|
|
|
|
| LEADER |
02678nam a2200193 a 4500 |
| 001 |
000099829 |
| 005 |
20240424101353.0 |
| 008 |
240306s2023 cr d 000 | spa d |
| 040 |
= |
0 |
|a Sistema de Bibliotecas de la Universidad Estatal a Distancia
|
| 090 |
|
|
|a 009867
|b TFG
|
| 100 |
1 |
|
|a Zamora Araya, José Andrey
|
| 245 |
1 |
0 |
|a Modelo de un sistema de alerta temprana para reducir el abandono en el curso de matemática general en la Universidad Nacional, Costa Rica /
|c José Andrey Zamora Araya.
|
| 260 |
|
|
|a San José, Costa Rica :
|b J.A. Zamora A.,
|c 2023.
|
| 300 |
|
|
|b TFG-Digital, figuras, tablas.
|
| 502 |
|
|
|a Trabajo Final de Graduación (Doctorado en Educación)
|
| 520 |
3 |
|
|a La presente investigación se enfocó en el diseño de un modelo de alerta temprana que permita reducir el abandono estudiantil en el curso Matemática General de la Universidad Nacional, mediante la construcción de modelos predictivos que incorporan variables individuales, académicas, económicas e institucionales asociadas con el fenómeno. Para lograr este cometido, se planteó la definición de abandono en términos de ausencia a la tercera y última prueba parcial. En una primera etapa, se identificaron las variables asociadas al abandono estudiantil en el curso de Matemática General, código MAT001, disponibles en los sistemas de registro universitario. Esta información fue suministrada por el Departamento de Registro y la Escuela de Matemáticas de la UNA y los datos fueron codificados, clasificados y ordenados en un archivo inicial con información de 5815 estudiantes en 148 variables, que matricularon el curso MAT 001 durante el periodo de 2017 al 2019. Luego, en una segunda etapa, se diseñó una propuesta para predecir el abandono en estudiantes de primer ingreso y regulares en tres momentos del ciclo lectivo en el primero de ellos no se incluyen notas de ninguna prueba parcial solo se trabaja con las variables recolectadas durante el proceso de admisión, en el segundo se incorpora la nota de la primera prueba parcial y en el tercer momento se adicional las notas de las dos primeras pruebas parciales. Se construyeron un total de seis modelos predictivos (dos grupos estudiantiles en tres momentos diferentes) y en cada modelo se implementaron tres algoritmos de aprendizaje supervisado: Regresión Logística, Random Forest y XGBoost. La muestra total se dividió en archivos de entrenamientos, que estaban constituidos por el estudiantado que matriculó el curso MAT001 durante los años 2017 y 2018, y archivos de prueba correspondientes a la matrícula del año 2019.
|
| 610 |
2 |
4 |
|a UNIVERSIDAD NACIONAL DE COSTA RICA
|
| 650 |
|
4 |
|a EDUCACIÓN
|
| 650 |
|
4 |
|a MATEMÁTICAS
|