UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ
ESCUELA DE POSGRADO
UNIDAD DE POSGRADO DE LA FACULTAD DE INGENIERÍA DE SISTEMAS
TESIS
“APLICACIONES DE REDES NEURONALES PARA EVALUAR EL DESEMPEÑO ACADÉMICO DE LOS MAESTRISTAS DE LA
UNIDAD DE POSGRADO DE INGENIERÍA DE SISTEMAS”
PRESENTADO POR
HÉLAR IVÁN VÉLIZ FERNÁNDEZ
PARA OPTAR AL GRADO ACADÉMICO DE
MAESTRO EN SISTEMAS INDUSTRIALES Y GESTIÓN EMPRESARIAL
HUANCAYO – PERÚ
2022
UNIVERSIDAD NACIONAL DEL CENTRO DEL PERU UNIDAD DE POSGRADO
FACULTAD DE INGENIERÍA DE SISTEMAS
CIUDAD UNIVERSITARIA EL TAMBO HUANCAYO # Cel.916409027
ACTA DE SUSTENTACIÓN DE TESIS
En la Plataforma Microsoft TEAMS de la Universidad Nacional del Centro del Perú, en el CANAL DE SUSTENTACIÓN VIRTUAL – UNIDAD DE POSGRADO DE LA FACULTAD DE INGENIERIA DE SISTEMAS, a los diez días del mes de febrero del año dos mil veintitrés, con la presencia de los 5 miembros del Jurado. Siendo las 09:30 a.m. se dio inicio al Acto de Sustentación por la Plataforma Microsoft Teams, de la Tesis del egresado de la Maestría en Sistemas Industriales y Gestión Empresarial.
HELAR IVAN VELIZ FERNANDEZ.
La secretaria dio lectura a la Resolución de la Unidad de Posgrado de la Facultad de Ingeniería de Sistemas N.º 002-2023-DUPGFIS/UNCP, luego el sustentante procedió a exponer su TESIS titulada:
“APLICACIÓN EN REDES NEURONALES PARA EVALUAR EL DESEMPEÑO ACADEMICO DE LOS MAESTRISTAS DE LA UNIDAD DE POSGRADO DE INGENIERIA DE SISTEMAS”
Culminada la exposición, los señores Vocales del Jurado procedieron a efectuar las observaciones y preguntas respectivas. Una vez terminada la evaluación, la Secretaria del Jurado invitó al Sustentante a abandonar la Plataforma de Microsoft Teams, para la deliberación del caso, pasándose luego a la calificación obteniéndose el siguiente resultado:
APROBADO BUENO (NOTA 17)
La Secretaria del Jurado pidió que se una el sustentante, a conectarse a la Plataforma Microsoft Teams para dar a conocer el resultado final, que fue anunciado por el Presidente.
Se dio por terminado el Acto de Sustentación a las 10:20 am. del 10 de Febrero de dos mil veintitrés, firmando a continuación los miembros del jurado.
Presidente
Dr. RICHARD YURI MERCADO RIVAS
---
Secretaria
Dra. CONNY PAMELA SAMANIEGO FLORES.
---
Vocal
Dr. ANIEVAL CIRILO PEÑA ROJAS.
---
Vocal
Mg. OMAR CIPRIANO RARAZ TUPAC YUPANQUI
---
Vocal
Mg. JHONNY ANGEL HUAROC SUAREZ.
ASESOR :
Dr.Anieval Cirilo Peña Rojas.
Código ORCID:
ii DEDICATORIA A Dios por ser la luz de mi camino, a mi familia por su permanente apoyo y mis padres por la fortaleza que me dieron.
iii AGRADECIMIENTO
Durante este largo proceso de investigación no habría concluido sin el apoyo de instituciones y personas. Agradezco a la Facultad de Ingeniería de Sistemas de la UNCP por el acceso para el desarrollo de esta investigación.
A mi asesor Dr. Anieval Peña Rojas por su apoyo en el desarrollo y asesoramiento de la tesis.
iv INDICE
DEDICATORIA ... ii
AGRADECIMIENTO ... iii
ÍNDICE DE TABLAS ... vii
ÍNDICE DE FIGURAS ... viii
RESUMEN ... ix
ABSTRACT ... x
INTRODUCCIÓN ... 1
CAPÍTULO I ... 2
1. PLANTEAMIENTO DEL ESTUDIO ... 2
1.1. Planteamiento del Problema ... 2
1.2. Formulación del Problema ... 3
1.2.1. Problema General ... 3
1.2.2. Problema Específico ... 3
1.3. Objetivos ... 3
1.3.1. Objetivo General ... 3
1.3.2. Objetivos Específicos ... 3
1.4. Justificación ... 3
1.4.1. Económico ... 3
1.4.2. Social (Educación o Salud) ... 4
1.4.3. Teórico ... 4
CAPÍTULO II ... 5
2. MARCO TEÓRICO ... 5
2.1. Antecedentes del Problema ... 5
2.1.1. Antecedentes Internacionales ... 5
2.1.2. Antecedentes Nacionales ... 8
v
2.2. Bases Teóricas y Conceptuales ... 10
2.2.1. Redes Neuronales Artificiales ... 10
2.2.2. Estructura Básica de una Red Neuronal ... 11
2.2.3. Definición de Término Básicos ... 13
2.3. Hipótesis de Investigación ... 14
2.3.1. Hipótesis General... 14
2.3.2. Hipótesis Específicas ... 15
2.4. Operacionalización de Variables ... 15
CAPÍTULO III ... 16
3. Diseño Metodológico ... 16
3.1. Tipo y Nivel de Investigación ... 16
3.1.1. Tipo de Investigación ... 16
3.1.2. Nivel de Investigación ... 16
3.2. Método de Investigación ... 16
3.3. Diseño de la Investigación ... 16
3.4. Población y Muestra ... 17
3.4.1. Población ... 17
3.4.2. Muestra ... 17
3.5. Técnicas e Instrumentos de Recolección de Datos ... 17
CAPÍTULO IV ... 18
4. RESULTADOS Y DISCUSIÓN ... 18
4.1. Resultados del Tratamiento y Análisis de la Información ... 18
4.1.1. Análisis Descriptivos de los Datos Obtenidos... 18
4.1.2. Resultados de la Red Neuronal Artificial ... 26
4.1.2.1. Red de Regresión Generalizada (GRNN) ... 26
4.1.2.2. Red de Capas Ocultas Múltiples ... 28
4.2. Prueba de Hipótesis ... 30
vi
4.2.1. Hipótesis Específica 01 ... 30
4.2.2. Hipótesis Específica 02 ... 33
4.3. Discusión de Resultados ... 33
CONCLUSIONES ... 35
RECOMENDACIONES ... 36
REFERENCIAS ... 37
ANEXOS ... 39
a. MATRIZ DE CONSISTENCIA ... 39
b. RESULTADOS DE ENCUESTAS ... 40
vii ÍNDICE DE TABLAS
Tabla 1: Situación académica de unidad de posgrado Ingeniería de Sistemas 2017
- Maestría ... 2
Tabla 2. Tabla de frecuencias del rendimiento por sexo. ... 18
Tabla 3 Tabla de frecuencias del rendimiento por estado civil. ... 19
Tabla 4 Tabla de frecuencias del rendimiento por situación actual... 20
Tabla 5 Tabla de frecuencias del rendimiento del último ciclo. ... 21
Tabla 6 Tabla de frecuencias del rendimiento por motivos. ... 22
Tabla 7 Tabla de frecuencias del rendimiento por centro laboral. ... 24
Tabla 8 Tabla de frecuencias del rendimiento por lugar del centro laboral. ... 25
Tabla 9. Detalles de la configuración GRNN. ... 27
Tabla 10. Fases de entrenamiento y prueba de la red GRNN. ... 27
Tabla 11. Detalles de la configuración de dos capas ocultas. ... 29
Tabla 12. Fases de la prueba y entrenamiento de la red con dos capas. ... 29
Tabla 13. Evaluación de regresión de las redes en prueba. ... 33
viii ÍNDICE DE FIGURAS
Figura 1: Componentes de una Neurona. ... 12
Figura 2: Diagrama de una Neurona Artificial (PE). ... 12
Figura 3: Arquitectura de una Red Neuronal Simple. ... 13
Figura 4. Análisis del rendimiento académico según el sexo del estudiante. ... 18
Figura 5 Análisis del rendimiento académico según el estado civil del estudiante. ... 19
Figura 6 Análisis del rendimiento académico según la situación actual del estudiante. ... 20
Figura 7 Análisis del rendimiento académico según el último ciclo... 21
Figura 8 Análisis del rendimiento académico según los motivos del estudiante. .. 23
Figura 9 Análisis del rendimiento académico según el tipo de trabajo del estudiante. ... 24
