%0 Journal Article 
%A Marín García, Wendy Liseth
%A Meza Quintero, Sebastián Daniel
%A Ortega Navarro, Valentina
%T Shap Values y predicción del desempeño estudiantil: un enfoque preventivo para aprobar el examen comprehensivo en la Universidad del Norte


%U http://hdl.handle.net/10584/13022
%X El presente proyecto se realizó con el propósito de crear una herramienta que pueda proporcionar una ayuda a los estudiantes de ingeniería en el momento de la realización del examen comprehensivo 1. Se realizó una investigación exhaustiva sobre modelos de machine Learning, su implementación en el ámbito educativo, su capacidad predictiva y de generar información valiosa para ayudar a mejorar el desempeño estudiantil. Esta investigación incentivó la realización de diferentes modelos que fueran capaces de realizar predicciones sobre el resultado del examen hecho por el estudiante. Fueron entrenados con una base de datos proporcionada por la universidad del Norte, la cual contenía información detallada sobre las calificaciones de los estudiantes en las diferentes materias del ciclo básico que son evaluadas en el examen. Para garantizar un modelo confiable, se crearon cuatro tipos de modelos de machine Learning entre los que se encontraban Regresión logística, arboles de decisión, Random Forest y XGBoost y para cada uno se implementaron técnicas de balanceo como disminuir, aumentar e igualar las observaciones de estudiantes que aprueban y no aprueban para evitar cualquier clase de sobreajuste. Esto permitió evaluar la capacidad predictiva de los modelos y obtener aquello que se acercaban más a la realidad. Con el modelo que brindaba los mejores resultados se implementó la metodología shap la cual permitía conocer la influencia, de las distintas materias evaluadas, en la predicción resultante proporcionando una visión clara de aquellas que impactaban en el desempeño de los estudiantes en la realización del examen.

%K Examen Comprehensivo, Aprendizaje automático, Valores Shap, Modelos predictivos
%K Comprehensive Examination, Machine Learning, Shap Values, predictive modeling
%~ GOEDOC, SUB GOETTINGEN