Procesamiento de bases de datos escolares por medio de redes neuronales artificiales

• Brenda Miranda García ^[1] ; Víctor Manuel González Bárcenas ^[1] ; Adriana Reyes Nava ^[1] ; Roberto Alejo Eleuterio ^[1] ; Eréndira Rendón Lara ^[1]
  1. [1] Instituto Tecnológico de Toluca

     Instituto Tecnológico de Toluca

     México

     
• Localización: CIENCIA ergo-sum, ISSN 1405-0269, Vol. 27, Nº. 3, 2020, págs. 163-172
• Idioma: español
• DOI: 10.30878/ces.v27n3a11
• Títulos paralelos:
  • School database Processing from the perspective of artificial neural networks
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El estudio de bases de datos escolares es un área que ha sido poco estudiada y cuestionada desde el punto de vista de la minería de datos o de la inteligencia artificial. Actualmente, existen algunos trabajos que muestran su procesamiento mediante algoritmos de aprendizaje automático o “inteligentes”; sin embargo, no se detienen en analizar la pertinencia de procesar datos cualitativos como si fueran cuantitativos. En este artículo se estudia este problema con el uso de tres modelos de red neuronal. Los resultados evidencian la capacidad de estos modelos para clasificar con un porcentaje de acierto superior a 95% las tendencias en los estudiantes utilizando principalmente datos cualitativos

  • English

    The analysis of school mentoring databases is a poorly studied area and it is usually questioned from the point of view of data mining or artificial intelligence. Nowadays, there are some works about the processing of such a type of databases through machine learning algorithms, as well as the so called “smart algorithms”. However, the relevance of analyzing and processing qualitative data as if they were quantitative remains still interesting. In this research, the problem of analyzing school mentoring databases by means of three artificial neural network models are thoroughly studied. Results shows the ability of these models to classify the correct trends in students’ statistics using mainly qualitative data with a high degree of certainty (more than 95% of accuracy)

• Referencias bibliográficas
  • Alejo, R., Monroy, J., Ambriz, J. C., & Pacheco-Sánchez, J. H. (2017). An improved dynamic sampling back-propagation algorithm based on...
  • Agarwal, B., Nayak, R., Mittal, N., & Patnaik, S. (2020). Deep learning-based approaches for sentiment analysis. Springer Singapore.
  • Benítez, J. M., Castro, J. L., & Requena, I. (1997). Are artificial neural networks black boxes? IEEE transactions on neural networks,...
  • Duda, R., Hart, P., & Stork, D. (2001). Pattern Classification and Scene Analysis. New York.
  • Eckert, K. B. y Suénaga, R. (2015). Análisis de deserción permanencia de estudiantes universitarios utilizando técnica de clasificación en...
  • Fawcett, T. (2006). An introduction to roc analysis. Pattern Recognition Letters, 27(8), 861-874.
  • Fernández, A., del Río, S., Chawla, N. V., & Herrera, F. (2017). An insight into imbalanced big data classification: Outcomes and challenges....
  • Fernandez, A., García, S., & Herrera, F. (2018). SMOTE for learning from imbalanced data: Progress and challenges, marking the 15-year...
  • Han, J., Kamber, M., & Pei, J. (2012). Data mining concepts and techniques. Morgan Kaufmann Publishers.
  • Haykin, S. (2009). Neural networks and learning machines. Hamilton: McMaster University.
  • Heredia, D., Amaya, Y., & Barrientos, E. (2015). Student dropout predictive model using data mining techniques. IEEE Latin America Transactions,...
  • Jiménez, A. J. y Tamiran, R. S. (2015). Caracterización de la deserción estudiantil en educación superior con minería de datos. Revista Tecnológica...
  • Lakkaraju, H., Aguiar, E., Shan, C., Miller, D., Bhanpuri, N., Ghani, R., & Addison, L. K. (2015). A machine learning framework to identify...
  • Leevy, L. J., Khoshgoftaar, M. T., Bauder, A. R., & Seliya, N. (2018). A survey on addressing high-class imbalance in big data. Journal...
  • López, G. E., Alejo, R., & Velázquez, J. (2015). Loyalty index of students, a view from the Tesjo stage with data mining. ECORFAN Journal,...
  • López, V., Fernández, A., García, S., Palade, V., & Herrera, F. (2013). An insight into classification with imbalanced data: Empirical...
  • Miranda, A. M. y Guzmán, J. (2017). Análisis de la deserción de estudiantes universitarios usando técnicas de minería de datos. Formación...
  • Naser, A. S., Zaqout, I., Ghosh, A. M., Atallah, R. R., & Alajrami, E. (2015). Predicting student performance using artificial neural...
  • Oviedo, B., Zambrano-Vega, C., & Gómez, J. (2019). Clasificador bayesiano simple aplicado al aprendizaje. RISTI E18, 74-85.
  • Patri, R. C., Batista, G. E., & Monard, M. C. (2009). Data mining with imbalanced class distributions: Concepts and methods. Proceedings...
  • Refaeilzadeh, P., Tang L., & Liu H. (2009) Cross-Validation. In L. Liu & M. T. Özsu (Eds.) Encyclopedia of Database Systems. Boston:...
  • Reyes, N. A., Flores, F. A., Alejo, R. y Rendón, L. E. (2017). Minería de datos aplicada para la identificación de factores de riesgo en alumnos....
  • Solís, M., Moreira-Mora, T. E., González Laisa, R., Fernández-Martín, T., & Hernández-Jiménez, M. T. (2018). Perspectives to predict dropout...
  • Tan, M., & Shao, P. (2014). Predicting dropout from online education based on neural networks. The Open Cybernetics and Systemics Journal,...
  • Vásquez, A., Peláez, E. y Ochoa, X. (2015). Predictor basado en prototipos difusos y clasificación no supervisada. Revista Latinoamericana...
  • Yukselturk, E., Ozekez, S., & Türel, K. Y. (2014). Predicting dropout student: An application of data mining methods in an online education...