Figura 10 Análisis del rendimiento académico según el centro laboral del estudiante. ... 25
Figura 11. Configuración GRNN para el rendimiento. ... 26
Figura 12. Configuración de dos capas ocultas con 3 y 2 nodos. ... 28
Figura 13. Regresión en la fase de entrenamiento de la red GRNN. ... 30
Figura 14. Regresión de la GRNN para la prueba. ... 31
Figura 15. Regresión en la fase de entrenamiento de la red multicapa. ... 32
Figura 16. Regresión de la Multicapa para la prueba ... 32
Figura 17. Evaluación de los impactos por variable independiente. ... 33
ix RESUMEN
Esta investigación se orienta en realizar un estudio descriptivo e inferencial con algoritmos de redes neuronales artificiales parar realizar el comportamiento y la predicción en el rendimiento académico de los participantes de la maestría en Ingeniería de Sistemas de la Universidad Nacional del Centro del Perú considerando nueve variables independientes entre cuantitativas y cualitativas y una variable dependiente que es el rendimiento de forma cuantitativa y cualitativa, para ello se ha realizado una encuesta electrónica que permitió la toma de datos de setenta y siete registros con los cuales se presenta en primer lugar una descripción y relación de manera descriptiva entre las variables de estudio para luego desarrollar dos configuraciones de red una de regresión generalizada y otra multicapa con dos ocultas de tres y dos nodos. Haciendo la evaluación de ambas se concluye que la primera tiene más eficiencia para el pronóstico del rendimiento académico tanto en la fase de entrenamiento con 99% y prueba del 94% lo que permite la predicción del rendimiento académico de los elementos en estudio aun cuando haya variabilidad de las variables independientes.
x ABSTRACT
This research is oriented to carry out a descriptive and inferential study with artificial neural network algorithms to perform the behavior and prediction of the academic performance of the participants of the Systems Engineering master's degree at the National University of the Center of Peru considering nine independent variables between quantitative and qualitative and a dependent variable that is the performance in a quantitative and qualitative way, for this an electronic survey has been carried out that allowed the collection of data from seventy-seven records with which a description and relationship is presented in the first place. descriptive between the study variables to then develop two network configurations, one of generalized regression and another multilayer with two hidden three and two nodes.
Making the evaluation of both, it is concluded that the first one has more efficiency for the prediction of academic performance both in the training phase with 99% and 94% test, which allows the prediction of the academic performance of the elements under study even when there is variability. of the independent variables.
1 INTRODUCCIÓN
Una deserción académica generalmente se dá por un bajo rendimiento académico y se define cuando una persona que abandona o no completa anticipadamente un programa de estudios matriculado, que puede ser voluntario o involuntario, o que se transfiere a otro programa o institución para abandonar. La baja involuntaria se refiere a la decisión de la escuela de que un estudiante no puede continuar sus estudios por motivos profesionales o económicos, mientras que la baja voluntaria se manifiesta por la renuncia formal o la deserción voluntaria del estudiante.
Académico de diferentes campos demuestran sus puntos fuertes en el estudio del abandono escolar. Estos estudios, realizados en los campos de la psicología, la economía, la sociología y ahora finalmente por la minería de datos, ayudan a comprender este fenómeno al utilizar los costos asociados al abandono como motivación para la investigación. Algunos ejemplos de estos costos son la frustración personal y los conflictos financieros, congelamiento de fondos para instituciones educativas, pérdida de una vacante que podría ser ocupada por otro estudiante que completa un título, suspensión de la educación, desarrollo comunitario y una reducción en la cantidad de profesionales que contribuyen a del país, principalmente los grandes que son los más demandados. Pero el desgaste continúa incluso cuando toda la investigación proviene de diferentes disciplinas, y hay pocos medios para mitigar sus efectos negativos. Esto brinda una oportunidad para que una nueva disciplina orientada a la aplicación aborde la tarea de mejorar la gestión del rendimiento académico.
El contenido del presente estudio se presenta organizado en cuatro secciones:
Capitulo I: El Planteamiento del Estudio que da un panorama general del estado actual de los involucrados, Capitulo II: El Marco Teórico que define el estado del arte y los antecedentes más importantes, Capitulo III: Plantea la metodología empleada y finalmente en el Capitulo IV: los resultado y discusión acerca de la variables en estudio, de igual manera se ha adjunto las conclusiones y recomendaciones.
2 CAPÍTULO I
1. PLANTEAMIENTO DEL ESTUDIO 1.1. Planteamiento del Problema
La maestría es la culminación del proceso educativo y actualmente constituye una serie de estudios creados por la competitividad profesional continua que los egresados deben cursar; y la necesidad de que el mercado laboral, las empresas, las organizaciones públicas y privadas se adapten al entorno global de esta era de cambios constantes y la era del conocimiento. En respuesta a esta demanda, la Escuela de Posgrado de la Universidad Nacional del Centro del Perú tiene como misión formar investigadores y expertos innovadores con rigor científico, humanístico y responsabilidad social. La institución ofrece 53 programas de maestría, 7 programas de doctorado y 3 cursos de segunda especialización. y diversos diplomados en diversas áreas del conocimiento para promover el desarrollo nacional. Por ejemplo, las estadísticas en la maestría del posgrado en Ingeniería de Sistemas para 2017 fueron:
Tabla 1: Situación académica de unidad de posgrado Ingeniería de Sistemas 2017 - Maestría
MENCIONES MATRICULADOS EGRESADOS
Gerencia de Sistemas Empresariales 04 07
Gerencia en Tecnologías de Información y
Comunicación 57 14
Sistemas Industriales y Gestión
Empresarial 00 00
Fuente: (UNCP, Boletín estadístico 2017)
El análisis de los factores que originan el bajo rendimiento académico y el porcentaje bajo de graduados mediante las redes neuronales permitirá ponderar los factores críticos que inciden en este problema.
