Inteligencia artificial para la prevención de la deserción estudiantil
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Este trabajo aborda el problema de la deserción escolar, un fenómeno complejo con graves consecuencias sociales y educativas. Se destaca la necesidad de encontrar soluciones innovadoras para prevenirla. El objetivo principal del estudio es desarrollar un sistema basado en inteligencia artificial que permita identificar de manera proactiva a los estudiantes en riesgo de abandonar sus estudios, con el fin de implementar estrategias de intervención oportunas. Se emplean técnicas de aprendizaje automático para analizar grandes conjuntos de datos de estudiantes. Estos datos incluirán información académica, sociodemográfica y contextual. A partir de estos datos, se entrenarán modelos predictivos que permitirán identificar patrones asociados a la deserción y así predecir qué estudiantes están más propensos a abandonarla. Los resultados preliminares muestran que los modelos de aprendizaje automático, especialmente los basados en árboles de decisión, son capaces de identificar con bastante precisión a los estudiantes en riesgo de deserción. Además, se ha identificado que factores como el rendimiento académico y las condiciones socioeconómicas son determinantes en la decisión de abandonar los estudios. Los hallazgos demuestran el potencial de la inteligencia artificial para reducir significativamente las tasas de deserción estudiantil. Los modelos predictivos desarrollados permiten identificar a los estudiantes en riesgo de manera temprana, lo que facilita la implementación de medidas de apoyo y seguimiento. Sin embargo, se reconoce que la deserción es un fenómeno multifactorial y que la solución requiere de un enfoque integral que involucre a diferentes actores y niveles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle