El Rendimiento Académico de los Estudiantes de la Universidad Nacional del Santa según los Factores Socioeconómicos Determinados Mediante una Red Neuronal Supervisada
Resumen
La investigación tuvo como objetivo desarrollar una red neuronal supervisada para predecir el rendimiento académico de los estudiantes de la Universidad Nacional del Santa, considerando factores socioeconómicos. Utilizando un enfoque cuantitativo y un diseño no experimental, se analizó la relación entre las variables socioeconómicas y los resultados académicos. Se empleó una red neuronal BackPropagation implementada en la herramienta nntool de MATLAB, con funciones de activación Tansig y el algoritmo de optimización Levenberg-Marquardt. El modelo de la red fue entrenado con el 60% de los datos históricos obtenidos de fichas socioeconómicas, mientras que el 40% restante se utilizó para la evaluación. Los resultados mostraron que el modelo era eficaz, aunque se observó que los errores no eran significativos y podrían reducirse mediante la adición de más capas y neuronas en la red. La investigación concluye que la red neuronal desarrollada es una herramienta útil para predecir el rendimiento académico en función de factores socioeconómicos, destacando la importancia de estos factores en el rendimiento de los estudiantes.
Descargas
Citas
Basogain Olabe, X. (1998). Redes Neuronales Artificiales y sus Aplicaciones. Madrid: Publicaciones de la Escuela de Ingenieros.
Blake, P., & Wadhwa, D. (12 de 2020). Crupo Banco Mundial. Obtenido de Banco Mundial Blogs: https://blogs.worldbank.org/es/voices/resumen-anual-2020-el-impacto-de-la-covid-19-coronavirus-en-12-graficos
Martínez, L., & Jara, P. (2023). Análisis de la adaptación de los modelos de negocio a nuevas realidades. Un estudio de la literatura existente, 2021. Revista Veritas De Difusão Científica, 4(2), 71–87. https://doi.org/10.61616/rvdc.v4i2.47
Valdivia Bautista, S. M., Ocampo Gárnica, J. L., & Pérez Cisneros, M. A. (2024). Inteligencia Emocional en el Modelo Educativo del Nivel Superior. Un Estudio de Caso. Estudios Y Perspectivas Revista Científica Y Académica , 4(1), 2252–2292. https://doi.org/10.61384/r.c.a.v4i1.178
Córdova Gonzales , L. A., Flores Vásquez , M. E., Becerra Flores , S. N., Ortiz Salazar , N. G., Franco Mendoza , J. M., & García Vattam , R. E. (2024). Compromiso y Procrastinación Académica en Estudiantes de una Universidad Pública de Lima. Revista Científica De Salud Y Desarrollo Humano, 5(1), 208–233. https://doi.org/10.61368/r.s.d.h.v5i1.86
Martínez, O., Aranda , R., Barreto , E., Fanego , J., Fernández , A., López , J., Medina , J., Meza , M., Muñoz , D., & Urbieta , J. (2024). Los tipos de discriminación laboral en las ciudades de Capiatá y San Lorenzo. Arandu UTIC, 11(1), 77–95. Recuperado a partir de https://www.uticvirtual.edu.py/revista.ojs/index.php/revistas/article/view/179
v, H., & Quispe Coca, R. A. (2024). Tecno Bio Gas. Horizonte Académico, 4(4), 17–23. Recuperado a partir de https://horizonteacademico.org/index.php/horizonte/article/view/14
Da Silva Santos , F., & López Vargas , R. (2020). Efecto del Estrés en la Función Inmune en Pacientes con Enfermedades Autoinmunes: una Revisión de Estudios Latinoamericanos. Revista Científica De Salud Y Desarrollo Humano, 1(1), 46–59. https://doi.org/10.61368/r.s.d.h.v1i1.9
Sicilia Muñoz, I. G., & Hernández Franco, J. A. (2025). Detección oportuna del cáncer infantil: Desafíos legislativos y oportunidades para la salud. Ciencia Y Reflexión, 4(1), 510–536. https://doi.org/10.70747/cr.v4i1.129
Encarnación Hidalgo, J. D. (2025). Gestión directiva y desempeño docente en el Colegio de Bachillerato Matilde Hidalgo de Procel, Cantón Chaguarpamba, año lectivo 2023-2024. Ciencia Y Reflexión, 4(1), 633–655. https://doi.org/10.70747/cr.v4i1.133
Carrión Pérez, E. (2007). Validación de Características al Ingreso como Predictores del Rendimiento Académico en la Carrera de Medicina. Revista Cubana de Educación Médica Superior, 1(16).