3 1.2. Formulación del Problema
1.2.1. Problema General
• ¿De qué manera se predice el comportamiento académico de los estudiantes de maestría del posgrado de Ingeniería de Sistemas – UNCP?
1.2.2. Problema Específico
• ¿Qué configuración de red neuronal artificial es la más eficiente en la predicción del comportamiento académico?
• ¿Qué factores son más relevantes en comportamiento académico de los estudiantes de maestría del posgrado de Ingeniería de Sistemas – UNCP?
1.3. Objetivos
1.3.1. Objetivo General
• Predecir el comportamiento académico de los estudiantes de maestría del posgrado de Ingeniería de Sistemas – UNCP.
1.3.2. Objetivos Específicos
• Determinar la red neuronal artificial más eficiente en la predicción del comportamiento académico.
• Determinar los factores más relevantes que influyen en la red neuronal para predecir el comportamiento académico.
1.4. Justificación 1.4.1. Económico
Uno de los factores que afectan a los programas de maestría de la universidad pública es la deserción antes de culminar los estudios, lo que conlleva a que el sostenimiento económico del mismo decaiga significativamente. La predicción del comportamiento académico permite
4 fortalecer los factores más importantes lo cual repercute positivamente en la organización.
1.4.2. Social (Educación o Salud)
Esta investigación es de gran importancia y trascendencia social debido a que se puede reorientar los métodos de enseñanza o reforzar los aspectos sociales para evitar la deserción y no graduación de los estudiantes de posgrado.
1.4.3. Teórico
La aplicación de nuevos algoritmos en la configuración de las redes neuronales artificiales aplicadas a la educación aún es escasa, por lo que la presente investigación propone el uso de esta teoría en el desarrollo de predicción del comportamiento académico de los participantes en las maestrías.
5 CAPÍTULO II
2. MARCO TEÓRICO
2.1. Antecedentes del Problema 2.1.1. Antecedentes Internacionales
• Jurado Mantilla, M. J. (2020) proponen su investigación “Diseño de un modelo predictivo de la deserción estudiantil de postgrado en una institución de educación superior” , mencionando el propósito de este estudio, que es desarrollar un modelo de predicción para la deserción estudiantil. Durante este proyecto conjunto, consideraron cuatro modelos de clasificación: impulso de gradiente estocástico (GBM), bosque aleatorio (RF), red neuronal (NNET) y regresión logística (GLM); además, KDD (base de datos en descubrimiento de conocimiento), cuyos pasos bien definidos permiten la correcta implementación de modelos estadísticos, así como métodos computacionales que aseguran un rendimiento óptimo. Para una mejor selección de modelos, cada modelo se evalúa cuantitativamente utilizando una matriz de confusión, medidas de rendimiento, curva ROC y AUC. Los resultados del primer modelo muestran que los modelos de red neuronal y de bosque aleatorio son más prominentes, pero se eligió el al segundo por su facilidad de uso.
• Hernández Romo, O. K. y otros (2014) presentan su estudio “La deserción en los posgrados. Un problema no menor”, manifiestan que faltan investigaciones para identificar, diagnosticar y analizar las principales características, causas, perspectivas, motivaciones y consecuencias de la deserción., asimismo sostienen que “la deserción es, por excelencia, un problema del sistema educativo, íntimamente ligado a los entornos, contornos y dintornos del mismo, tales como los ambientes educativos, situaciones familiares, exigencias ambientales y culturales que afectan directamente al desertor”, en este entendido consideran que “la deserción aparece como un indicador de crisis del sistema educativo, por cuanto la eficiencia de tal sistema debiera permitir la retención de sus estudiantes y permitirles cursar sus actividades curriculares” En ese contexto, hace un análisis de las características de los estudiantes que han desertado de los
6 estudios; para abrir el estudio, primero se examina el problema de la deserción, los factores que intervienen en él, y luego el caso del Programa de Posgrado del Centro de Investigaciones Científicas en Economía Administrativa de la Universidad de Guadalajara.
• Barrientos, Z., & Umaña, R. (2010) en su investigación “Deserción estudiantil en posgrados semipresenciales de la Universidad Estatal a Distancia (UNED), Costa Rica: ¿Deserción o retraso?”, ofrece varias categorías teóricas para justificar la demora: académicos individuales, psicología, economía, sociología, organización, oferta y demanda de educación superior y mercados e interacciones. En este caso se realizó un análisis de caso de maestría híbrida utilizando encuestas, entrevistas y datos institucionales. La reconsideración de la graduación diferida (68%) es limitada, ya que la tasa de deserción es del 87% para ofertas académicas y del 19% para interés expresado, de los cuales el 6% corresponde a transferencias a otras instituciones, además de los exámenes de maestría, que generalmente se espera que completarse en 6 meses, toma un promedio de 16 meses. Por lo tanto, utilizar las estrategias adecuadas puede reducir la deserción en alrededor de un 15 %.
• Ahn, Cho y Kim (2000) en su investigación “The integrated methodology of rough set theory and artificial neural network for business failure prediction” proponen un sistema inteligente híbrido que predice el fracaso de las empresas basándose en los datos de desempeño financiero pasados, combinando un enfoque de conjunto aproximado y una red neuronal.
Podemos obtener una tabla de información reducida, lo que implica que la cantidad de criterios de evaluación, como las ratios financieras y las variables cualitativas, se reduce sin pérdida de información a través del enfoque conjunto. Y luego, esta información reducida se usa para desarrollar reglas de clasificación y entrenar redes neuronales para inferir los parámetros apropiados. Las reglas desarrolladas por el análisis de conjuntos aproximados muestran la mejor precisión de predicción si un caso coincide con alguna de las reglas. El fundamento de nuestro sistema híbrido es usar reglas desarrolladas por conjuntos aproximados para un objeto que coincida
7 con cualquiera de las reglas y la red neuronal para uno que no coincide con ninguna de ellas. La efectividad de nuestra metodología se verificó mediante experimentos que compararon el análisis discriminante tradicional y el enfoque de redes neuronales con nuestro enfoque híbrido. Para el experimento, se seleccionaron los datos financieros de 2400 empresas coreanas durante el período 1994–1997, y para la validación, se utilizó la validación k-fold.
• Rosay, M. E. M. (2017) en su estudio “La deserción en el posgrado:
estudio comparativo entre maestristas de una universidad pública y privada”, el objetivo fue ampliar la investigación sobre los motivos de la deserción de posgrados, ya que existe poca investigación al respecto, con base en modelos teóricos que no encontraron un patrón de estudio para esta deserción de posgrado, los autores encontraron que la decisión se tomó de acuerdo al modelo de factores socioeconómicos, académicos, personales e institucionales propuesto por Vicente Tinto (1992), argumentando que es público. y uno de los autores más completos identificado como desertor a partir de un estudio comparativo de estudiantes universitarios privados. Los hallazgos nos permitieron confirmar que los factores personales, académicos e institucionales que suelen ser importantes a nivel de pregrado no lo eran para el examen de posgrado. Por ejemplo, los fundadores indicaron que la falta de apoyo financiero y, en menor medida, la carga de trabajo podría ser determinante en la deserción. Entre otras cosas, se encontró que el 30% de los encuestados consideraría dejar sus estudios en el próximo semestre, el perfil de los estudiantes de maestría mostró que las mujeres que obtuvieron una maestría (ya sea pública o privada) se concentraron principalmente en el grupo de edad de 26 años. -33 años;
mientras que los hombres tenían 26 años y más, se encontraron distribuciones similares entre los 34 y 42 años; finalmente, la motivación para estudiar una maestría fue la superación personal, el deseo de mejores trabajos y aumentos salariales (el rol de investigador no parecía ser interiorizado). Los hallazgos se consideran información valiosa para las escuelas de posgrado para informar estrategias de financiación, retención y
8 examinar si el sesgo de género afecta la inscripción de mujeres en la escuela de posgrado después de los 33 años.
