Grupo UTN GIESIN - Difusión Científica - Trabajos Presentados en Congresos

Permanent URI for this collectionhttp://48.217.138.120/handle/20.500.12272/683

Browse

Author: search.filters.author.Pinto, NoeliaHas files: Yes

Search Results

Now showing 1 - 3 of 3
  • Thumbnail Image
    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 Eugenia
    El 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 2013
  • Thumbnail Image
    Item
    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, Noelia
    Este 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.
  • Thumbnail Image
    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, Noelia
    Academic 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.