó el algoritmo Random Forest, el análisis no paramétrico de Wilcoxon demostró que los tres algoritmos presentaban un rendimiento similar, lo que indica que cualquiera de ellos podría ser utilizado sin diferencias significativas. Estos resultados demuestran que, a partir del análisis de los datos de las interacciones de los estudiantes con la plataforma, es posible obtener información y conocimiento valioso y oportuno para predecir su rendimiento académico. Esta información puede resultar relevante en la toma de decisiones para mejorar el proceso de enseñanza-aprendizaje en entornos virtuales.
