Procesamiento de bases de datos escolares por medio de redes neuronales artificiales

Main Article Content

Brenda Miranda García http://orcid.org/0000-0001-6954-4581
Víctor Manuel González Bárcenas http://orcid.org/0000-0002-9009-9686
Adriana Reyes Nava http://orcid.org/0000-0002-4440-909X
Roberto Alejo Eleuterio http://orcid.org/0000-0002-7580-3305
Eréndira Rendón Lara http://orcid.org/0000-0003-4581-6022

Resumen

El estudio de bases de datos escolares es un área que ha sido poco estudiada y cuestionada desde el punto de vista de la minería de datos o la inteligencia artificial, actualmente, existen algunos trabajos que muestran su procesamiento mediante algoritmos de aprendizaje automático o “inteligentes”, sin embargo, no se detienen a analizar la pertinencia de procesar datos cualitativos como si fueran cuantitativos. En este trabajo, se estudia este problema con el uso de tres modelos de red neuronal. Los resultados evidencian la capacidad de estos modelos para clasificar con un alto grado de acierto tendencias en los estudiantes, utilizando principalmente datos cualitativos.

Article Details

Como citar
MIRANDA GARCÍA, Brenda et al. Procesamiento de bases de datos escolares por medio de redes neuronales artificiales. CIENCIA ergo-sum, [S.l.], v. 27, n. 3, oct. 2020. ISSN 2395-8782. Disponible en: <https://cienciaergosum.uaemex.mx/article/view/13136>. Fecha de acceso: 18 abr. 2021 doi: https://doi.org/10.30878/ces.v27n3a11.
Sección
Espacio del divulgador

Citas

Alejo, R., Monroy, J., Ambriz, J. C., & Pacheco-Sánchez, J. H. (2017). An improved dynamic sampling back-propagation algorithm based on mean square error to face the multiclass imbalance problem. Neural Computing and Applications, 28(10), 2843-2857.

Agarwal, B., Nayak, R., Mittal, N., & Patnaik, S. (2020). Deep learning-based approaches for sentiment analysis. Springer Singapore.

Benítez, J. M., Castro, J. L., & Requena, I. (1997). Are artificial neural networks black boxes? IEEE transactions on neural networks, 8(5), 1156-1164.

Duda, R., Hart, P., & Stork, D. (2001). Pattern Classification and Scene Analysis. New York.

Eckert, K. B. y Suénaga, R. (2015). Análisis de deserción permanencia de estudiantes universitarios utilizando técnica de clasificación en minería de datos. Formación universitaria, 8(5), 3-12.

Fawcett, T. (2006). An introduction to roc analysis. Pattern Recognition Letters, 27(8), 861-874.

Fernández, A., del Río, S., Chawla, N. V., & Herrera, F. (2017). An insight into imbalanced big data classification: Outcomes and challenges. Complex & Intelligent Systems, 3(2), 105-120.

Fernandez, A., García, S., & Herrera, F. (2018). SMOTE for learning from imbalanced data: Progress and challenges, marking the 15-year anniversary. Journal of Artificial Intelligence Research, 61(1), 863-905.

Han, J., Kamber, M., & Pei, J. (2012). Data mining concepts and techniques. Morgan Kaufmann Publishers.

Haykin, S. (2009). Neural networks and learning machines. Hamilton: McMaster University.

Heredia, D., Amaya, Y., & Barrientos, E. (2015). Student dropout predictive model using data mining techniques. IEEE Latin America Transactions, 9(13), 3127-3134.

Jiménez, A. J. y Tamiran, R. S. (2015). Caracterización de la deserción estudiantil en educación superior con minería de datos. Revista Tecnológica ESPOL, 28(5), 447-463.

Lakkaraju, H., Aguiar, E., Shan, C., Miller, D., Bhanpuri, N., Ghani, R., & Addison, L. K. (2015). A machine learning framework to identify students at risk of adverse academic outcomes. In Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1909-1918.

Leevy, L. J., Khoshgoftaar, M. T., Bauder, A. R., & Seliya, N. (2018). A survey on addressing high-class imbalance in big data. Journal of Big Data, 5(1), 1-42.

López, G. E., Alejo, R., & Velázquez, J. (2015). Loyalty index of students, a view from the Tesjo stage with data mining. ECORFAN Journal, 2(2), 133-139.

López, V., Fernández, A., García, S., Palade, V., y Herrera, F. (2013). An insight into classification with imbalanced data: Empirical results and current trends on using data intrinsic characteristics. Information Sciences, 250, 113-141.

Mendiola, J. L. A., Valdovinos, R. M., Antonio, J. A. Alejo, R. y Marcial, R. (2015). “Análisis de deserción escolar con minería de datos,” Research in Computer Science, 93, 71-82.

Miranda, A. M. y Guzmán, J. (2017). Análisis de la deserción de estudiantes universitarios usando técnicas de minería de datos. Formación Universitaria, 61-68.

Naser, A. S., Zaqout, I., Ghosh, A. M., Atallah, R. R., & Alajrami, E. (2015). Predicting student performance using artificial neural network: In the faculty of engineering and information technology. International Journal of Hybrid Information Technology, 221-228.

Oviedo, B., Zambrano-Vega, C., & Gómez, J. (2019). Clasificador bayesiano simple aplicado al aprendizaje. RISTI E18, 74-85.

Patri, R. C., Batista, G. E., & Monard, M. C. (2009). Data mining with imbalanced class distributions: Concepts and methods. Proceedings of the 4th Indian International Conference on Artificial Intelligence (359-376). IICAI: Tumkur.

Refaeilzadeh, P., Tang L., & Liu H. (2009) Cross-Validation. In L. Liu & M. T. Özsu (Eds.) Encyclopedia of Database Systems. Boston: Springer.

Reyes, N. A., Flores, F. A., Alejo, R. y Rendón, L. E. (2017). Minería de datos aplicada para la identificación de factores de riesgo en alumnos. Research in Computing Science, 177-189.

Solís, M., Moreira-Mora, T. E., González Laisa, R., Fernández-Martín, T., & Hernández-Jiménez, M. T. (2018).

Perspectives to predict dropout in university students with machine learning. In Proceedings of the 2018 IEEE International Work Conference on Bioinspired Intelligence (IWOBI), 1-6.

Tan, M., & Shao, P. (2014). Predicting dropout from online education based on neural networks. The Open Cybernetics and Systemics Journal, 263-627.

Tan, M., & Shao, P. (2015). Prediction of student dropout in E-Learning program through the use of machine learning method. International Journal of Emerging Technologies in Learning (iJET), 11-17.

Vásquez, A., Peláez, E. y Ochoa, X. (2015). Predictor basado en prototipos difusos y clasificación no supervisada. Revista Latinoamericana de Ingeniería de Software, 135-140.

Yukselturk, E., Ozekez, S., & Türel, K. Y. (2014). Predicting dropout student: An application of data mining methods in an online education program. European Journal of Open, Distance and e-Learning, 118-133.