Aspirantes a una institución de educación superior. Caracterización mediante Árboles
Palabras clave:
árboles, ingreso universitario, educación superior, mineríaResumen
La toma de decisiones en las Instituciones de Educación Superior (IES) requiere de información que soporte la generación de políticas y la planeación de estrategias. En la gestión académica, específicamente para el área de ingreso, el aporte de las técnicas de minería de datos a las herramientas estadísticas convencionales resulta enriquecedor pues amplía el análisis y proporciona una visión más comprensiva para las actividades del sector.
Con el propósito de suministrar información estratégica para un área relevante del quehacer institucional como es el ingreso a la universidad, foco de atención en los últimos tiempos, se implementa una técnica de minería de datos, un modelo de agrupamiento con la detección de características significativas, a través del uso de árboles.
La aplicación del modelo se realiza sobre los datos de los aspirantes al Ingreso 2006 de la Facultad de Ciencias Económicas y Sociales (FCEyS) de la Universidad Nacional de Mar del Plata (UNMDP), inscriptos para las carreras de Contador Público (CP), Licenciatura en Administración (LA), Licenciatura en Economía (LE) y Licenciatura en Turismo (LT), correspondientes al plan de estudios 2005.
Descargas
Referencias
Breiman, L.; Firedman, J. H.; Olshen, R. A.; y Stone, C. J. (1984). Classification and regression trees. Monterrey, CA: Wadsworth and Brooks-Cole. 358 p.
Kass, G. V. (1980). An exploratory technique for investigating large quantities of categorical data. Applied Statistics, 29(2), 119-127.
Fayyad, U.; Piatetsky-Shaphiro, G.; Smyth, P.; y Uthurusamy, R., Eds. (1996). Advances in knowledge discovery and data mining. Cambridge, MA: MIT Press, 661 p.
García de Fanelli, A. M. (2005). Indicadores y estrategias en relación con la graduación y el abandono universitario. In: La agenda universitaria: propuestas de políticas públicas para la Argentina. En: C. Marquís, comp. Escuela de Educación Superior (pp. 65-89). Universidad de Palermo.
Luan, J. (2001). Data Mining as Driven by Knowledge Management in Higher Education. Persistence Clustering And Prediction. In: Key note for SPSS Public Conference , UCSF. http://www.cabrillo.edu/services/pro/oir_reports/UCSFpaper.pdf
Orallo, J. H.; Ramírez Quintana, M. J.; Ferri Ramírez, C. (2004). Introducción a la minería de datos. Madrid: Pearson Educación.680 p.
Quinlan, J. R. (1979). Discovering rules by induction from large collection of examples. In: Expert Systems in the Microelectronic Age, pp. 168-201. Edinburgh University Press.
Quinlan, J. R. (1993). C4.5: Programs for machine learning. San Mateo: Morgan Kauffman Publishers, 302 p.
SPSS. (2001). The SPSS C&RT Component: A decision tree component enabling more effective classification and prediction of target variables. White Paper Technical Report. http://www.spss.com/downloads/Papers.cfm?List=all&Name=all
SPSS. (1999). Answer Tree Algorithm Summary. White Paper Technical Report. http://www.spss.com/downloads/Papers.cfm?List=all&Name=all
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2006 Universidad Nacional de Mar del Plata. Facultad de Ciencias Económicas y Sociales
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
