Sistema web para predicción de riesgo académico en centros de estudio de nivel secundario en Lima Metropolitana basado en algoritmos bayesianos

Abstract

El desconocimiento notable por parte de las instituciones frente a los casos de riesgo de su alumnado y los factores influyentes, representan un desafío significativo para diversos centros de estudio en Lima Metropolitana. Esta limitación en el conocimiento ha afectado la capacidad de estas instituciones para intervenir de manera efectiva y brindar el apoyo necesario a los estudiantes en situación de riesgo, lo que ha contribuido al incremento de la tasa de reprobaciones, como es el caso de la I.E.P. Santiago Antúnez de Mayolo, cuya tasa asciende en 24,51% anual para el nivel secundario.

Por ello, el presente trabajo propone el desarrollo de un sistema web predictivo basado en un modelo de algoritmos bayesianos que permita anticipar a los docentes sobre aquellos estudiantes de nivel secundario que estén en riesgo académico y permita tomar decisiones de manera oportuna. El modelo se conforma de 4 componentes: Datos, Patrones de Datos, Técnicas Predictivas y Métricas de Validación. El primero contempla la recopilación de datos y establecimiento de variables, el segundo, el procesamiento de datos mediante KDD, el tercero, el establecimiento del algoritmo predictivo ML y, el cuarto, las métricas de validación. El estudio reveló que, considerando factores económicos, sociales, familiares y académicos, fue posible identificar con un 99,0% de eficacia y exactitud a los estudiantes de nivel secundario en riesgo de reprobar en la institución objetivo.

The notable lack of knowledge on the part of the institutions regarding the risk cases of their students and the influencing factors represents a significant challenge for various study centers in Metropolitan Lima. This limitation in knowledge has affected the ability of these institutions to intervene effectively and provide the necessary support to students at risk, which has contributed to the increase in the failure rate, as is the case of the I.E.P. Santiago Antúnez de Mayolo, whose rate rises to 24,51% annually at the high school level. Therefore, this study proposes the development of a predictive web system based on a Bayesian algorithm model that allows teachers to anticipate which high school students are at risk and enables timely decision making. The model consists of four components: Data, Data Patterns, Predictive Techniques, and Validation Metrics. The first component involves data collection and the establishment of variables, the second involves data processing through KDD, the third involves the implementation of the ML predictive algorithm, and the fourth involves validation metrics. The study revealed that, considering economic, social, family, and academic factors, the system identified with 99,0% efficiency and accuracy high school students at risk of failing at the target institution.