Políticas   Declaración de Budapest  
 

Un enfoque híbrido de IA para predecir el rendimiento académico en estudiantes de EBR

Vista sencilla de ítem
dc.contributor.advisorAbanto Ramírez, Carlos Daniel
dc.contributor.authorWilly Henry, Gonzales Garcia
dc.contributor.authorCordero Miranda, Zindel Mayeli Key
dc.date.accessioned2025-05-20T17:03:54Z
dc.date.available2025-05-20T17:03:54Z
dc.date.issued2025-05-08
dc.description.abstractEl aprendizaje automático ha avanzado significativamente en los últimos años y se utiliza en la educación superior para realizar diversos tipos de análisis de datos. Si bien es cierto que la literatura muestra la aplicación de algoritmos de aprendizaje automático para predecir el rendimiento en la educación universitaria, no se encuentran aplicaciones en EBR, mucho menos en instituciones privadas de carácter confesional, lo que brinda una oportunidad para estudiar la predicción en estas instituciones. Para abordar esta brecha, esta investigación tiene como objetivo proponer un enfoque predictivo como herramienta de soporte de decisiones para la educación básica regular, utilizando técnicas de aprendizaje automático. Entre las técnicas utilizadas, se analizaron tres modelos de aprendizaje automático (Regresión logística, Máquina de vectores de soporte y Bosque aleatorio), junto con modelos de aprendizaje profundo (AlexNet, Unidad recurrente compuerta y Unidad recurrente compuerta bidireccional), así como modelos de conjunto. No obstante, el modelo de conjunto, que combina técnicas de aprendizaje profundo y aprendizaje automático, es el preferido debido a sus métricas de rendimiento de exactitud, precisión y sensibilidad superiores.
dc.description.escuelaEscuela de Posgrado
dc.description.lineadeinvestigacionTeorías, métodos, organización y planificación de la educación
dc.description.sedeLima
dc.formatapplication/pdf
dc.identifier.urihttp://repositorio.upeu.edu.pe/handle/20.500.12840/8737
dc.language.isospa
dc.publisherUniversidad Peruana Unión
dc.publisher.countryPE
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectHybrid AI
dc.subjectArtificial intelligence
dc.subjectPredicting academic performance
dc.subjectRBE stude
dc.subject.ocdehttp://purl.org/pe-repo/ocde/ford#5.03.00
dc.titleUn enfoque híbrido de IA para predecir el rendimiento académico en estudiantes de EBR
dc.typeinfo:eu-repo/semantics/masterThesis
renati.advisor.dni70661348
renati.advisor.orcidhttps://orcid.org/0000-0002-6471-696X
renati.author.dni43290543
renati.author.dni47531984
renati.discipline131517
renati.jurorMorán Condezo, Josué Arturo
renati.jurorCalla Mercado, Rafael
renati.jurorTurpo Chaparro, Josue Edison
renati.jurorPérez Carpio, Jackson Edgardo
renati.jurorAbanto Ramirez, Carlos Daniel
renati.levelhttp://purl.org/pe-repo/renati/nivel#maestro
renati.typehttp://purl.org/pe-repo/renati/type#trabajoDeInvestigacion
thesis.degree.disciplineMaestría en Educación con Mención en Investigación y Docencia Universitaria
thesis.degree.grantorUniversidad Peruana Unión. Unidad de Posgrado de Ciencias Humanas y Educación
thesis.degree.nameMaestro en Educación con Mención en Investigación y Docencia Universitaria

Archivos

Bloque original
Mostrando 1 - 3 de 3
No hay miniatura disponible
Nombre:
Gonzales_Trabajo_Maestro_2025.pdf
Tamaño:
731.66 KB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
Autorización.pdf
Tamaño:
181.13 KB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
Reporte de similitud.pdf
Tamaño:
506.22 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Magíster en Educación con Mención en Investigación y Docencia Universitaria