Castejón, J., & Pérez, A. (1998). Un Modelo Causal - Explicativo de las variables Psicosociales en el Rendimiento Académico. Revista Bordón, 50(2), 171-185.
Choi de Mendizábal, Á. B. (2018). Fundación "La Caixia". Obtenido de El Observatorio Social: https://observatoriosociallacaixa.org/-/desigualdades-socioeconomicas-y-rendimiento-academico
Durón, T., & Oropeza, T. (1999). Análisis Predictivo a partir de la InteracciónFamiliar y Escolar de Estudiantes de Nivel Superior. Universidad Nacional Autónoma de México, México.
Espada, M., Rocu, P., Navia, J., & Gómez, M. (2020). Rendimiento Académico y Satisfacción de los Estudiantes Universitarios hacia el Método Flipped Classroom. Profesorado, Revista del Curriculum y Formación del Profesorado, 116-135.
Gallo, C. (2021). Estrategias didácticas y el rendimiento académico en los estudiantes de la Escuela de Ingeniería. Revista Peruana de Educación, 37-48.
Gonzales, E., & Evaristo, I. (2021). Rendimiento académico y deserción de estudiantes universitarios de un curso en modalidad virtual y presencial. Revista Iberoamericana de Educación a Distancia, 189-198. Obtenido de https://www.redalyc.org/articulo.oa?id=331466109011
Pérez Luño, A., Ramón Jerónimo, J., & Sánchez Vásquez, J. (2000). Análisis Exploratorio de las Variables que Condicionan el Rendimiento Académico. Sevilla, España: Universidad Pablo de Olavide.
Quintana, M., Flores, J., Lazcano, S., & Landassuri, V. (2018). Ensamble de Clasificadores para Determinar el Perfil Académico del Estudiante usando Árboles de Decisión y Redes Neuronales. ResearchGate, 255-267.
Rodríguez, S., Fita, S., & Torrado, M. (2004). El Rendimiento Académico en la Transición Secundaria-Universidad. Revista de Educación. Temas Actuales de Enseñanza, 334.
Romero, J., Aznar, I., Hinojo, F., & Gómez, G. (2020). Uso de los dispositivos móviles en educación superior: relación con el rendimiento académico y la autorregulación del aprendizaje. Revista Complutense de Educación, 327-335.
Torres, S., Aldana, M. P., & Piedra, L. (2016). Red Neuronal Multicapa para la Evaluación de Competencias Laborales. Revista Cubana de Ciencias Informáticas, 210-223.
Valle Arias, A., González Cabanach, R., Núñez Pérez, J., & Martínez Rodríguez, S. (1999). Un Modelo Causal sobre los Determinantes cognitivo - Motivacionales del Rendimiento Académico. Revista de Psicología General Aplicada, 52(4), 499-519.
Vélez Van, M., & Roa, N. (2005). Factors Associated with Academic Perfomance in Medical Students. PSIC. Educación Médica, 1-10.
Vemuri, V. (1990). Artificial Neural Networks: Theoretical Concepts Computer Society Press. Los Alamitos C.A.
Viñuela, P., & León, I. (2004). Redes Neuronales Artificiales: Un Enfoque Práctico. Madrid: Editorial Pearson Prentice Hall.
Derechos de autor 2025 Luzbeth Karin Navarrete Leal, Herón Juan Morales Marchena, Manuel Abelardo Alcántara Ramírez
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
