Browsing by Author "La Red Martínez, David Luis"
Now showing 1 - 13 of 13
- Results Per Page
- Sort Options
Item Academic performance problems : a predictive data mining-based model(2017-04-01) La Red Martínez, David Luis; Giovannini, Mirtha; Báez, María Eugenia; Torre, Juliana; Yaccuzzi, NelsonOften times, universities are not able to deal with the variety of factors that may affect the academic performance of students. This kind of situation generates the need for tools that establish academic performance patterns, setting profiles as a basis to detect potential cases of underachieving students who need support in their academic activities. This paper proposes the use of Data Warehousing and Data Mining techniques on performance, social, economic, demographic and cultural data from students who took “Algorithms and Data Structures”, which is a subject in the Information Systems Engineering curricula at UTN-FRRe (Resistencia, Chaco, Argentina) in an attempt to establish generic academic performance profiles. From the descriptive analysis obtained during the 2013 to 2015 period from the subject aforementioned, a predictive model was used. It establishes the possibility of students' academic failure, taking into account the factors earlier mentioned.Item Academic performance profiles : a descriptive model based on data mining(2015-03-10) La Red Martínez, David Luis; Karanik, Marcelo; Giovaninni, Mirta Eve; Pinto, NoeliaAcademic performance is a critical factor considering that poor academic performance is often associated with a high attrition rate. This has been observed in subjects of the first level of Information Systems Engineering career (ISI) of the National Technological University, Resistencia Regional Faculty (UTN-FRRe), situated in Resistencia city, province of Chaco, Argentine. Among them is Algorithms and Data Structures, where the poor academic performance is observed at very high rates (between 60% and about 80% in recent years). In this paper, we propose the use of data mining techniques on performance information for students of the subject mentioned, in order to characterize the profiles of successful students (good academic performance) and those that are not (poor performance). In the future, the determination of these profiles would allow us to define specific actions to reverse poor academic performance, once detected the variables associated with it. This article describes the data models and data mining used and the main results are also commentedItem Academic performance profiles : an intelligent predictive model based on data mining(2018-12-01) La Red Martínez, David Luis; Giovannini, Mirtha; Karanik, MarceloIt is well known that academic achievement is one of the key aspects in the development of educational activities and it strongly determines the chances of success during and after a university career. It is therefore important to try and effectively monitor students’ performance in order to prevent problems from emerging, as well as, to be able to provide academic coaching when the performance is not adequate. The aforementioned problem-anticipation possibility is closely related to the ability to predict the most probable situation based on concrete information. In an academic achievement framework, it is desirable to be able to predict students’ performance considering concrete individual parameters. This work outlines the results obtained by an academicachievement prediction model based on data mining algorithms which uses socioeconomic information as well as, students’ grades. The tests were carried out at National Technological University, Resistencia Regional Faculty (UTN-FRRe), during the AED-Algoritmos y Estructuras de Datos (Algorithms and Data Structures) class throughout the 2013, 2014, 2015 and 2016 terms. The results obtained confirmed adequate behaviour of the model which has been validated for both description and prediction of academic achievement profiles.Item Academic performance profiles in algorithms and data structures of UTN(2015-07-12) La Red Martínez, David Luis; Karanik, Marcelo; Giovaninni, Mirta Eve; Pinto, NoeliaAcademic performance is a critical factor considering that poor academic performance is often associated with a high attrition rate. This has been observed in subjects of Algorithms and Data Structures of Information Systems Engineering career (ISI) of the National Technological University, Resistencia Regional Faculty (UTNFRRe), situated in Resistencia city, province of Chaco, Argentine, where the poor academic performance is observed at very high rates (between 60% and about 80% in recent years). In this paper, we propose the use of data mining techniques on performance information for students of the subject mentioned, in order to characterize the profiles of successful students (good academic performance) and those that are not (poor performance). This article describes the data models and data mining used and the main results are also commented.Item Descubrimiento de perfiles de rendimiento estudiantil : un modelo de integración de datos académicos y socioeconómicos(2016-10-01) La Red Martínez, David Luis; Karanik, Marcelo; Giovannini, Mirtha; Báez, María Eugenia; Torre, JulianaUno de los mayores problemas que enfrentan las universidades en Argentina, y que cada día toma mayor relevancia, es la alta tasa de deserción estudiantil, la cual se ve reflejada en el número de graduados, que en algunos casos no llega a la mitad de estudiantes. Para