Educación

URI permanente para esta comunidadhttp://54.81.141.168/handle/123456789/177940

ISSN: 1019-9403
e-ISSN: 2304-4322

Educación es la revista académica del Departamento Académico de Educación de la Pontificia Universidad Católica del Perú que tiene como objetivo difundir la producción científica en el campo de la educación a través de artículos y ensayos originales e inéditos, y reseñas. Los artículos muestran los resultados de la investigación empírica, de estudios de intervención evaluativa, de diagnóstico, de innovación pedagógica o revisiones de la literatura, que -a través de una metodología rigurosa- aporten al conocimiento en educación. Los ensayos explican y argumentan sobre temas específicos de la educación de manera reflexiva y analítica. Finalmente las reseñas comentan y analizan una publicación en formato libro, editado en los últimos tres años.

Educación es un espacio para el intercambio de ideas y la difusión nacional e internacional sobre temas educativos entre académicos y un público interesado, buscando contribuir a la mejora de la calidad educativa.

Explorar

Filtros

20241

Ajustes

Autorsearch.filters.applied.operator.equals: search.filters.author.Caldas, JosuéTemasearch.filters.applied.operator.equals: search.filters.subject.Educación Superior

Resultados de búsqueda

Mostrando 1 - 1 de 1
  • No hay miniatura disponible
    ÍtemTexto completo enlazado
    Prediciendo el rendimiento académico de estudiantes de pregrado en una universidad destacada de Perú: Una aproximación con herramientas de Machine Learning
    (Pontificia Universidad Católica del Perú, 2024-04-15) Salas, Fabio; Caldas, Josué
    Despite improved higher education accessibility in low and middle-income countries (LMICs), challenges persist in student drop-out, especially for socio-economically disadvantaged students. While machine learning models have enhanced our understanding of this challenge by predicting academic performance, many studies overlook LMIC-specific institutional factors or focus on specific courses, limiting their generalizability and policy uses. To address these issues, the authors compiled a comprehensive database using administrative and census data to predict undergraduate academic performance at the Pontifical Catholic University of Peru (PUCP). The study found that the most effective models were tree-based ensembles, particularly Random Forest, with key predictors including prior secondary school performance and university admission test scores. They present a high-performing model using only ten features that can predict future academic performance and potentially aid in reducing student drop-out at PUCP.