Treffer: Análisis del rendimiento académico de estudiantes de las carreras Economía y Turismo con Power BI en los periodos (2021)

In the university world, there is great relevance in obtaining precise data where academic performance of students can be evaluated since it is a topic of great interest. Many times, the process becomes a bit tedious and complicated to reach a study object. The advantage of using tools for the analysis of academic performance of students is that it provides objective and precise data, which allows identifying areas of improvement, taking measures to address them, quick and efficiently dealing with processes required to handle large flows of data. The selected methodology, CRISP-DM, includes the execution of six stages: understanding the business, understanding the data, data preparation, modeling stages, evaluation, and deployment. Once the database is analyzed, variables and data filters are defined, and finally, the execution of automatic learning algorithms (Decision Tree, Random Forests, Neural Networks, Support Vector Machine) is carried out to obtain academic performance of students using Python language. The objective of this article is to perform an analysis of academic performance in Economics and Tourism students at the Technical University of Manabi for which different algorithms were evaluated, obtaining that the most efficient algorithm is the Random Forest giving precise values, allowing to obtain a dashboard with student statistics.
En el mundo universitario existe una gran relevancia por obtener datos precisos donde se pueda valorar el rendimiento académico de los estudiantes ya que es un tema de gran interés, muchas veces el proceso se vuelve un poco tedioso y complicado para llegar a un objeto de estudio. La ventaja de utilizar herramientas para el análisis del rendimiento académico de estudiantes es que proporciona datos objetivos y precisos lo que permite identificar áreas de mejoras, tomando medidas para abordarlas cumpliendo de una forma rápida y eficaz a los procesos necesarios para lidiar con grandes flujos de datos. La metodología seleccionada CRISP-DM incluye la ejecución de seis etapas: comprensión del negocio, comprensión de los datos, preparación de los datos, etapas del modelado, evaluación y despliegue, donde una vez analizada la base de datos se definen las variables y filtro de datos, y finalmente la ejecución de los algoritmos de aprendizaje automáticos (Árbol de decisión, Bosque Aleatorios, Redes Neuronales, Maquina de Soporte Vectorial) para obtener el rendimiento académico de los estudiantes mediante el lenguaje Python. El objetivo de este artículo es realizar un análisis del rendimiento académico en estudiantes de las carreras de Economía y Turismo de la Universidad Técnica de Manabí para lo cual se evaluó diferentes algoritmos, obteniendo que el algoritmo más eficiente es el Random Forest arrojando valores precisos permitiendo obtener un dashboard con las estadísticas de los estudiantes.