Machine learning predictive model for vocational guidance service for high school students in the Regional Management of Labor and Employment Promotion Cusco 2024
Article Sidebar
Main Article Content
Abstract
This research work compared three predictive Machine Learning models: Decision Tree, Neural Networks and Logistic Regression, with the objective of identifying which one was the most suitable to improve the vocational guidance service aimed at high school students. Vocational guidance has been a global challenge, as many young people were unclear about what career to pursue, often resulting in wrong decisions and later regrets. Through the IEPPO vocational test, students' responses were assessed using KDD methodology. The models were trained and evaluated using Python, using metrics such as accuracy, precision, and recall. The results indicated that the Decision Tree model was the most effective, achieving an accuracy of 99.82%, precision of 99.83% and recall of 99.82%, outperforming Neural Networks and Logistic Regression. These findings highlighted the ability of the Decision Tree to improve the vocational guidance process, providing an accurate and reliable tool to guide students in their career choice.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
When an author creates an article and publishes it in a journal, the copyright passes to the journal as part of the publishing agreement. Therefore, the journal becomes the owner of the rights to reproduce, distribute and sell the article. The author retains some rights, such as the right to be recognized as the creator of the article and the right to use the article for his or her own scholarly or research purposes, unless otherwise agreed in the publication agreement.
How to Cite
References
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.