• Aguilar, G., Clemenza, C., & Araujo, R. (2020) en su artículo “Factores asociados a la deserción de los estudios de postgrado en Venezuela.
Caso: Universidad del Zulia y Universidad Rafael Belloso Chacín”
analizan estos factores que contribuyen a la deserción universitaria, se utilizan como referencias empíricas dos universidades del condado Zulia. La Universidad Pública y Autónoma de Zulia (LUZ) y la privada Universidad Rafael Belloso Chacín (URBE). Los tipos de investigación son descriptivos y documentales. Los datos provienen de periódicos y revisiones bibliográficas, así como información empírica recopilada a través de métodos de grupos focales. Para ello, se consideró que 64 participantes se encontraban en una condición anormal, es decir, que no estaban aprendiendo al ritmo de aprendizaje de la cohorte original. La muestra se dividió en 8 grupos de 8 participantes cada uno. Los resultados mostraron que los correlatos de la deserción fueron principalmente factores de naturaleza psicológica, especialmente aquellos relacionados con factores ocupacionales. Al mismo tiempo, los resultados empíricos muestran que los factores socioeconómicos y los factores familiares también son factores comunes que conducen a la deserción. Ninguna de las fuentes bibliográficas analizadas examinó las interrelaciones entre los factores que explican la migración de los participantes de los programas de doctorado públicos a las universidades privadas.
2.1.2. Antecedentes Nacionales
• Colchado Soncco (2018) en su tesis “Estudio comparativo de redes neuronales artificiales aplicadas a la identificación de violencia escolar en las instituciones educativas”, el objetivo de este trabajo fue identificar, a través de un estudio comparativo, una red neuronal artificial con mayor eficiencia en la identificación de la violencia escolar en las instituciones educativas de la provincia de Urubamba, la cual se utiliza como dato de entrada para la red neuronal. Seis redes neuronales artificiales. Las redes
9 consideradas en este estudio Las redes neuronales se dividen en tres tipos de redes y métodos de aprendizaje, que son: Red PMS, que es una red de perceptrón multicapa que utiliza el método de aprendizaje de retro propagación (backpropagation) y la función de activación sigmoidal. La red PMH tiene el mismo tipo de red y método de aprendizaje que el PMS, pero la única diferencia es que la red usa una función tangente hiperbólica en lugar de una función sigmoidea. Tanto las redes BRG como las BRC son tipos de redes neuronales de base radial y ambas son métodos de aprendizaje híbrido. La única diferencia es que el primero usa una función de activación gaussiana mientras que el segundo usa una función de activación cuadrática inversa. Tanto las redes RRS como las RRH son redes neuronales recurrentes y ambas usan aprendizaje recurrente en tiempo real.
La diferencia con estas redes en el caso anterior es la función de activación que utilizan. RRS utiliza la función sigmoidal y RRH la tangente hiperbólica.
función. Estas redes se diseñaron en el lenguaje de programación C, y posteriormente se experimentó con cada una de ellas para determinar qué red lograba una mayor eficiencia, confirmando así cuál era la más eficiente.
Lo que nos aporta este trabajo es cómo aplicar cada tipo de RNA y cómo cada una de ellas aprende y observar qué tan efectivas son a la hora de resolver problemas.
• Mamani Quispe, A. M. (2022) en su investigación “Modelo de red neuronal artificial para predecir la deserción de estudiantes de la Maestría en Derecho de la Universidad Nacional del Altiplano Puno-2019” tiene como finalidad el determinar la Red Neuronal Artificial que facilite a identificar y a predecir el rendimiento y la deserción de los estudiantes del posgrado de la Universidad Nacional del Altiplano de Puno. La población de estudio fue conformada por los registros de datos extraídos de las carpetas de ingreso a lo extenso del tiempo de los alumnos que tuvo la Maestría en Derecho de la UNA Puno. La muestra estaba compuesta por 334 registros de datos extraídos de las carpetas de ingreso de los alumnos durante los años 2015 – 2019. Se desarrollo bajo el enfoque cuantitativo, con un nivel de investigación descriptivo, y por su naturaleza es de tipo documental, el diseño de investigación es no experimental y de corte transversal. Llegando a la conclusión que se alcanzó determinar que la RNA que mejor se ajustó
10 para la predicción de la deserción de los participantes en la Maestría en Derecho de la unidad de Posgrado de la Universidad Nacional del Altiplano – Puno, cuenta con una tasa de aprendizaje de 0.1, una sola neurona en la capa oculta, realizó 25 iteraciones, la función de activación es sigmoidea, el algoritmo para calcular los pesos sinápticos es de retro propagación, cuenta con un grado de acierto de: Accuracy del 92% en la clase de los no desertores, Recall del 86% en la clase de los alumnos desertores y en general cuenta con F1_Score de 89%.
• Rosay, M. E. M. (2017) en su estudio intitulada “La deserción en el posgrado: elementos claves” señala que la deserción escolar es un proceso que ha sido estudiado durante décadas. Se realiza un extenso relevamiento de la literatura profesional sobre los diversos modelos que han intentado explicar esto, y se propone un modelo para completar la investigación. Sin embargo, hay poca información sobre la interrupción posterior a la graduación. Los cursos de posgrado en particular han visto un aumento en la demanda en toda la región, principalmente debido a una mayor demanda en el mercado laboral y la actualización de conocimientos y habilidades adquiridos en los cursos de pregrado. Tanto las universidades públicas como las privadas reflejan esta necesidad en sus escuelas de investigación. Las tendencias muestran una fuerte preferencia por una maestría y otras carreras y, en menor medida, por un doctorado. De todos modos, muestra que hay una alta tasa de aceptación, pero no puede sostenerse en el tiempo debido a las tasas de deserción muy bajas. En contraste, se puede observar que más de la mitad de esos estudiantes se gradúan. Este artículo intenta determinar si esto se debe en parte a la dificultad de realizar investigaciones de posgrado.
