Aplicación de árboles de decisión para la identificación de adaptabilidad de estudiantes en educación online

Luis Emanuel Araoz Valencia; Walter Huaracha Condori; Víctor Raúl Quispe Quicaña; Alex Ronaldo Turpo Coila

doi:10.48168/innosoft.s12.a113

Luis Emanuel Araoz Valencia Universidad Nacional de San Agustín
Walter Huaracha Condori Universidad Nacional de San Agustín https://orcid.org/0000-0002-4155-235X
Víctor Raúl Quispe Quicaña Universidad Nacional de San Agustín
Alex Ronaldo Turpo Coila Universidad Nacional de San Agustín

DOI: 10.48168/innosoft.s12.a113

PURL: 42411/s12/a113

ARK: ark:/42411/s12/a113

Palabras clave: Inteligencia artificial, aprendizaje automático, árboles de decisión, Python, clasificación, educación en línea

Resumen

Debido a la pandemia mundial por Covid-19, se instauró la educación online en el aprendizaje de los estudiantes. Sin embargo, la efectividad de esta modalidad, así como la adaptabilidad de los estudiantes es algo que puede depender de algunos factores. En ese sentido, el presente artículo de investigación presenta una descripción del uso de árboles de decisión para determinar la adaptabilidad de estudiantes en la educación online, usando para ello un dataset de 1205 registros con datos como el tipo de conexión e internet, dispositivo, condición financiera, entre otros datos importantes. Así mismo, se empleó herramientas como Google Colab, Python y librerías populares en trabajos similares de Inteligencia artificial y Machine Learning. El modelo del árbol de decisión elaborado tuvo una precisión y exactitud de 92%.

Descargas

La descarga de datos todavía no está disponible.

Citas

R. P. S. Elizabeth, «PERCEPCIONES DE LA EDUCACIÓN VIRTUAL EN CONFINAMIENTO,» 19 Agosto 2021. [En línea]. Available: http://201.159.222.95/bitstream/123456789/2251/1/RODRIGUEZ%20PONCE%20SUSANA%20ELIZABETH.pdf. [Último acceso: Junio 2022].

M. H. Suzan, «Students Adaptability Level in Online Education,» Abril 2022. [En línea]. Available: https://www.kaggle.com/datasets/mdmahmudulhasansuzan/students-adaptability-level-in-online-education. [Último acceso: Junio 2022].

M. Minsky, «The age of Intelligent Machines: Thoughts About Artificial Intelligence,» KurzweilAl.net., 1990.

Ocaña-Fernández, Yolvi, Luis Alex Valenzuela-Fernández, y Luzmila Lourdes Garro-Aburto. "Artificial Intelligence and Its Implications in Higher Education." Propósitos Y Representaciones 7.2 (2019).

B. Díaz-Landa, R. Meleán-Romero y W. Marín-Rodriguez, "Rendimiento académico de estudiantes en Educación Superior: predicciones de factores influyentes a partir de árboles de decisión", Telos Revista de Estudios Interdisciplinarios en Ciencias Sociales, vol. 23, n.º 3, pp. 616–639, septiembre de 2021. Accedido el 19 de agosto de 2022. [En línea]. Disponible: https://doi.org/10.36390/telos233.08

C. H. Menacho Chiok, "Predicción del rendimiento académico aplicando técnicas de minería de datos", Anales Científicos, vol. 78, n.º 1, p. 26, junio de 2017. Accedido el 19 de agosto de 2022. [En línea]. Disponible: https://doi.org/10.21704/ac.v78i1.811

P. E. Ramírez, «Predicción de la Deserción Académica en una Universidad Pública Chilena a través de la Clasificación basada en Árboles de Decisión con Parámetros Optimizados,» 26 Enero 2018. [En línea]. [Último acceso: Junio 2022].

M. Hasan Suzan, N. A. Samrin, A. A. Biswas y A. Pramanik, "Students' Adaptability Level Prediction in Online Education using Machine Learning Approaches", en 2021 12th International Conference on Computing Communication and Networking Technologies (ICCCNT), Kharagpur, India, 6–8 de julio de 2021. IEEE, 2021. Accedido el 20 de agosto de 2022. [En línea]. Disponible: https://doi.org/10.1109/icccnt51525.2021.9579741

S. T. "Entropy: How Decision Trees Make Decisions". Medium. https://towardsdatascience.com/entropy-how-decision-trees-make-decisions-2946b9c18c8 (accedido el 14 de agosto de 2022).

C. Ayuya. "Entropy and Information Gain to Build Decision Trees in Machine Learning". Engineering Education (EngEd) Program | Section. https://www.section.io/engineering-education/entropy-information-gain-machine-learning/ (accedido el 14 de agosto de 2022).

P. Gupta. "Decision Trees in Machine Learning". Medium. https://towardsdatascience.com/decision-trees-in-machine-learning-641b9c4e8052 (accedido el 14 de agosto de 2022).

Shanna S. Jaggars, «Adaptability to Online Learning: Differences Across Types of Students and Academic Subject Areas» February 2013 [En LInea] https://academiccommons.columbia.edu/doi/10.7916/D82N59NB

M. L Garg , ”Predictive Analytics: A Review of Trends and Techniques” July 2018 [En Linea] https://www.researchgate.net/profile/Vaibhav-Kumar-16/publication/326435728_Predictive_Analytics_A_Review_of_Trends_and_Techniques/links/5c484f6692851c22a38a6027/Predictive-Analytics-A-Review-of-Trends-and-Techniques.pdf

Dazhong W. “Cloud-Based Machine Learning for Predictive Analytics: Tool Wear Prediction in Milling” 2016 [En Linea] https://www.researchgate.net/profile/Soundar-Kumara/publication/313456166_Cloud-Based_Machine_Learning_for_Predictive_Analytics_Tool_Wear_Prediction_in_Milling/links/605fbecc92851cd8ce6fbc07/Cloud-Based-Machine-Learning-for-Predictive-Analytics-Tool-Wear-Prediction-in-Milling.pdf

Tan, C., Lin, J. A new QoE-based prediction model for evaluating virtual education systems with COVID-19 side effects using data mining. Soft Comput (2021). https://doi.org/10.1007/s00500-021-05932-w