encontrar una solución a esta problemática se plantea la necesidad de estudiar sus causas, para lo cual se busca encontrar patrones entre las características de los estudiantes, y definir así perfiles que conduzcan al éxito o fracaso académico. Fundado en esto, este trabajo describe un modelo basado en técnicas de Data Mining para determinar los perfiles de rendimiento académico en la asignatura Algoritmos y Estructura de Datos de la carrera Ingeniería en Sistemas de Información de la Universidad Tecnológica Nacional Facultad Regional Resistencia (UTN-FRRe). Empleando los datos de los alumnos que cursaron la antedicha asignatura en el ciclo lectivo 2014, se procuró determinar en qué medida el desigual desempeño de los mismos es influenciado por otras variables de interés tales como los factores económicos, demográficos, sociales y culturales. En función a estas variables y a partir de técnicas de clasificación y determinación de patrones, se crearon perfiles de rendimiento académico con el objetivo principal de utilizar aquellos tendientes alfracaso o deserción como base a la determinación de futuras políticas de gestión académica que podrían implementarsepara reducir dicho fenómeno.Item Determinación de perfiles de rendimiento académico en la UTN - FRRe(2015-11-19) La Red Martínez, David Luis; Giovaninni, Mirta Eve; Pinto, Noelia; Frisone, Noelia; Báez, María EugeniaEl rendimiento académico es un factor crítico en toda institución educativa debido a que se encuentra directa-mente relacionado con la deserción estudiantil. Es decir, el bajo rendimiento está asociado a una alta tasa de de-serción. Por este motivo es altamente deseable poder definir perfiles de estudiantes que puedan ayudar a esta-blecer patrones de rendimiento que conduzcan al éxito o fracaso académico. Con el avance de las tecnologías de la información, han aparecido técnicas y metodologías que permiten el análisis de grandes volúmenes de datos para explicar sus patrones de comportamiento, evolución y singularidades. Estas herramientas utilizan almacenes de datos (Data Warehouses) y minería de datos (Data Mining) para encontrar relaciones no evidentes entre los datos. En este artículo se describe un modelo basado en Da-ta Warehousing y Data Mining para determinar los per-files de rendimiento académico en la asignatura Algorit-mos y Estructura de Datos de la carrera Ingeniería en Sistemas de Información de la Universidad Tecnológica Nacional-Facultad Regional Resistencia (UTN-FRRe), con el objetivo de caracterizar los perfiles de estudiantes con un alto y bajo rendimiento académico. La importan-cia de la determinación de estos perfiles radica en que permiten definir acciones concretas para revertir el bajo desempeño académico. Finalmente, en este trabajo se muestran los resultados del análisis realizado con alum-nos que han cursado la asignatura Algoritmos y Estruc-turas de Datos durante el ciclo lectivo 2014, comparán-dolos con los resultados obtenidos durante el ciclo lecti-vo 2013Item Determinación de perfiles de rendimiento académico utilizando minería de datos en la UTN-FRRe(2015-04-16) La Red Martínez, David Luis; Karanik, Marcelo; Giovaninni, Mirta Eve; Pinto, NoeliaEste proyecto analiza el rendimiento académico de los alumnos de la Cátedra Algoritmos y Estructuras de Datos de la Carrera Ingeniería en Sistemas de Información de la Facultad Regional Resistencia de la Universidad Tecnológica Nacional. La idea principal es la utilización de técnicas de manejo de Almacenes de Datos y Minería de Datos para establecer los aspectos sociales, familiares y de antecedentes académicos que son comunes a los distintos perfiles de rendimiento en dicha Cátedra. Para ello se ha trabajado con los alumnos utilizando encuestas que recopilan la información general necesaria, asociándola con el desempeño en los exámenes parciales. Con este trabajo se pretende obtener modelos no solamente descriptivos y explicativos, sino también modelos predictivos que permitan abordar la problemática de la deserción de los alumnos de manera temprana.Item Educational data mining : an experience in UTN FRRe(2018-03-13) La Red Martínez, David Luis; Giovannini, Mirtha; Báez, María Eugenia; Torre, Juliana; Yaccuzzi, NelsonThis paper proposes the use of Data Warehousing and Data Mining techniques on performance, social, economic, demographic and cultural data from students who took “Algorithms and Data Structures”, which is a subject in the Information Systems Engineering curricula at UTN-FRRe (Resistencia, Chaco, Argentina), to establish generic academic performance profiles.Item Hacia un modelo predictivo de rendimiento académico utilizando minería de datos en la UTN-FRRe(2016-04-14) La Red Martínez, David Luis; Karanik, Marcelo; Giovannini, Mirta Eve; Scappini, ReinaldoDurante el cursado de la carrera de Ingeniería en Sistemas de Información en la Facultad Regional Resistencia de la Universidad Tecnológica Nacional (UTN‐FRRe), el alumno se enfrenta con la necesidad de cursar y regularizar ciertas materias que le generan restricciones de correlatividad. Ese es el caso de la cátedra de primer año Algoritmos y Estructuras de Datos, cuya regularización es necesaria para cursar varias asignaturas de segundo y tercer año. Tomando como base los resultados del proyecto “Determinación de perfiles de estudiantes y de rendimiento académico mediante la utilización de minería de datos”, 25/L059 ‐ UTI1719, implementado en la mencionada cátedra (2013‐2015), se está comenzando un