2.2. Bases Teóricas y Conceptuales 2.2.1. Redes Neuronales Artificiales
Se entiende que las redes neuronales artificiales (RNA) o en Ingles Artificial Neural Networks (ANN) están diseñadas en el funcionamiento de las redes neuronales biológicas del cerebro humano. Están
11 conformadas por elementos que se comportan de forma similar a la neurona biológica en sus funciones más comunes (Olabe 2008)
a) Aprender: “Adquirir el conocimiento de un fenómeno por medio del estudio, ejercicio o experiencia. Las ANN pueden cambiar su comportamiento en función del entorno. Se le muestra un conjunto de entradas y ellas mismas se ajustan para producir unas salidas consistentes” (Olabe 2008).
b) Generalizar: “Ampliar o extender un fenómeno. Las ANN generalizan automáticamente debido a su naturaleza y propia estructura. Estas redes pueden ofrecer, dentro de un margen, respuestas correctas a entradas que presentan pequeñas variaciones debido a los efectos de ruido o distorsión” (Olabe 2008).
c) Abstraer: “Aislar mentalmente o considerar por separado las cualidades de un objeto. Algunas ANN pueden ser capaces de abstraer la esencia de un conjunto de entradas que aparentemente no presentan aspectos comunes o relativos” (Olabe 2008).
2.2.2. Estructura Básica de una Red Neuronal
Una neurona es la unidad básica del sistema nervioso, especialmente del cerebro. Cada neurona es una unidad de procesamiento simple que recibe y combina señales hacia y desde otras neuronas. Si la combinación de entradas es lo suficientemente alta, se activa la salida de la neurona. La Figura siguiente, da a conocer las componentes que compone la neurona biológica:
12
Figura 1: Componentes de una Neurona.
Fuente: (Olabe, 2008)
El cerebro consta de uno a miles de millones de neuronas estrechamente conectadas. Los axones (salidas) de las neuronas se ramifican y conectan con las dendritas (entradas) de otras neuronas a través de conexiones llamadas sinapsis, la eficiencia sináptica puede variar durante el aprendizaje en línea. En una red neuronal artificial, una unidad ANN que se asemeja a una neurona biológica es un elemento de procesamiento, es decir, un PE (Elemento de proceso). Los elementos del procesador toman múltiples entradas y las combinan, generalmente usando una suma base. Una función de transferencia cambia la suma de la entrada y el valor de salida de esta función de transferencia se envía directamente a la salida del elemento de procesamiento. La salida de un PE se puede conectar a la entrada de otra neurona artificial (PE) utilizando conexiones ponderadas correspondientes a la eficacia sináptica de la conexión neuronal.
El diagrama presentado en la siguiente figura esquematiza una neurona artificial basado en valores de entrada y de salida, expresando sus pesos en la variable de respuesta.
Figura 2: Diagrama de una Neurona Artificial (NA).
Fuente:(Olabe, 2008)
Una red neuronal consiste en un conjunto de unidades básicas de NA conectadas de cierta manera, la red ANN está interesada no solo en el patrón de los elementos, sino también en la forma en que estos elementos de procesamiento están conectados. Normalmente, los elementos se organizan
13 en grupos llamados niveles o capas. Una red típica consta de una serie de capas con conexiones entre capas adyacentes. Hay dos capas de conexión con el mundo exterior. Una capa de entrada, un búfer en el que se presentan los datos a la red y una capa de búfer de salida, que almacena la respuesta de la red a la entrada. Las capas restantes se llaman capas ocultas. La figura 3 muestra el aspecto de una red neuronal artificial.
Figura 3: Arquitectura de una Red Neuronal Simple.
Fuente:(Olabe, 2008) 2.2.3. Definición de Término Básicos
De acuerdo a (Wong et al., 2000):
Red Neuronal Artificial (RNA): “Es un sistema computacional que se constituye por cierto número de elementos simples, altamente interconectados, los cuales procesan información por medio de un estado dinámico de respuesta a los estímulos externos”.
Topología: “Estructura de la Red Neuronal Artificial, a determinar como parte de la construcción del modelo”.
Neurona o nodo: “Cada uno de los elementos de procesamiento de la Red Neuronal Artificial”.
Capa: “Cada uno de los vectores que forman la estructura de la Red Neuronal Artificial”.
Capa de entrada: “Vector de la topología formado por todas y cada una de las variables de entrada de la Red Neuronal Artificial”.
14 Capa oculta: “Vector intermedio de la Red Neuronal Artificial, cuyo número de neuronas será determinado como resultado de la construcción del modelo”.
Capa de salida: “Vector de la topología formado por todas y cada una de las variables de salida de la Red Neuronal Artificial”.
Pesos: “Factores de ponderación que correlacionan las variables de entrada con las variables de salida, se determinan como parte del modelo”.
Retro propagación: “Algoritmo de entrenamiento de la Red Neuronal Artificial”.
Entrenamiento: “Determinación de la topología que mejor reproduce los datos”.
Validación: “Determinación de los pesos que mejor reproducen los datos”.
Prueba: “Presentación de datos no usados para entrenamiento ni validación, para verificar la capacidad predictiva del modelo desarrollado.
Época: Iteración completa durante la convergencia del algoritmo de entrenamiento, validación y prueba”.
Función sigmoidal: “Función de transferencia de la RNA la cual permite introducir la no-linealidad del modelo”
Sesgo: “Valor aditivo del algoritmo de retro - propagación que evita que la convergencia pase por el origen de la superficie de error”.
Momentum: “Factor del algoritmo de retro - propagación que permite ajustar el tamaño de paso de la convergencia”.
2.3. Hipótesis de Investigación 2.3.1. Hipótesis General
• Esta aplicación de la red neuronal artificial puede predecir el comportamiento académico de los estudiantes de maestría del posgrado de Ingeniería de Sistemas – UNCP.
15 2.3.2. Hipótesis Específicas
• La red neuronal artificial más eficiente para predecir el comportamiento académico es la de regresión general.
• Los factores más relevantes que influyen en la red neuronal para predecir el comportamiento académico son las de tipo social y laboral.
2.4. Operacionalización de Variables
Variable Independiente: “Red neuronal artificial”
Definición: “Algoritmos matemáticos que configuran una red con capa de entrada, ocultas y de salida” (Hernández Romo, O. K. y otros (2014)).
Operacionalización: Se configura la red de acuerdo a los datos de una encuesta con los estudiantes y egresados de maestría del Posgrado de la Facultad de Ingeniería de Sistemas de los diferentes niveles para los factores o variables independientes. El cuestionario constará de 20 preguntas en la escala de Likert para identificar la situación socioeconómico y otros de dichos alumnos.
Esta encuesta es valorada por expertos.
Variable Dependiente: “Rendimiento Académico”
Definición: “medida respecto a las capacidades cognitivas, procedimentales y actitudinales de los estudiantes” (Hernández Romo, O. K. y otros (2014))
Operacionalización: Se realizará una revisión del expediente académico de cada uno de los estudiantes de los distintos semestres de la maestría de la unidad de posgrado de la Facultad de Ingeniería de Sistemas de la Universidad Nacional del Centro del Perú, con el propósito de determinar su situación académica.
16 CAPÍTULO III
3. Diseño Metodológico
3.1. Tipo y Nivel de Investigación 3.1.1. Tipo de Investigación
La investigación, es de tipo aplicada ya que el objeto de esta investigación es predecir el comportamiento académico para tomar medidas académicas y administrativas con el fin de mejorar la eficiencia del programa de posgrado.
3.1.2. Nivel de Investigación
La investigación es de nivel correlacional, por centrarse en el diagnóstico de la situación y aplicada y debido a que persigue medir las relaciones e influencias existentes entre las variables de entrada identificados en el estudio y las variables de salida.
3.2. Método de Investigación
Se utilizará como método general el científico, ya que seguimos los pasos propuestos en la metodología siguiendo como método específico la inducción que permitirá la valoración de la hipótesis general propuesta (Hernández Sampieri, 2013).
