Modelización de los factores que inciden en el rendimiento académico de los estudiantes universitarios con técnicas de estadística multivariante y de machine learning

Abstract

[ES] En este trabajo final de grado se elaboraron distintos modelos de aprendizaje automático para poder predecir tanto el rendimiento académico como la eficiencia de los estudiantes universitarios y conocer si existen relaciones con las variables como sexo o el grado que estudian. El objetivo de esta investigación es tratar de determinar en qué medida el aprendizaje automático puede ser capaz de predecir el rendimiento académico universitario con precisión, sensibilidad y especificidad. En este estudio se utilizó una población de 5035 alumnos de grado con distintas características recogidas en 44 variables, 19 de ellas de carácter demográfico, otras 19 de carácter académico y por último unas 6 de carácter personal. Para dar resultados se utilizaron herramientas de aprendizaje automático para poder predecir tanto la nota media como la tasa de eficiencia, entre estas herramientas se encuentran los algoritmos de aprendizaje automático llamados: Máquinas de Soporte Vectorial (SVM), Árboles de decisión, Random Forest, KNN vecinos y métodos de regresión PLS.

[EN] In this final undergraduate work, different machine learning models were developed to predict both the academic performance and the efficiency of university students and to find out if there are relationships with variables such as gender or the grade they study. The objective of this research is to try to determine to what extent machine learning can be able to predict university academic performance with accuracy, sensitivity and specificity. This study used a population of 5035 undergraduate students with different characteristics collected in 44 variables, 19 of which were of a demographic nature, 19 of an academic nature and 6 of a personal nature. To give results, machine learning tools were used to predict both the average grade and the efficiency rate, among these tools are machine learning algorithms called: Support Vector Machines (SVM), Decision Trees, Random Forest, KNN neighbors and PLS regression methods.

[CA] En aquest treball final de grau es van a elaborar diferents models d'aprenentatge automàtic per poder predir tant el rendiment acadèmic com l'eficiència dels estudiants universitaris i conèixer si hi ha relacions amb les variables com el sexe o el grau que estudien. L'objectiu d'aquesta investigació és intentar determinar en quina mesura l'aprenentatge automàtic pot ser capaç de predir el rendiment acadèmic universitari amb precisió, sensibilitat i especificitat. En aquest estudi es va utilitzar una població de 5035 alumnes de grau amb diferents característiques recollides en 44 variables, 19 de caràcter demogràfic, 19 més de caràcter acadèmic i finalment unes 6 de caràcter personal. Per donar resultats es van utilitzar eines d'aprenentatge automàtic per poder predir tant la nota mitjana com la taxa d'eficiència, entre aquestes eines hi ha els algoritmes d'aprenentatge automàtic anomenats: Màquines de Suport Vectorial (SVM), Arbres de decisió, Random Forest, KNN veïns i mètodes de regressió PLS.