Modelización del desempeño educativo en la educación media mediante aprendizaje automático.

Abstract

En este documento se modeló la promoción educativa de estudiantes de cuarto año de educación media pública en Uruguay con datos provenientes del programa Compromiso Educativo (CE) del año 2012. Con tal fin se emplearon distintos modelos de clasificación: regresión logística, árboles de clasificación CART, árboles de clasificación de inferencia condicional (CTREE) y bosques aleatorios (con CART y CTREE); se exploraron distintas técnicas para seleccionar el conjunto de datos de aprendizaje: simple, Down y SMOTE. La estimación del poder predictivo se realizó mediante un proceso basado en la validación cruzada, utilizando herramientas de diseño de experimento para medir diferencias significativas entre distintas estrategias de modelización. Los resultados obtenidos indican que el bosque aleatorio basado en árboles CTREE y con muestreo simple del conjunto de aprendizaje, presenta en promedio mejores resultados al medir el área bajo la curva ROC (79.54 %) y su versión parcial (66.85 %), sin embargo, existen otras alternativas frente a las cuales no existen diferencias estadísticamente significativas. Tomando este modelo como el mejor candidato, se estudió la importancia de las variables y sus efectos parciales. El deber exámenes, imaginarse estudiando en educación terciaria, haber repetido en educación media y si su familia lo imagina en educación terciaria son las variables que tienen mayor incidencia sobre el AUC. Los gráficos de dependencia parcial indicaron que no deber exámenes, no haber repetido, imaginarse en educación terciaria y que su familia lo imagine en educación terciaria tienen un efecto positivo sobre la probabilidad de aprobar. Finalmente, se sugiere un punto de corte de 0.78 para el problema de clasificación en base a este modelo y pruebas de entrenamiento y testeo.