3.3. Diseño de la Investigación
El diseño será no experimental pues no se manipula ninguna variable independiente, solo se observa la data histórica para el establecimiento de patrones de comportamiento académico de los estudiantes del posgrado.
17 3.4. Población y Muestra
3.4.1. Población
La población comprenderá el historial académico de los estudiantes de maestría de la unidad de posgrado de Ingeniería De Sistemas.
3.4.2. Muestra
La investigación tiene una muestra de 77 estudiantes de la maestría estratificada en los distintos semestres y egresados.
3.5. Técnicas e Instrumentos de Recolección de Datos
La técnica a usarse es el de la observación y los instrumentos utilizados son la encuesta el cual se encuentra validado con el alfa de Cronbach.
Los registros de notas y el uso de hojas de cálculo para la implementación de la red, luego de ello se harán un limpieza de datos a fin de ingresar a la pruebas de la red.
18 CAPÍTULO IV
4. RESULTADOS Y DISCUSIÓN
4.1. Resultados del Tratamiento y Análisis de la Información 4.1.1. Análisis Descriptivos de los Datos Obtenidos
Se hará un análisis el rendimiento académico previamente categorizado en deficiente (0 a 5), malo (5 a 10), bueno (10 a 15) y excelencia (15 a 20).
a) Rendimiento por sexo.
Tabla 2. Tabla de frecuencias del rendimiento por sexo.
CATEGORIA
TOTAL BUENO DEFICIENTE EXCELENCIA MALO
SEXO Mujer 15 0 16 1 32
Varón 24 1 16 4 45
TOTAL 39 1 32 5 77
Figura 4. Análisis del rendimiento académico según el sexo del estudiante.
0 5 10 15 20 25
BUENO DEFICIENTE EXCELENCIA MALO
Mujer Varón
19 En tabla N° 2 y Figura N° 4 se aprecia que del total de encuestados según las categorías bueno, deficiente y malo predomina los varones mientras que en la categoría excelencia ambos sexos predomina.
b) Rendimiento por estado civil.
Tabla 3 Tabla de frecuencias del rendimiento por estado civil.
CATEGORIA
TOTAL BUENO DEFICIENTE EXCELENCIA MALO
Estado Civil
Casado 9 0 12 2 23
Conviviente 4 0 2 2 8
Soltero 26 1 18 1 46
TOTAL 39 1 32 5 77
Figura 5 Análisis del rendimiento académico según el estado civil del estudiante.
En tabla N° 3 y Figura N° 5 se aprecia que del total de encuestados según la categoría bueno en primer lugar predomina el estado civil soltero, segundo lugar casado y como tercer lugar conviviente.
Para la categoría deficiente en primer lugar predomina el estado civil soltero.
0 5 10 15 20 25 30
BUENO DEFICIENTE EXCELENCIA MALO
Casado Conviviente Soltero
20 Para la categoría excelencia en primer lugar predomina el estado civil soltero, en segundo lugar, casado y tercer lugar conviviente.
Para la categoría malo en primer lugar predomina el estado civil casado y conviviente, en segundo lugar, soltero.
c) Rendimiento por condición
Tabla 4 Tabla de frecuencias del rendimiento por situación actual.
CATEGORIA
TOTAL BUENO DEFICIENTE EXCELENCIA MALO
Especifique su situación
actual
Egresado 9 0 11 1 21
Estudiante 25 1 21 2 49
Graduado 1 0 0 0 1
Suspensión
Temporal 4 0 0 2 6
TOTAL 39 1 32 5 77
Figura 6 Análisis del rendimiento académico según la situación actual del estudiante. En tabla N° 4 y Figura N° 6 se aprecia que del total de encuestados ante la pregunta su la situación actual del estudiante la categoría bueno predomina en
0 5 10 15 20 25
BUENO DEFICIENTE EXCELENCIA MALO
Egresado Estudiante Graduado Suspensión temporal del estudio
21 primer lugar los estudiantes, en segundo lugar, los egresados y tercer lugar suspensión temporal.
Para la categoría deficiente predomina como situación actual 1 alumno.
Para la categoría excelencia predomina en primer lugar los estudiantes y segundo lugar egresados.
Para la categoría malo predomina en primer lugar los estudiantes y suspendido temporal y segundo lugar egresados.
d) Rendimiento del último ciclo.
Tabla 5 Tabla de frecuencias del rendimiento del último ciclo.
CATEGORIA
TOTAL BUENO DEFICIENTE EXCELENCIA MALO
De haber suspendido indique hasta que semestre
avanzó
0 1 0 0 0 1
1 10 0 12 3 25
2 4 0 0 2 6
3 12 1 10 0 23
4 12 0 10 0 22
TOTAL 39 1 32 5 77
Figura 7 Análisis del rendimiento académico según el último ciclo.
0 2 4 6 8 10 12
0 1 2 3 4
BUENO DEFICIENTE EXCELENCIA MALO
22 En tabla N° 5 y Figura N° 7 se aprecia que del total de encuestados ante la pregunta en que semestre se encuentra actualmente, para el semestre cero se considera 01 estudiante en la categoría bueno.
Para el primer semestre 12 estudiantes de la categoría excelencia, 10 estudiantes de la categoría bueno y 3 estudiantes de la categoría malo.
Para el segundo semestre 04 estudiantes de la categoría bueno y 02 estudiantes de la categoría malo.
Para el tercer semestre 12 estudiantes de la categoría bueno, 10 estudiantes de la categoría excelencia y 01 alumno de la categoría deficiente.
Para el cuarto semestre 12 estudiantes de la categoría bueno y 10 estudiantes de la categoría excelencia.
e) Rendimiento por motivos.
Tabla 6 Tabla de frecuencias del rendimiento por motivos.
CATEGORIA
TOTAL BUENO DEFICIENTE EXCELENCIA MALO
Cuál de los siguientes factores es
el más crítico para usted
Académico (Metodología,
evaluación)
3 0 5 0 8
Económico 5 0 0 0 5
Familiar 3 0 0 0 3
Horarios 9 0 12 1 22
Laboral 17 1 12 4 34
Otro 2 0 3 0 5
TOTAL 39 1 32 5 77
23
Figura 8 Análisis del rendimiento académico según los motivos del estudiante.
En tabla N° 6 y Figura N° 8 se aprecia que, del total de encuestados ante la pregunta de factores críticos para el desarrollo de los estudios, para la parte académica 05 alumnos de la categoría excelencia y 03 de la categoría bueno.
Para la parte económica 05 alumnos de la categoría bueno.
Para la parte familiar 03 alumnos de la categoría bueno.
Para la parte de los horarios 12 alumnos de la categoría excelencia, 09 de la categoría bueno y 01 estudiante de la categoría malo.
Para la parte laboral 17 alumnos de la categoría bueno, 12 de la categoría excelencia, 04 alumnos de la categoría malo y 01 alumno de la categoría deficiente.
0 2 4 6 8 10 12 14 16 18
Académico (metodología,
evaluación)
Económico Familiar Horarios Laboral Otro
BUENO DEFICIENTE EXCELENCIA MALO
24 f) Rendimiento por centro laboral.
Tabla 7 Tabla de frecuencias del rendimiento por centro laboral.
