Evaluación y Mejora de Modelos de Inteligencia Artificial para Predecir Resultados de Aprendizaje de Estudiantes
Autores: Farhood, Helia; Joudah, Ibrahim; Beheshti, Amin; Muller, Samuel
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Evaluación y Mejora de Modelos de Inteligencia Artificial para Predecir Resultados de Aprendizaje de Estudiantes
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Resultados de estudiantes
Inteligencia artificial
Modelos de aprendizaje automático
Arquitecturas de aprendizaje profundo
Precisión de predicción
Selección de características
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Predecir los resultados de los estudiantes es una tarea esencial y un desafío central entre las aplicaciones de aprendizaje personalizado basadas en inteligencia artificial. A pesar de varios estudios que exploran la predicción del rendimiento estudiantil, hay una notable falta de investigación comparativa y exhaustiva que evalúe y compare metódicamente múltiples modelos de aprendizaje automático junto con arquitecturas de aprendizaje profundo. En respuesta, nuestra investigación proporciona una comparación integral para evaluar y mejorar diez modelos diferentes de aprendizaje automático y aprendizaje profundo, ya sean técnicas bien establecidas o de vanguardia, a saber, bosque aleatorio, árbol de decisión, máquina de soporte vectorial, clasificador de vecinos más cercanos, regresión logística, regresión lineal y el estado del arte en aumento de gradiente extremo (XGBoost), así como una red neuronal totalmente conectada de avance, una red neuronal convolucional y una red neuronal aumentada por gradiente. Implementamos y ajustamos estos modelos utilizando Python 3.9.5. Con un énfasis agudo en la precisión de la predicción y la optimización del rendimiento del modelo, evaluamos estas metodologías en dos conjuntos de datos públicos de estudiantes de referencia. Empleamos un enfoque de evaluación dual, utilizando tanto validación cruzada k-fold como métodos de retención, para evaluar de manera integral el rendimiento de los modelos. Nuestra investigación se centra principalmente en predecir los resultados de los estudiantes en los exámenes finales determinando su éxito o fracaso. Además, exploramos la importancia de la selección de características utilizando el ubicuo Lasso para la reducción de dimensionalidad para mejorar la eficiencia del modelo, prevenir el sobreajuste y examinar su impacto en la precisión de la predicción para cada modelo, tanto con como sin Lasso. Este estudio proporciona una valiosa guía para seleccionar y desplegar modelos predictivos para la clasificación de datos tabulares como la predicción de resultados estudiantiles, que busca utilizar información basada en datos para la educación personalizada.
Descripción
Predecir los resultados de los estudiantes es una tarea esencial y un desafío central entre las aplicaciones de aprendizaje personalizado basadas en inteligencia artificial. A pesar de varios estudios que exploran la predicción del rendimiento estudiantil, hay una notable falta de investigación comparativa y exhaustiva que evalúe y compare metódicamente múltiples modelos de aprendizaje automático junto con arquitecturas de aprendizaje profundo. En respuesta, nuestra investigación proporciona una comparación integral para evaluar y mejorar diez modelos diferentes de aprendizaje automático y aprendizaje profundo, ya sean técnicas bien establecidas o de vanguardia, a saber, bosque aleatorio, árbol de decisión, máquina de soporte vectorial, clasificador de vecinos más cercanos, regresión logística, regresión lineal y el estado del arte en aumento de gradiente extremo (XGBoost), así como una red neuronal totalmente conectada de avance, una red neuronal convolucional y una red neuronal aumentada por gradiente. Implementamos y ajustamos estos modelos utilizando Python 3.9.5. Con un énfasis agudo en la precisión de la predicción y la optimización del rendimiento del modelo, evaluamos estas metodologías en dos conjuntos de datos públicos de estudiantes de referencia. Empleamos un enfoque de evaluación dual, utilizando tanto validación cruzada k-fold como métodos de retención, para evaluar de manera integral el rendimiento de los modelos. Nuestra investigación se centra principalmente en predecir los resultados de los estudiantes en los exámenes finales determinando su éxito o fracaso. Además, exploramos la importancia de la selección de características utilizando el ubicuo Lasso para la reducción de dimensionalidad para mejorar la eficiencia del modelo, prevenir el sobreajuste y examinar su impacto en la precisión de la predicción para cada modelo, tanto con como sin Lasso. Este estudio proporciona una valiosa guía para seleccionar y desplegar modelos predictivos para la clasificación de datos tabulares como la predicción de resultados estudiantiles, que busca utilizar información basada en datos para la educación personalizada.