En el ámbito educativo, la aplicación de técnicas de aprendizaje automático ha demostrado ser una herramienta fundamental para predecir el rendimiento académico de los estudiantes, abordando cuatro factores clave: datos demográficos, comportamiento, rendimiento previo y participación parental. Un estudio reciente ha utilizado modelos de redes neuronales para prever el éxito escolar, basándose en el conjunto de datos SAPData, que contiene registros de estudiantes jordanos de diversos grados.
Los resultados en la implementación de un clasificador multi-capa perceptron (MLPC) destacan con una impresionante precisión del 86.46% para el conjunto de pruebas. Esta investigación demuestra que, a pesar de la naturaleza más pequeña de este conjunto de datos, los modelos de redes neuronales presentan un rendimiento superior sobre otros métodos convencionales, sugiriendo su potencial como modelos eficientes en el manejo de datos.
El proceso de selección de características jugó un papel crucial en la mejora del rendimiento de estos modelos, realizando evaluaciones comparativas con literatura existente. Se utilizaron métodos de aprendizaje automático explicable para desentrañar los procesos de los modelos considerados “cajas negras”. Estos métodos ayudaron a validar las aproximaciones de selección de características implementadas.
Simultáneamente, se llevó a cabo un análisis exhaustivo de la literatura para identificar cualquier laguna y proporcionar, como contribución novedosa, la primera implementación de múltiples modelos de aprendizaje automático con ajustes de hiperparámetros en el contexto de SAPData. Dicho esfuerzo implicó metodologías basadas en la exploración de datos y pruebas estadísticas para optimizar la eficacia del método de selección de características.
Por otro lado, se compararon diversos enfoques de evaluación, siendo el de 10-fold cross-validation notable por obtener un promedio del 79.58% de precisión para el conjunto de pruebas, frente a 99.65% en el conjunto de entrenamiento, reflejando la robustez del modelo.
En conclusión, la incorporación de técnicas de inteligencia artificial ha abierto nuevas oportunidades para analizar y prever el rendimiento académico, permitiendo a las instituciones educativas tomar decisiones más informadas y mejorar los resultados de sus estudiantes. La capacidad de los modelos de redes neuronales para desempeñarse de manera eficaz con conjuntos de datos más pequeños subraya su relevancia y versatilidad en el campo de la minería de datos educativos.