1. RIUdeG
  2. Revistas
  3. Revista Diálogos Sobre Educación
Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.12104/88056
Full metadata record
DC FieldValueLanguage
dc.creatorRico Páez, Andrés-
dc.creatorGaytán Ramírez, Nora Diana-
dc.creatorSánchez Guzmán, Daniel-
dc.date2018-05-16-
dc.date.accessioned2021-10-09T02:16:51Z-
dc.date.available2021-10-09T02:16:51Z-
dc.identifierhttp://dialogossobreeducacion.cucsh.udg.mx/index.php/DSE/article/view/509-
dc.identifier10.32870/dse.vi19.509-
dc.identifier.urihttps://hdl.handle.net/20.500.12104/88056-
dc.descriptionOne of the most widely used applications of educational data mining is predicting academic performance. The aim of this paper is to present the construction, evaluation and implementation of a predictive model of the academic performance of university students by means of the data mining technique known as the Naïve Bayes algorithm. We collected data from 122 students as training for the algorithm and applied the model to predict the academic performance of 71 students. The results show that, in addition to obtaining predictions of academic performance, the predictive model also identifies the factors that influence it the most. This type of study allows teachers to design prevention strategies and identify students who are vulnerable to failure.en-US
dc.descriptionUna de las aplicaciones más utilizadas de la minería educativa de datos es la predicción del rendimiento académico. El objetivo de este trabajo es presentar la construcción, evaluación y aplicación de un modelo predictivo del rendimiento académico de estudiantes universitarios por medio de la técnica de minería de datos conocida como algoritmo Naïve Bayes. En este trabajo se recabaron datos de 122 estudiantes como entrenamiento para el algoritmo y se aplicó el modelo para predecir el rendimiento académico de 71 estudiantes. Los resultados muestran que el modelo predictivo, además de obtener predicciones del rendimiento académico, también identifica los factores que más influyen en él. Este tipo de estudios permite a los profesores diseñar estrategias de prevención e identificar estudiantes que son vulnerables a reprobar.es-ES
dc.formatapplication/pdf-
dc.formatapplication/xml-
dc.languagespa-
dc.publisherUniversidad de Guadalajaraes-ES
dc.relationhttp://dialogossobreeducacion.cucsh.udg.mx/index.php/DSE/article/view/509/568-
dc.relationhttp://dialogossobreeducacion.cucsh.udg.mx/index.php/DSE/article/view/509/586-
dc.sourceDiálogos sobre educación; No. 19 (10): Education is a right, not a privilege. July-December 2019en-US
dc.sourceDiálogos sobre educación; Núm. 19 (10): Educación, derechos y no discriminación. Julio-diciembre 2019es-ES
dc.source2007-2171-
dc.subjectprediction – academic performance – data mining – predictive model – Naïve Bayes algorithmen-US
dc.subjectpredicciónes-ES
dc.subjectrendimiento académicoes-ES
dc.subjectminería de datoses-ES
dc.subjectmodelo predictivoes-ES
dc.subjectalgoritmo Naïve Bayeses-ES
dc.titleConstruction and implementation of a model to predict the academic performance of university students using the Naïve Bayes algorithmen-US
dc.titleConstrucción e implementación de un modelo para predecir el rendimiento académico de estudiantes universitarios mediante el algoritmo Naïve Bayeses-ES
dc.typeinfo:eu-repo/semantics/article-
dc.typeinfo:eu-repo/semantics/publishedVersion-
dc.typeArtículo evaluado por pareses-ES
Appears in Collections:Revista Diálogos Sobre Educación

Files in This Item:
There are no files associated with this item.
Show simple item record


Items in RIUdeG are protected by copyright, with all rights reserved, unless otherwise indicated.