Resumen

MORALES HERNANDEZ, Miguel Ángel et al. Algoritmos de aprendizado de máquina para previsão de desempenho acadêmico. RIDE. Rev. Iberoam. Investig. Desarro. Educ [online]. 2022, vol.12, n.24, e035.  Epub 23-Mayo-2022. ISSN 2007-7467.  https://doi.org/10.23913/ride.v12i24.1180.

Nesta pesquisa, dois classificadores de aprendizado de máquina, uma rede neural multicamada (multilayer perceptron [MLP]) e um modelo de potenciação de gradiente (GB), foram implementados para prever o grau de desempenho acadêmico nas disciplinas de espanhol e matemática de alunos do ensino médio. sexta série (2008) e terceira série (2011) com base em variáveis contextuais obtidas nos Exames Nacionais de Desempenho Acadêmico nas Escolas (Enlace) do estado de Tlaxcala, México. 13 variáveis de entrada foram consideradas e sua importância relativa foi determinada usando o algoritmo Random Forest (RF). Os classificadores MLP e GB foram treinados e testados com um conjunto de dados de 11.036 prontuários de alunos que permaneceram na rede escolar de 2008 a 2011. Os modelos foram treinados e testados em previsão para 2008 e 2011. Em espanhol, o MLP foi superior ao GB com uma precisão geral de notas (GP) de 70,1% em 2008 e 61,1% em 2011. GB teve um desempenho melhor em matemática com um GP de 68,8% em 2008 e 63,5% em 2011. A pontuação em espanhol mostrou ter uma forte associação com o grau de desempenho acadêmico em matemática. Os escores em espanhol e matemática tiveram maior importância relativa em relação aos fatores contextuais analisados como: gênero, escolaridade, turno escolar. Na população de alunos analisada, observou-se que em espanhol e matemática a proporção de mulheres é maior do que a proporção de homens no ensino fundamental e nas notas de desempenho acadêmico bom ou excelente; e essa proporção se inverte com o grau de realização insuficiente.

Palabras llave : aprendizagem supervisionada; árvores de decisão; contexto escolar; redes neurais artificiais; validação cruzada.