Diseño y Construcción de una aplicación de Redes Neuronales para la predicción del éxito académico Pedro Salcedo, Angélica Pinninghoff, Ricardo Contreras Maximiliano Peña, Miguel Ruiz Dpto. de Metodología de la Investigación e Informática Educativa Universidad de Concepción

Objetivo Diseñar e implementar un sistema que permita predecir el rendimiento académico de estudiantes pertenecientes a variados dominios, en base a la información disponible de ellos y obtener conclusiones con respaldo práctico de los factores que influyen de manera importante en el desempeño académico. A través de redes neuronales y utilizando para ello el software NeuroSolutions.

Objetivos Específicos Analizar las alternativas de diseño de distintas arquitecturas de redes neuronales Implementar variados tipos de redes y comparar su funcionamiento. Seleccionar los conjuntos de entrenamiento y prueba, previa clasificación de toda la información disponible. Realizar un análisis crítico de las variables que tienen mayor impacto en los resultados obtenidos.

Introducción C. Sociales C. Psicológicas C. Familiares C. Entorno C. Escuela / Universidad C. Compañeros C. Profesores C. Conocimientos previos Rendimiento Académico Acciones correctivas

Trabajo anterior… Predicción alumnos Ingeniería Civil Predicción alumnos enseñanza media

Redes Neuronales RNAs están inspiradas en la estructura y funcionamiento de los sistemas nerviosos vivos, donde la neurona es el elemento fundamental.

No obstante esta simplicidad en su operación, las neuronas realizan la mayoría de las actividades cerebrales. Internamente existe un complicado sistema electroquímico de comunicación y control. Las conexiones entre ellas, llamadas sinapsis constituyen la clave para el proceso de la información. La fuerza de la conexión entre dos neuronas funciona como un factor determinante para definir la excitación o inhibición de éstas. El aprendizaje resulta de la modificación de esta magnitud.

RNA

Se usan diferentes tipos de funciones, desde simples funciones de umbral a funciones no lineales.

Topologías clásicas Estan caracterizadas a partir de su regla de aprendizaje y arquitectura. El Perceptrón Simple El Perceptrón Multicapa. Redes hebbianas. Redes competitivas. Redes Kohonen. Redes Hopfield.

El Estudio PISA Programa Internacional de Evaluación de Estudiantes (PISA), dirigido y coordinado por el OCDE. Busca ser un mecanismo de seguimiento del desempeño de los estudiantes de 15 años en lectura, matemáticas y ciencias, por lo que cada tres años se realizan evaluaciones de los conocimientos y habilidades en estas áreas.

El año 2000 se aplicó en veintiocho países miembros de la OCDE y en cuatro países que no eran miembros. En el 2001 se incluyo a Chile. En términos generales, cada tres años este estudio entregará un nuevo conjunto de hallazgos y análisis e informará los cambios en el desempeño de los estudiantes y de sus características.

Análisis de factores Según PISA algunos factores que influyen de manera directa en el rendimiento escolar son: el nivel socioeconómico de los estudiantes (28%), la facilidad de relación entre profesores y alumnos (18%), la disponibilidad de recursos educativos y de elementos culturales en el hogar (13%), el clima escolar (11%),

las expectativas y opiniones de los profesores sobre cada alumno, la motivación y compromiso de los profesores, la identificación e implicación de los alumnos en la escuela, autonomía de los centros escolares, la participación de los padres.

Construcción de la red neuronal La metodología propuesta; consiste en construir una serie de prototipos e ir reconociendo las pautas de diseño que mejor se adapten a los requerimientos y que mejores resultados prácticos entreguen. Para la implementación de todos los prototipos en este proyecto se escogió trabajar con redes de aprendizaje supervisado por proveer mejores resultados y desempeño general.

En el aprendizaje supervisado, la red puede aprender de la entrada y del error (la diferencia entre la salida y la respuesta deseada).

El buen funcionamiento de la red debe reflejarse en un valor pequeño para el error ( función costo promedio). La regla de aprendizaje define una manera sistemática de cambiar los pesos, tal que el costo sea reducido al mínimo. La más conocida de estas reglas es el Backpropagation (BP), siendo éste el principal método de propagación del error que proporciona la aplicación Neurosolutions.

La herramienta: Neurosolutions NeuroSolutions facilita la construcción de redes neuronales al contar con una intuitiva interfaz gráfica basada en iconos.

Fuente de Información 280.000 datos de alumnos de 28 países La base de datos con los resultados de la evaluación se puede obtener en el sitio www.pisaweb.acer.edu.au Por la gran cantidad de datos es necesario tratarlos con SPSS por lo que vienen en distintos formatos.

Construcción de la red neuronal Elementos de diseño. Para diseñar los distintos prototipos se trabajó en la modificación de ciertos valores y componentes de la red: Número de capas ocultas: solo dos. Número de neuronas en las capas ocultas: son modificadas en cada prototipo. Función de activación: se van cambiando pues NS cuenta con una variedad de ellas.

Elementos de diseño. Predicción de distintas salidas. Taza de aprendizaje α (step size): se incrementan los pesos en la técnica del gradiente. Técnica de búsqueda del gradiente: se realizarán pruebas con los métodos más comunes de búsqueda, tales como el gradiente simple y el de Momento. Consiguiendo la convergencia de la red en menor número de iteraciones

Análisis y Pruebas

Conclusiones La base de datos con la que se contó fue de gran ayuda para este trabajo El análisis permitió identificar la influencia específica de cada dato del set de entrada, lo que sirvió para categorizar en orden de importancia las variables y enfocar el análisis detallado a los factores que demostraron tener una sensibilidad mayor con respecto a la salida. Los resultados llevaron tras el análisis de sensibilidad a: