MODELO DE APLICACIÓN ORIENTADA A LA WEB 4.0 EN EL RENDIMIENTO ACADÉMICO DEL ESTUDIANTE EN EDUCACIÓN SUPERIOR
Palabras clave:
Reglas de Asociación y Arboles de Decisión, Rendimiento Académico, Web 4.0Resumen
El presente artículo tiene el objetivo de proponer un modelo de Machine Learning (Aprendizaje Automático) con base a la Web 4.0, la cual subyace en una relación intrínseca entre un modelo de Reglas de Asociación y un modelo de árbol de decisión que busca generar un resultado predictivo para la alerta temprana en el rendimiento académico del estudiante en educación superior, siendo reflejado por inercia en las calificaciones que cuantifican al aprendizaje en distintas asignaturas que son objeto de estudio, principalmente desde la potencialidad que trae el algoritmo Apriori, que logra una baja eficiencia de recorrido frecuente de conjuntos y elementos, buscando relaciones causales de elementos frecuentes basadas en reglas de asociación y árboles de decisión. Sin embargo, existen claras dependencias entre asignaturas, niveles, el entorno social y cultural del estudiante. Asimismo, establecer que la principal motivación del proceso de investigación busca generar un modelo que proporcione una orientación académica precisa, que pueda mejorar de manera efectiva la calidad en la gestión del aprendizaje de las personas, siendo esto de gran importancia para el rendimiento académico del estudiante. Además, que pretende coadyuvar en la experiencia educativa a nivel superior, siendo que, en la actualidad, la tecnología proporciona una inmejorable oportunidad de buscar un sistema educativo más efectivo y moderno, incluso en comparación con otros algoritmos de Inteligencia Artificial, que caracteriza a la Web 4.0.
Citas
Agrawal, R., Imielinski, T., & Swami, A. (1993).Mining Association Rules Between Sets of Items in Large Databases. Sigmod Record, 22(2), 207-216. https://doi.org/10.1145/170036.170072
Alpaydin, E. (2020). Introduction to machine learning. MIT press.
Azad-Manjiri, M. (2014). A new architecture for making moral agents based on C4. 5 decision tree algorithm. International Journal of Information Technology and Computer Science (IJITCS), 6(5), 50–57.
Houtsma, M., & Swami, A. (1993). Set-Oriented Mining for Association Rules.IBM Research report RJ 9567.
Jun-yu, L. (2014). Analysis of Student’s Achievements Based on Mean Cluster and Decision Tree Algorithm. Computer and Modernization, 0(6), 79–83.
Koenker, R., & Hallock, K. F. (2001). Quantile Regression. Journal of Economic Perspectives, 15(4), 143–156. https://doi.org/10.1257/jep.15.4.143
Mark, H., Eibe, F., Geoffrey, H., Bernhard, P., Peter, R., & Witten, I. H. (2016). The WEKA Workbench. Online appendix for data mining: Practical machine learning tools and techniques. Morgan
Kaufmann.
Vijayalakshmi, V., & Venkatachalapathy, K. (2019). Intelligent Systems and Applications. Intelligent Systems and Applications, 12, 34–45. https://doi.org/10.5815/ijisa.2019.12.04
Wang, C. (2011). An Investigation and Structure Model Study on College Students’ Studying-interest. International Journal of Modern Education and Computer Science, 3, 33-39. https://doi.org/10.5815/ijmecs.2011.03.05
Ying, Y., & Lv, W. (2011). A Study on Higher Vocational College Students’ Academic Procrastination Behavior and Related Factors. International Journal of Education and Management
Engineering, 2, 209–212. https://doi.org/10.1109/ETCS.2011.59
Yongguo, L. (2012). Improved Genetic Algorithm Based Student Score Prediction Model [J]. Bulletin of Science and Technology, 10(28), 223–225.
Zhang, D., & Lou, S. (2021). The application research of neural network and BP algorithm in stock price pattern classification and prediction. Future Generation Computer Systems, 115, 872–879. https://doi.org/https://doi.org/10.1016/j.future.2020.10.009