Modelo basado en Machine Learning para evaluar los niveles de satisfacción académica de estudiantes preuniversitarios en Puno, año 2022

Abstract

La satisfacción académica desempeña un papel crucial en el éxito de los estudiantes preuniversitarios, ayudando a identificar las variables importantes en la toma de decisiones educativas. Este estudio se enfoca en evaluar los factores predictores vinculados a la satisfacción académica mediante modelos de aprendizaje supervisado utilizando bosques aleatorios y aprendizaje no supervisado utilizando k-means cluster jerárquico. La metodología adoptada fue de tipo no experimental y se implementó en el centro preuniversitario CEPREUNA Puno. La recopilación de datos se llevó a cabo a través de una encuesta dirigida a los estudiantes preuniversitarios, con variables validadas por expertos para medir la satisfacción académica. Los datos fueron preprocesados para eliminar posibles errores y luego se dividieron en dos conjuntos: uno para entrenamiento 70% y construcción del modelo, y otro 30% para prueba y evaluación del rendimiento. Se utilizó la métrica de Chebyshev para observar los niveles de satisfacción y sus respectivos porcentajes. Se realizaron comparaciones con otros algoritmos para elegir el más fiable y eficiente. Los resultados revelaron que el modelo de bosques aleatorios alcanzó una precisión del 98.74%, indicando una destacada capacidad para predecir el nivel de satisfacción de los estudiantes preuniversitarios con eficiencia. Asimismo, el estudio identificó los factores predictores más significativos asociados a la satisfacción académica, los cuales son: las dudas, el horario de la sesión, las preguntas, la motivación y los recursos didácticos.