Modelo predictivo de machine learning para el servicio de orientación vocacional hacia los estudiantes de secundaria en la Gerencia Regional de Trabajo y Promoción del Empleo Cusco 2024
Barra lateral del artículo
Contenido principal del artículo
Resumen
Este trabajo de investigación comparó tres modelos predictivos de Machine Learning: Árbol de Decisiones, Redes Neuronales y Regresión Logística, con el objetivo de identificar cuál fue el más adecuado para mejorar el servicio de orientación vocacional dirigido a estudiantes de secundaria. La orientación vocacional ha sido un desafío global, ya que muchos jóvenes no tenían claridad sobre qué carrera seguir, lo que a menudo resultaba en decisiones equivocadas y arrepentimientos posteriores. A través del test vocacional IEPPO, se evaluaron las respuestas de los estudiantes utilizando la metodología KDD. Los modelos fueron entrenados y evaluados utilizando Python, utilizando métricas como exactitud, precisión y recall. Los resultados indicaron que el modelo Árbol de Decisiones fue el más efectivo, alcanzando una exactitud del 99.82%, una precisión del 99.83% y un recall del 99.82%, superando a las Redes Neuronales y la Regresión Logística. Estas conclusiones resaltaron la capacidad del Árbol de Decisiones para mejorar el proceso de orientación vocacional, proporcionando una herramienta precisa y confiable para guiar a los estudiantes en su elección de carrera.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Cuando un autor crea un artículo y lo publica en una revista, los derechos de autor pasan a la revista como parte del acuerdo de publicación. Por lo tanto, la revista se convierte en la dueña de los derechos de reproducción, distribución y venta del artículo. El autor conserva algunos derechos, como el derecho a ser reconocido como el creador del artículo y el derecho a utilizarlo para sus propios fines académicos o de investigación, a menos que se acuerde lo contrario en el contrato de publicación.
Cómo citar
Referencias
T. De León Mendoza y R. Rodríguez Martínez, «El efecto de la orientación vocacional en la elección de carrera,» Revista Mexicana de Orientación Educativa, vol. V, nº 13, p. 7, 2008.
X. F. Erazo Guerra y E. d. R. Rosero Morales, «Orientación vocacional y su influencia en la deserción universitaria,» Horizontes Revista de Investigación en Ciencias de la Educación, vol. V, nº 18, p. 16, 2021. https://doi.org/10.33996/revistahorizontes.v5i18.198
OCDE, «Education at a Glance 2019 OECD Indicators,» Paris, 2019.
Ministerio de Trabajo y Promoción del Empleo Cusco, «Ministerio de Trabajo y Promoción del Empleo Cusco,» 21 Noviembre 2016. [En línea]. Available: https://www2.trabajo.gob.pe/el-ministerio-2/sector-empleo/dir-gen-form-cap-lab/sobre-el-sovio/. [Último acceso: 10 Octubre 2024].
C. OVALLE PAULINO, «Modelo predictivo basado en Machine Learning para la Cadena de Suministro y su influencia en la gestión logística de una empresa de venta de autos,» Revista de la ACM, p. 15, Abril 2022.
E. Franco Delgado y M. Polanco Valenzuela, «Elección de la carrera profesional: modelo predictivo en estudiantes de una universidad privada de Arequipa (Perú),» Revista de Investigación en Psicología, vol. XXVI, nº 2, p. 27, 2023.
https://doi.org/10.15381/rinvp.v26i2.25325
N. Luna Reyes, «Implementación de un sistema de predicción del rendimiento acaddémico de los estudiantes de Ingenieria de Sistemas de la Universidad Jose Maria Arguedas utilizando tecnicas de mineria de datos para la adecuada toma de decisiones.,» UNAJMA, Andahuaylas, 2020.
A. E. Aco Tito, B. O. Hancco Condori y Y. Pérez Vera, «Análisis comparativo de Técnicas de Machine Learning para la predicción de casos de deserción universitaria,» Revista lbérica de Sistemas y Tecnologías de Información, Arequipa, 2023.
J. D. Garcia Dionisio, «Machine learning para predecir el rendimiento académico de los estudiantes universitarios,» Lima, 2021.
D. I. Candia Oviedo, «Predicción del rendimiento académico de los estudiantes de la UNSAAC a partir de sus datos de ingreso utilizando algoritmos de aprendizaje automático,» Cusco, 2019.
H. Caselli Gismondi, «Modelo predictivo basado en Machine Learning como soporte para el seguimiento académico del estudiante universitario,» Chimbote, 2021.
D. Quimbayo, «Agente Inteligente para predecir la elección de carrera de estudiantes de bachiller,» Colombia, 2024.
B. E. Cisneros Bravo, «Algoritmo de Machine Learning y uso de propiedades semánticas para la identificación y sugerencia vocacional,» Estado de Mexico, 2023.
R. A. Leyva Osorio y K. A. Medina Arango, «Sistema de recomendación para vocacion profesional, aplicado a la carrera de ingeniería de sistemas ofrecida en la Unversidad de Cundimarca, extensión facatativa,» Cundinamarca, 2019.
R. Hernández Sampieri, C. Fernández Collado y M. d. P. Baptista Lucio, Metodología de la Investigación, vol. VI, Mexico: INTERAMERICANA EDITORES, 2014.
S. Savalia y V. Emamian, «Clasificación de arritmias cardíacas mediante perceptrones multicapa y redes neuronales convolucionales,» Bioingeniería, vol. V, nº 2, p. 12, 2018.
Y. Pérez Vera, A. E. Aco Tito y B. O. Hancco Condori, «Análisis comparativo de Técnicas de Machine Learning para la predicción de casos de deserción universitaria,» Revista Ibérica de Sistemas y Tecnologias de Informacion, nº 51, p. 15, 30 Setiembre 2023.
C. Arana, «MODELOS DE APRENDIZAJE AUTOMÁTICO MEDIANTE ÁRBOLES DE DECISIÓN,» Buenos Aires, 2021.
M. Domínguez, «Regresión Logística y Técnicas de Aprendizaje. Aplicaciones,» España, 2021.
C. Ruiz y M. Basualdo, «Redes Neuronales: Conceptos Básicos y Aplicaciones,» Buenos Aires, 2001.