Treffer: Prediction of University-Level Academic Performance through Machine Learning Mechanisms and Supervised Methods.

Context: In the education sector, variables have been identified which considerably affect students' academic performance. In the last decade, research has been carried out from various fields such as psychology, statistics, and data analytics in order to predict academic performance. Method: Data analytics, especially through Machine Learning tools, allows predicting academic performance using supervised learning algorithms based on academic, demographic, and sociodemographic variables. In this work, the most influential variables in the course of students' academic life are selected through wrapping, embedded, filter, and assembly methods, as well as the most important characteristics semester by semester using Machine Learning algorithms (Decision Trees, KNN, SVC, Naive Bayes, LDA), which were implemented using the Python language. Results: The results of the study show that the KNN is the model that best predicts academic performance for each of the semesters, followed by Decision Trees, with precision values that oscillate around 80 and 78,5 % in some semesters. Conclusions: Regarding the variables, it cannot be said that a student's per-semester academic average necessarily influences the prediction of academic performance for the next semester. The analysis of these results indicates that the prediction of academic performance using Machine Learning tools is a promising approach that can help improve students' academic life allow institutions and teachers to take actions that contribute to the teaching-learning process. [ABSTRACT FROM AUTHOR]

Contexto: En el sector educativo se han identificado variables que inciden considerablemente en el rendimiento académico de los estudiantes. En la última década se han llevado a cabo investigaciones desde diversos campos como la psicología, la estadística y el análisis de datos con el fin de predecir el rendimiento académico. Método: La analítica de datos, especialmente a través de herramientas de Machine Learning, permite predecir el rendimiento académico utilizando algoritmos de aprendizaje supervisado basados en variables académicas, demográficas y sociodemográficas. En este trabajo se seleccionan las variables más influyentes en el transcurso de la vida académica de los estudiantes mediante métodos de filtro, embebidos, y de ensamble, así como las características más importantes semestre a semestre utilizando algoritmos de Machine Learning (árbol de decisión, KNN, SVC, Naive Bayes, LDA), implementados en el lenguaje Python. Resultados: Los resultados del estudio muestran que el KNN es el modelo que mejor predice el rendimiento académico para cada uno de los semestres, seguido de los árboles de decisión, con valores de precisión que oscilan alrededor del 80 y 78,5% en algunos semestres. Conclusiones: Con respecto a las variables, no se puede decir que el promedio académico semestral de un estudiante influya necesariamente en la predicción del rendimiento académico del siguiente semestre. El análisis de estos resultados indica que la predicción del rendimiento académico utilizando herramientas de Machine Learning es un enfoque promisorio que puede ayudar a mejorar la vida académica de los estudiantes y permitir a las instituciones y a los docentes adoptar acciones que ayuden al proceso de ensenanza-aprendizaje. [ABSTRACT FROM AUTHOR]

Copyright of Ingeniería (0121-750X) is the property of Ingenieria and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)