Page 53 - FGDP revista FEGLININ
P. 53

© FEGLININ                                                                                            ISSN 2594-2298

   | Año 8, No 32, enero - marzo 2025 |




                      •  ¿Cómo se pueden predecir los resultados de los estudiantes en función de sus características?
                  Entendimiento de los Datos

                  Los  datos  se  recopilaron  mediante  un  cuestionario  electrónico  diseñado  específicamente  para
                  recolectar información sobre:

                         •      Hábitos de estudio: Tiempo dedicado a actividades académicas.
                         •      Horas de sueño: Promedio diario.
                         •      Uso de redes sociales: Horas diarias invertidas.
                         •      Niveles de estrés: Autoevaluación en una escala definida.
                         •      Participación en clase: Frecuencia de participación activa.
                         •      Apoyo familiar: Presencia o ausencia de apoyo.
                         •      Recursos económicos: Autoevaluación en una escala definida
                  Preparación de los Datos
                      Se desarrolló un programa en Python para procesar los datos recopilados. Este programa realizó
                      las siguientes tareas:
                      •  Importación de los datos desde el archivo CSV.
                      •  Limpieza y preprocesamiento para asegurar la calidad de los datos.
                      •  Transformación  de  variables  categóricas  mediante  codificación  (Label  Encoding)  y
                         estandarización de datos numéricos utilizando herramientas como StandardScaler.
                  Esta etapa incluyó los siguientes pasos:

                      1.  Limpieza de datos:
                             o  Eliminación de registros incompletos.
                             o  Corrección de valores atípicos y errores tipográficos.
                      2.  Transformación de datos:
                             o  Codificación de variables categóricas (e.g., Apoyo Familiar: Sí/No).
                             o  Estandarización de variables numéricas como Horas de Sueño y Nivel de Estrés.
                      3.  División de datos:
                             o  Separación en conjuntos de entrenamiento (70%) y prueba (30%) para modelado y
                                evaluación.
                  Análisis Estadístico Descriptivo
                  Se llevó a cabo un análisis estadístico para identificar patrones significativos:
                  Horas de estudio: Este aspecto evalúa el tiempo que los estudiantes dedican al estudio fuera de las
                  clases impartidas diariamente en las aulas véase figura 1.  Los resultados muestran que el 51.7% de
                  los estudiantes no dedican tiempo al estudio, el 3.1% estudia 1 hora, el 21.3% estudia 2 horas, el
                  11.6% dedica 3 horas y el 12.3% invierte 4 horas en sus estudios diarios. Estos datos reflejan una
                  tendencia preocupante, ya que más de la mitad de los estudiantes (51.7%) no estudian fuera del aula,
                  lo cual podría estar relacionado con el bajo rendimiento académico.










                                                Figura 1. Horas de Estudio Fuera de clases.




                                                                                                        Prefijo DOI: 10.70417

  Pág.   53
   48   49   50   51   52   53   54   55   56   57   58