Nivel de dificultad de las asignaturas del plan de estudio del programa de Ingeniería Industrial

Abstract

La asesoría académica en instituciones de educación superior desempeña un rol importante para la correcta planeación curricular de los estudiantes. Sin embargo, la creciente necesidad de personalizar la atención, reducir los tiempos de respuesta y el número de personas involucradas en el proceso conlleva al análisis de estrategias que permitan optimizar las sesiones de asesoría y mejorar los futuros resultados de los estudiantes. Por esto, se busca facilitar el proceso desempeñado por el coordinador del programa y responder a las necesidades particulares de los educandos. El índice de dificultad académica y la importancia de la asignatura, permitirá determinar qué combinación de clases debería tomar el estudiante para tener una carga semestral balanceada y alta probabilidad de éxito. Este estudio se centra en la determinación del índice de dificultad académica por medio del uso de Redes Neuronales de Resiliente Propagación Hacia Atrás con Retroceso de Peso en el programa RStudio. Se tomó una muestra de 807 egresados del programa de Ingeniería Industrial en la Universidad del Norte, Barranquilla y se analizó su rendimiento académico durante el pregrado. Los resultados mostraron que el modelo planteado tuvo éxito en la clasificación de estudiantes que tendrán la probabilidad de considerar una asignatura de alta dificultad, sin embargo, el modelo tiene poca capacidad para clasificar a los estudiantes que no tendrán mayor dificultad en una asignatura.

Academic counseling in higher education institutions play an important role for proper planning curricular student. However, the growing need to personalize attention to students, reduce response times and the number of people involved in the process leads to the analysis of strategies that allow optimizing the counseling sessions and improve their future outcomes. For this reason, it seeks to facilitate the process carried out by the program coordinator and respond to the particular needs of the students. The academic difficulty index and the importance of the subject will allow determining what combination of classes the student should take to have a balanced semester load and high probability of success. This study focuses on determining the academic difficulty index through the use of Resilient Backward Propagation Neural Networks with Weight Setback in the RStudio program. A sample of 807 graduates from the Industrial Engineering program at the Universidad del Norte, Barranquilla was taken and their academic performance during the undergraduate degree was analyzed. The results showed that the proposed model was successful in classifying students who will have the probability of considering a highly difficult subject, however, the model has little capacity to classify students who will not have greater difficulty in a subject.