nuevo proyecto tiene como objetivo tomar como punto de partida el análisis descriptivo (lo que pasó), y utilizar la analítica avanzada, con el objetivo de explicar el por qué, el qué va a pasar y cómo podemos abordarlo. Para el estudio se utilizarán distintas herramientas de Minería de Datos: clustering, redes neuronales, redes bayesianas, árboles de decisión, regresión y series temporales, etc. Estas herramientas permiten obtener resultados desde distintas perspectivas del problema abordado. De esta manera se podrán detectar situaciones problemáticas potenciales al inicio del cursado y tomar las medidas necesarias para solucionarlas.Item Imputación de valores faltantes sobre la información de control en el contexto de los sistemas distribuidos(2021-11-05) Duré Attis, Diego David; Agostini, Federico; La Red Martínez, David LuisLos sistemas distribuidos están compuestos por varios ordenadores (nodos), físicamente separados pero conectados entre ellos por medio de una red de comunicaciones. Para esta propuesta existe un nodo central (ordenador principal) que es el encargado de administrar la información de control de todos los nodos, específicamente recibe y actualiza permanentemente la información de control de los nodos, para luego asignar los recursos asegurando la disponibilidad de los mismos en la modalidad de exclusión mutua y respetando las prioridades de los diferentes procesos. Para un ciclo de recolección de información de gestión, el nodo central puede recibir de alguno de los nodos información de control incompleta, lo cual es un inconveniente para la gestión de recursos y procesos. La propuesta para solucionar la problemática de estos valores faltantes sobre la información de control en los sistemas distribuidos, es aplicar el método de imputación K-Means, incorporando una capa de imputación o asignación a un modelo de decisión, que permitirá completar los valores faltantes con valores estimados, necesarios para establecer un correcto orden de asignación de recursos a los procesos. El K-Means es considerado uno de los métodos más fiables y de menor consumo de recursos computacionales, y uno de los más utilizado en investigaciones de imputación.Item Perfiles de rendimiento académico : un modelo basado en minería de datos(2015-03-01) La Red Martínez, David Luis; Karanik, Marcelo; Giovaninni, Mirta Eve; Pinto, NoeliaEl rendimiento académico es un factor crítico teniendo en cuenta que, frecuentemente, el bajo rendimiento académico está asociado a una alta tasa de deserción. Esto se ha observado en asignaturas del primer nivel de la carrera de Ingeniería en Sistemas de Información (ISI) de la Universidad Tecnológica nacional facultad Regional Resistencia (UTn-fRRe), situada en la ciudad de Resistencia, provincia del Chaco, Argentina, entre ellas Algoritmos y Estructura de datos, donde el bajo rendimiento académico se observa en proporciones muy altas (entre el 60% y el 80% aproximadamente en los últimos años). En este trabajo se propone la utilización de técnicas de minería de datos sobre información del desempeño de los alumnos de la asignatura mencionada con el propósito de caracterizar los perfiles de alumnos exitosos (buen rendimiento académico) y de aquellos que no lo son (bajo rendimiento académico). La determinación de estos perfiles permitiría a futuro definir acciones específicas tendientes a revertir el bajo rendimiento académico, una vez detectadas las variables asociadas al mismo. En este artículo se describen los modelos de datos y de minería de datos utilizados y se comentan los principales resultados obtenidosItem Predicción del rendimiento académico con minería de datos buscando reducir el bajo rendimiento académico en asignatura de la UTN – FRRe(2017-11-02) La Red Martínez, David Luis; Giovannini, Mirtha; Scappini, ReinaldoA menudo, las universidades no son capaces de lidiar con la variedad de factores que pueden afectar el rendimiento académico de los estudiantes. Este tipo de situación genera la necesidad de herramientas que determinen patrones de desempeño académico, y permitan establecer perfiles como base para detectar posibles casos de bajo rendimiento de los estudiantes, es decir, detectar los alumnos que necesitan apoyo en sus actividades académicas.Item Towards to a predictive model of academic performance using data mining in the UTN-FRRe(2016-05-02) La Red Martínez, David Luis; Karanik, Marcelo; Giovaninni, Mirta Eve; Scappini, ReinaldoStudents completing the courses required to become an Engineer in Information Systems in the Resistencia Regional Faculty, National Technological University, Argentine (UTN-FRRe), face the challenge of attending classes and fulfilling course regularization requirements, often for correlative courses. Such is the case of freshmen's course Algorithms and Data Structures: it must be regularized in order to be able to attend several second and third year courses. Based on the results of the project entitled “Profiling of students and academic performance through the use of data mining”, 25/L059 - UTI1719, implemented in the aforementioned course (in 2013-2015), a new project has started, aimed to take the descriptive analysis (what happened) as a starting point, and use advanced analytics, trying to explain the why, the what will happen, and how we can address it. Different data mining tools will be used for the study: clustering, neural networks, Bayesian networks, decision trees, regression and time series, etc. These tools allow different