CATEGORIA
TOTAL BUENO DEFICIENTE EXCELENCIA MALO
Centro Laboral
Estatal 9 0 6 1 16
Privado 30 1 26 4 61
TOTAL 39 1 32 5 77
Figura 9 Análisis del rendimiento académico según el tipo de trabajo del estudiante.
En tabla N° 7 y Figura N° 9 se aprecia que del total de encuestados ante la pregunta del tipo de trabajo que tenían, la categoría bueno 30 estudiantes trabajan en entidades privadas y 09 estudiantes trabajan en entidades estatales.
Para la categoría deficiente 01 estudiantes trabaja en la entidad privada.
Para la categoría excelencia 26 estudiantes trabajan en entidades privadas y 06 alumnos trabajan en entidades estatales.
Para la categoría malo 04 estudiantes trabajan en entidades privadas y 01 alumno trabaja en entidades estatales.
g) Rendimiento por procedencia.
0 5 10 15 20 25 30
BUENO DEFICIENTE EXCELENCIA MALO
Estatal Privado
25
Tabla 8 Tabla de frecuencias del rendimiento por lugar del centro laboral.
CATEGORIA
TOTAL BUENO DEFICIENTE EXCELENCIA MALO
Lugar del Centro Laboral
Ayacucho 1 0 0 0 1
Huancavelica 3 0 2 0 5
Junín 17 0 15 1 33
Lima 4 0 5 1 10
Otro 11 1 7 2 21
Pasco 3 0 2 1 6
Privado 0 0 1 0 1
TOTAL 39 1 32 5 77
Figura 10 Análisis del rendimiento académico según el centro laboral del estudiante.
En tabla N° 8 y Figura N° 10 se aprecia que del total de encuestados ante la pregunta lugar del centro laboral, en Ayacucho labora 01 estudiantes de la categoría bueno.
Para Huancavelica 17 estudiantes de la categoría bueno, 15 estudiantes de la categoría excelencia y 01 estudiante de la categoría malo.
0 2 4 6 8 10 12 14 16 18
Ayacucho Huancavelica Junín Lima Otro Pasco
BUENO DEFICIENTE EXCELENCIA MALO
26 Para Junín 03 estudiantes de la categoría bueno, y 02 estudiantes de la categoría excelencia.
Para Lima 05 estudiantes de la categoría excelencia, 04 estudiantes de la categoría bueno y 01 estudiante de la categoría malo.
Para Pasco 03 estudiantes de la categoría bueno, 02 estudiantes de la categoría excelencia y 01 estudiante de la categoría malo.
4.1.2. Resultados de la Red Neuronal Artificial
Se han desarrollado dos configuraciones de red en las fases de entrenamiento y prueba con el software neural tools 7.6 cuyos resultados son:
4.1.2.1. Red de Regresión Generalizada (GRNN)
Configuración de la red con una capa de entrada con nueve nodos, una capa oculta con una cantidad de nodos que se incrementa por cada paso de entrenamiento siguiendo un algoritmo específico y una capa de salida con un nodo específico de rendimiento de tipo numérico.
Figura 11. Configuración GRNN para el rendimiento.
27 Se describe los detalles de la configuración:
Tabla 9. Detalles de la configuración GRNN.
Nombre Red entrada en Conjunto de Datos número 3 Configuración Predicción numérica GRNN
Localización Libro de trabajo utilizado Variable de
Categoría Independiente
(Sexo, Estado civil, Mención de Maestría, Lugar de Centro Laboral)
Variables Numéricas Independientes
(Edad, Número de hijos, Antigüedad de egreso pregrado; Antigüedad en la Maestría)
Variable
Dependiente Var. numérica (Promedio)
Para el entrenamiento se utilizó 31 casos y para la prueba 46 casos de los datos expuestos en el anexo con los siguientes resultados.
Tabla 10. Fases de entrenamiento y prueba de la red GRNN.
Entrenamiento
Número de casos 31
Tiempo de Entrenamiento 00:25:00
Número de pruebas 54
Razón de la parada Auto-Parada
% de predicciones incorrectas
(30% tolerancia) 0.0000%
Error cuadrático medio 0.0000000000 Error absoluto medio 0.0000000000
28 Desviación estándar de error
absoluto 0.0000000000
Prueba
Número de casos 46
% de predicciones incorrectas
(30% tolerancia) 15.2174%
Error cuadrático medio 3.213
Error absoluto medio 1.963
Desviación estándar de error
absoluto 2.544
4.1.2.2. Red de Capas Ocultas Múltiples
Configuración de la red con una capa de entrada con nueve nodos, dos capas ocultas con tres y dos nodos respectivos que fueron configuradas de manera automática que se incrementa por cada paso de entrenamiento siguiendo un algoritmo específico y una capa de salida con un nodo específico de rendimiento de tipo numérico.
Figura 12. Configuración de dos capas ocultas con 3 y 2 nodos.
29 Se describe los detalles de la configuración:
Tabla 11. Detalles de la configuración de dos capas ocultas.
Nombre Red entrenada en Conjunto de datos número 3
Configuración Predicción lineal Localización Este libro de trabajo Variable de categoría
independiente (Sexo, Estado civil, tipo de centro laboral) Variables numéricas
independientes
(Edad, Número de hijos, Antigüedad de egreso pregrado, Antigüedad en la maestría)
Variable dependiente Var. numérica (PROMEDIO)
Para el entrenamiento se utilizó 31 casos y para la prueba 46 casos de los datos expuestos en el anexo con los siguientes resultados.
Tabla 12. Fases de la prueba y entrenamiento de la red con dos capas.
Entrenamiento
Número de casos 31
Tiempo de Entrenamiento 00:00:00
Número de pruebas 0
Razón de la parada Auto-Parada
% de predicciones incorrectas (30%
tolerancia)
6.4516%
Error cuadrático medio 1.556
Error absoluto medio 1.131
Desviación estándar de error absoluto 1.068
Prueba
Número de casos 43
% de predicciones incorrectas (30%
tolerancia)
16.2791%
30
Error cuadrático medio 3.705
Error absoluto medio 2.699
Desviación estándar de error absoluto 2.538
4.2. Prueba de Hipótesis 4.2.1. Hipótesis Específica 01
La red neuronal artificial más eficiente para predecir el comportamiento académico es la de regresión general.
Para ello se presenta las regresiones respectivas para cada red, cuya eficiencia será medida por el índice de correlación de Pearson.
a. Para la Red Neuronal de Regresión Generalizada
Para la red de regresión generalizada se presenta la regresión e índice de determinación en la fase de prueba en la siguiente figura:
Figura 13. Regresión en la fase de entrenamiento de la red GRNN.
y = 1.0092x - 0.1085 R² = 0.993
0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00 16.00 18.00 20.00
0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00 16.00 18.00 20.00
Rendimiento predecido por la Red neuronal
Rendimiento Real
31 Para la red de regresión generalizada en la fase de prueba se presenta la regresión e índice de determinación en la siguiente figura:
Figura 14. Regresión de la GRNN para la prueba.
b. Para la Red Neuronal Multicapa
Para esta red de multicapa se presenta la regresión e índice de determinación en la fase de prueba en la siguiente figura:
y = 0.8531x + 1.9162 R² = 0.8858
0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00 16.00 18.00
0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00 16.00 18.00 20.00
Rendimiento predecido por la Red neuronal
Rendimiento en la prueba Real
32
Figura 15. Regresión en la fase de entrenamiento de la red multicapa.
