Rasgos de personalidad que inciden en la predicción de eficiencia terminal de estudiantes de posgrado

Alicia Martínez-Rebollar; Hugo Estrada-Esquivel; Ernesto Echeverria Ignacio; Ana Luisa Islas Ávila

doi:10.29057/est.v9iEspecial.11796

Alicia Martínez-Rebollar Tecnológico Nacional de México https://orcid.org/0000-0002-1071-8599
Hugo Estrada-Esquivel Tecnológico Nacional de México https://orcid.org/0000-0002-1466-7581
Ernesto Echeverria Ignacio Tecnológico Nacional de México https://orcid.org/0009-0008-4550-7899
Ana Luisa Islas Ávila Tecnológico Nacional de México https://orcid.org/0009-0003-9172-6076

DOI: https://doi.org/10.29057/est.v9iEspecial.11796

Palabras clave: Personalidad, 16FP, modelos, predictivos, eficiencia, terminal

Resumen

La personalidad desempeña un papel fundamental en la eficiencia terminal de los programas de posgrado, y su análisis predictivo puede mejorar significativamente el proceso de selección de estudiantes. Este estudio propone un modelo predictivo basado en la técnica Random Forest que utiliza el cuestionario de personalidad 16PF para anticipar la eficiencia terminal de los estudiantes de maestría en el Centro de Investigación y Desarrollo Tecnológico (CENIDET). La metodología comprende tres etapas: recolección y análisis de datos, pre-procesamiento de datos y modelado. Se desarrollaron experimentos utilizando seis algoritmos de minería de datos y se evaluó su desempeño en métricas como precisión, puntuación F1 y Recall. El algoritmo Random Forest demostró el mejor rendimiento, logrando una precisión del 82.35% en la clasificación de eficiencia terminal. Este modelo predictivo tiene el potencial de apoyar a futuros estudiantes en la toma de decisiones informadas sobre sus programas académicos, al tiempo que aumenta la motivación académica.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Alicia Martínez-Rebollar, Tecnológico Nacional de México

Realizó estudios de licenciatura en el Instituo Tecnológico de Zacatepec. Obtuvo el grado de Maestría en Ciencias Computacionales en el CENIDET y obtuvo el grado de Doctor en Informática por la Universidad Politécnica de Valencia, España y el grado de Doctor en Investigación en Informática y Telecomunicaciones en la Universidad de Trento, Italia. Actualmente es Profesora – Investigadora del Centro Nacional de Investigación y Desarrollo Tecnológico (CENIDET); Miembro del Sistema Nacional de Investigadores del CONACYT (Nivel I) y Miembro Honorífico del Sistema Estatal de Investigadores del Estado de Morelos. Sus áreas de investigación están enfocadas en: Internet de las cosas, abordando temas como Ciudades inteligentes, movilidad, redes sociales; Cómputo afectivo orientado a la salud, detectando padecimientos emocionales a través del aprendizaje máquina e ingeniería de software.

Hugo Estrada-Esquivel, Tecnológico Nacional de México

Hugo Estrada es investigador en el área de ciencias computacionales con un doctorado en Informática por la Universidad Politécnica de Valencia, España y un doctorado en Informática y Telecomunicaciones de la Universidad de Trento, Italia. El Dr. Estrada ha sido investigador en diversos centros en México y Europa, destacando su partipación en el INFOTEC, donde creo y lideró el Laboratorio Nacional de Internet del Futuro, el cual cuenta con una infraestructura abierta de experimentación y comercialización en tecnologías de la siguiente generación de internet.
El Dr. Estrada fue responsable de la implantación, en México, del ecosistema de innovación y emprendimiento abierto FIWARE, la plataforma de internet del futuro impulsada por la Comisión Europea.
El Dr. Estrada fue responsable de la Unidad de Tecnologías de Información y Comunicación del Consejo de Ciencia y Tecnología, CONACYT donde impulsó el uso de nuevas tecnologías de desarrollo continuo para los sistemas del Consejo tales el microservicios, contenedores, servicios REST, etc.
Actualmente es profesor investigador del Departamento de Ciencias Computacionales del Centro Nacional de Investigación y Desarrollo Tecnológico. El Dr. Estrada es autor de más de 130 artículos de investigación y ha desarrollado aplicaciones sobre datos abiertos, movilidad de usuarios de redes sociales, internet de la cosas y análisis de la movilidad vehicular en ciudades.

Citas

Sánchez Gallego, N. J., Gómez Macías, C., & Zambrano Cruz, R. (2011). Revisión sistemática del Cuestionario Factorial de Personalidad (16PF). Pensando Psicología, 7(2), 11–23.

Cattell, H., & Mead, A. (2008). The sixteen personality factor questionnaire (16PF). SAGE Publications Ltd, https://doi.org/10.4135/9781849200479

Torres Viñals, M. (1994). Instrumentos usuales en la evaluación clínica de adultos. Barcelona: autora.

León, F. N. G. (2019). Factores que inciden en la eficiencia terminal del alumno en la escuela de nivel medio Superior de Celaya. http://repositorio.ugto.mx/handle/20.500.12059/3473.

Díaz Contreras, S., & Díaz Reséndiz, F. de J. (2017). Factores de personalidad en estudiantes de psicología en México. Enseñanza e Investigación en Psicología, 22(3), 353-363.

N. Kamal, F. Sarker, M. S. H. Mukta and K. A.Mamun, "Predictive Analysis of the Effects of Personality Traits on an Academic Program," 2020 2nd International Conference on Advanced Information and Communication Technology (ICAICT), Dhaka, Bangladesh, 2020, pp. 168-172, doi: 10.1109/ICAICT51780.2020.9333455

Gallardo L., F. N., Gutierrez C. M., Mandujano, S.E., Arreola R., E. (2019). 3 factores que inciden en la eficiencia terminal del alumno en la escuela de nivel medio Superior de Celaya. Revista Jóvenes en la Ciencia, Vol 5 (2019). ISSN 2395-9797. pp 1-5. http://repositorio.ugto.mx/handle/20.500.12059/3473.

Fiske, D.W. (1949). Consistency of the factorial structures of personality ratings from different sources. Journal of Abnormal and Social Psychology, 44, 329-344..

Boyle, G. John., Matthews, Gerald., & Saklofske, D. H. (2008a). The SAGE handbook of personality theory and assessment. SAGE Publications.

A. L. Samuel, “Some Studies in Machine Learning Using the Game of Checkers,” IBM J. Res. Dev., vol. 3, no. 3, pp. 210–229, Jul. 1959.

M. Kang and N. J. Jameson, “Machine Learning: Fundamentals,” in Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things, M. G. Pecht and M. Kang, Eds. John Wiley & Sons, 2019, pp. 85–109.

Witten, I. H., Frank, E., & Hall, M. A. (2011). Data Mining: practical machine learning tools and techniques. Morgan Kaufmann.