Redes Neuronales para predecir el rendimiento académico de los alumnos ingresantes a la carrera de Bioquímica de la FACENA-UNNE en función de sus conocimientos matemáticos previos

Este trabajo tiene por objetivo desarrollar modelos de redes neuronales artificiales (RNA) para analizar la incidencia de los conocimientos matemáticos previos de los alumnos ingresantes a la carrera de Bioquímica de la FACENA-UNNE, en su rendimiento académico en el primer cuatrimestre del primer año. Se analizaron los datos del estado académico de los alumnos y de sus conocimientos matemáticos previos, siendo obtenidos estos últimos a partir de una evaluación diagnóstica, implementada en 2009, al inicio del curso de nivelación ofrecido a los ingresantes. Se diseñaron modelos de RNA de tipo Perceptrón Multicapa (PM) y Función de Base Radial (FBR), considerando como variables independientes el número de ítems correctos en cada contenido del diagnóstico. El rendimiento académico (variable dependiente) se midió en cada modelo con una variable dicotómica que toma el valor 0 ó 1, si el alumno aprobó ó no los exámenes parciales de Algebra y Geometría Analítica, materia del primer cuatrimestre del primer año. Los modelos PM y FBR permitieron obtener porcentajes de clasificación correcta total de 81,3%, y 78,8 % respectivamente, los cuales se consideran satisfactorios. This work aims to develop models of artificial neural networks (ANN) to analyze the incidence of mathematical previous knowledge of students entering the career of Biochemistry of FACENA-UNNE, in their academic performance in the first semester of the first year. We analyzed the data of students' academic status and data on mathematical previous knowledge, the latter being obtained from diagnostic evaluation, implemented in 2009, at the beginning of the leveling course offered to freshmen. ANN models of type Multilayer Perceptron (PM) and Radial Basis Function (RBF) were designed, considering as independent variables the number of correct items in each content of the diagnosis. Academic performance (dependent variable) was measured in each model with a dichotomous variable that takes the value 0 or 1, whether or not the student passed the exams in Algebra and Analytical Geometry, one subject-matter of first semester of the first year. The PM and FBR models have allowed to obtain correct overall classification rates of 81.3% and 78.8% respectively, which are considered satisfactory. Eje: Workshop Bases de datos y minería de datos (WBDDM)