Para la red multicapa en la fase de prueba se presenta la regresión e índice de determinación en la siguiente figura:
Figura 16. Regresión de la Multicapa para la prueba y = 0.6172x + 5.5131
R² = 0.6172
4.00 6.00 8.00 10.00 12.00 14.00 16.00 18.00 20.00
4.00 6.00 8.00 10.00 12.00 14.00 16.00 18.00
Rendimiento por la red multicapa
Rendimiento real
y = 0.0474x + 12.141 R² = 0.0324
0 2 4 6 8 10 12 14 16 18 20
0.00 5.00 10.00 15.00 20.00 25.00 30.00 35.00 40.00 45.00 50.00
Rendimiento por la red multicapa
Rendimiento real
33 4.2.2. Hipótesis Específica 02
Los factores que son los más relevantes al influir en la red neuronal para poder predecir el comportamiento académico son las de tipo social y laboral.
Para demostrar ello presentamos el resultado de prioridades del modelo en la siguiente figura.
a. Para la Red de Regresión Generalizada
Figura 17. Evaluación de los impactos por variable independiente.
Podemos observar que la antigüedad de egreso del pregrado y la edad son factores de mayor relevancia que afecta el rendimiento del participante de posgrado de la Faculta de Ingeniería de Sistemas. Lo cual valida la hipótesis planteada
De acuerdo a ello se valida de manera inductiva la hipótesis general que menciona
“La aplicación de la red neuronal artificial puede predecir el comportamiento académico de los estudiantes de maestría del posgrado de Ingeniería de Sistemas- UNCP 2019” basado en la demostración de las hipótesis específicas.
4.3. Discusión de Resultados
De acuerdo a resultados anteriores tenemos un cuadro resumen.
Tabla 13. Evaluación de regresión de las redes en prueba.
41.3446%
26.8788%
11.7103%
11.6666%
8.0792%
0.1916%
0.1170%
0.0102%
0.0017%
0% 10% 20% 30% 40% 50% 60% 70%
Antigüedad de egreso pregrado edad Sexo Estado…
Mención de Maestria…
Antigüedad en la maestría Cual de los siguientes factores…
Centro laboral Numero…
Impactos relativos de variable
34 TIPO DE RED ARTIFICIAL
Regresión Generalizada Multicapa (dos ocultas) Entrenamiento Prueba Entrenamiento Prueba Índice de
Correlación 0.9964 0.9411 0.7856 0.18
Índice de
Determinación 0.993 0.8858 0.6172 0.0324
De lo anterior podemos inferir que la mejor red es el de regresión generalizada pues el índice de correlación y determinación son mayores al de multicapa, validando de esta manera la primera hipótesis específica.
Asimismo, se puede afirmar que la edad y la antigüedad del egreso son factores importantes para el modelo de la red neuronal artificial de regresión generalizada.
35 CONCLUSIONES
La red óptima para la predicción del rendimiento académico de los participantes en la maestría de Ingeniería de Sistemas de la Universidad nacional del Centro del Perú es la configuración de regresión generalizada con una sola capa oculta con un alto índice de correlación de Pearson de 0,9411.
La configuración de red de multicapa con dos capas ocultas de 3 y 2 neuronas produce un bajo nivel de correlación en la prueba siendo de 0,18, siendo esta no confiable para la predicción del rendimiento académico de los objetos de estudio.
Las capas de entrada abarcan a datos de tipo cualitativo como sexo, estado civil, mención de la maestría, factor crítico de abandono y el lugar labora, así como datos de tipo cuantitativo como la edad, número de hijos, antigüedad de egreso del pregrado y la antigüedad del ingreso los cuales son normalizados procesados a través de los algoritmos de la red propuesta.
La configuración de la red tiene como capa de salida el rendimiento de forma cuantitativa en una escala de cero a veinte, los cuales también se probaron convirtiendo en categoría, sin embargo, la eficiencia y rendimiento de la red en la predicción es muy baja.
Las variables que tienen mayor relevancia en la red de regresión generalizada es la antigüedad de egreso del pregrado con un 41,3 %, seguido de la edad del participante con un 26,87%
36 RECOMENDACIONES
La red podría enriquecerse si se tienen más datos históricos y otras variables adicionales a las nueve configuradas en la red propuesta en la tesis, por lo que se recomienda seguir incrementando la data histórica.
Se pueden desarrollar más pruebas en otro tipo de configuración de red neuronal artificial a fin de contrastar los valores de los resultados expuestos adicionado nuevas variables independiente que podrían obtenerse de los participantes de la maestría.
Cuando los datos son cuantitativos y estas se categorizan para forzar a ser cualitativos y de pocas categorías la red tiende a no ser eficiente por lo que se recomienda trabajar con los datos originales.
37 REFERENCIAS
Aguilar, G. C. (2020). Actores asociados a la deserción de los estudios de postgrado en Venezuela. Caso: Universidad del Zulia y Universidad Rafael Belloso Chacín / Factors Associated with Abandoning Graduate Studies in Venezuela. Cases: University of Zulia and University Rafae. Impacto Científico, 32 - 41.
Ahn, C. y. (2000). The integrated methodology of rough set theory and artificial neural network for business failure prediction. Expert Systems with Applications.
Barrientos, Z. &. (2010). Deserción estudiantil en posgrados semipresenciales de la Universidad Estatal a Distancia (UNED), Costa Rica:¿ Deserción o retraso? UNED Research Joumal / Cuaderno de Investigación UNED, 141 - 149.
Colchado Soncco, L. E. (2018). Estudio comparativo de redes neuronales artificiales aplicadas a la identificacion de violencia escolar en las instituciones educativas. Cusco - Perú.
Hernández Romo, O. K. (2014). La deserción en los posgrados, un problema no menor. Diálogos sobre Educación.
Hernández Sampieri, R. H. (2013). Metodología de la investigación para bachillerato. McGraw-Hill.
Jurado Mantilla, M. J. (2020). Diseño de un modelo predictivo de la deserción estudiantil de postgrado en una institución de educación superior. Guayaquil - Ecuador.
38 Mamani Quispe, A. M. (2022). Modelo de red neuronal artificial para predecir la deserción de estudiantes de la Maestría en Derecho de la Universidad Nacional del Altiplano Puno - 2019. Puno - Perú.
Maren, A. J., Harston, C. T., & Pap, R. M. (2014). Handbook of Neural Computing Applications. Academic Press.
Mifflin Rosay, M. E. (2017). La deserción en el posgrado: estudio comparativo entre maestristas de una universidad pública y privada. . Argentina
Muñoz, E. G. M. (2015). Aplicación de redes neuronales y regresión logística para predecir el éxito de la compra de deuda de una entidad financiera.
Universidad Nacional Agraria La Molina.
Olabe, X. B. (2008). redes neuronales artificiales y sus aplicaciones.
Wong, B. K., Lai, V. S., & Lam, J. (2000). A bibliography of neural network business applications research: 1994–1998. Computers & Operations Research, 27(11), 1045-1076. https://doi.org/10.1016/S0305-0548(99)00142-2
