Revista Amazónica de Ciencias Básicas y Aplicadas
Vol. 1 Núm. 2: e190 (2022)
https://doi.org/10.55873/racba.v1i1.190
e-ISSN: 2810-8736
Universidad Nacional Amazónica de Madre de Dios
Artículo original / Original article
Cómo citar / Citation: Holgado-Apaza, L. A., Ulloa-Gallardo, N. J., Vílchez-Navarro, Y. & Quispe Barra, D. R. (2022).
Técnicas supervisadas de minería de datos para el análisis del rendimiento académico de estudiantes universitarios en
la Amazonia peruana. Revista Amazónica de Ciencias Básicas y Aplicadas, 1(2), e190.
https://doi.org/10.55873/racba.v1i1.190
Técnicas supervisadas de minería de datos para el análisis del
rendimiento académico de estudiantes universitarios en la Amazonia
peruana
Supervised data mining techniques for the analysis of academic
performance of university students in the Peruvian Amazon
Luis Alberto Holgado-Apaza 1* ; Nelly Jacqueline Ulloa-Gallardo 1 ; Yban Vílchez-
Navarro 1; Diego Raúl Quispe-Barra 1
1Universidad Nacional Amazónica de Madre de
Dios, Puerto Maldonado, Perú
Recibido: 08/04/2022
Aceptado: 21/06/2022
Publicado: 25/07/2022
*Autor de correspondencia: nulloa@unamad.edu.pe
Resumen: El presente estudio tuvo como propósito identificar la técnica supervisada de minería
de datos con mejor desempeño para el análisis del rendimiento académico de estudiantes
universitarios. Se optó por el diseño no experimental de corte transversal. El conjunto de datos
inicial para los experimentos estuvo conformado por 17771 registros de procesos académicos, tras
el preprocesamiento se obtuvo un conjunto de datos final de 17035 registros. La metodología de
minería de datos empleada fue Knowledge Discovery in Databases (KDD). Se emplearon las
técnicas de regresión logística binaria, Classification and Regression Trees (CART), C4.5,
Máquinas de soporte vectorial, K-vecinos más cercanos. Los resultados demuestran que el
algoritmo C5.0 obtiene una exactitud del 93%, área bajo la curva (AUC) del 0,98 y un tiempo de
entrenamiento de 0,87 segundos, resultando ser el más eficiente en relación con los demás
algoritmos comparados.
Palabras clave: algoritmos supervisados; aprendizaje automático; KDD; rendimiento académico;
técnicas predictivas
Abstract: The purpose of this study was to identify the supervised data mining technique with
the best performance for the analysis of the academic performance of university students. The
non-experimental cross-sectional design was chosen. The initial data set for the experiments
consisted of 17,771 records of academic processes, after preprocessing a final data set of 17,035
records was obtained. The data mining methodology used was Knowledge Discovery in
Databases (KDD). Binary logistic regression techniques, Classification and Regression Trees
(CART), C4.5, Support Vector Machines, K-nearest neighbors were used. The results show that
the C5.0 algorithm obtains an accuracy of 93%, an area under the curve (AUC) of 0.98 and a
training time of 0.87 seconds, turning out to be the most efficient in relation to the other
algorithms compared.
Keywords: machine learning; supervised algorithms; KDD; academic performance; predictive
techniques
Técnicas supervisadas de minería de datos para el análisis del rendimiento académico … 2
Rev. Amaz. Cienc. Básicas. Apli. 1(2): e190 (2022). e-ISSN: 2810-8736
1. Introducción
El rendimiento académico ha sido por décadas un tema de estudio, actualmente constituye uno
de los temas importantes y trascendentales en la investigación educativa que haciendo uso de las
herramientas y técnicas tradicionales será difícil comprenderlos y analizarlo en su real magnitud,
en este sentido es necesario un análisis empleando técnicas cercanas al aprendizaje automático y
minería de datos (Cano Celestino & Robles Rivera, 2018). En relación a ello Norabuena Penadillo
(2011), manifiesta que en una sociedad de la información como la que estamos atravesando, uno
de los grandes desafíos de la educación en todos sus niveles, es transformar la gran cantidad de
información disponible en conocimiento con fines de mejorar la toma de decisiones.
La minería de datos se define como el conjunto de técnicas y tecnologías que permiten explorar
grandes bases de datos, de forma automática o semiautomática, con el objetivo de encontrar
patrones, tendencias o reglas repetitivas que expliquen el comportamiento de los datos en un
contexto dado (Enke & Thawornwong, 2005; Trakunphutthirak & Lee, 2022; Khor, 2022).
La minería de datos en el sector educativo o minería de datos educativos es un tema emergente
debido a la gran cantidad de datos que se generan diariamente en las instituciones de educación
básica y superior públicas o privadas de cualquier país. La minería de datos educativos se centra
en el descubrimiento de conocimientos de todas las bases de datos educativas generadas por
individuos y grupos de individuos apoyados en marcos institucionales (Lemay et al., 2021; Nabil
et al., 2022). Los últimos avances en la minería de datos permiten la extracción de conocimiento
con fines de mejorar la calidad del proceso educativo (Asif et al., 2017).
Según Han et al. (2012) las técnicas de minería de datos se clasifican en: técnicas predictivas o
supervisadas y técnicas descriptivas. Los algoritmos predictivos o supervisados permiten
predecir el valor de un atributo (etiqueta) de un conjunto de datos, conociendo otros atributos
(atributos descriptivos). A partir de los datos cuya etiqueta se conoce, se obtiene una relación
entre esa etiqueta y otro conjunto de atributos (Han et al., 2012).
Estas relaciones se utilizan para hacer la predicción en datos cuya etiqueta se desconoce. Según
Rosado Gómez & Verjel Ibáñez (2015) las técnicas predictivas tienen las tareas de clasificación y
regresión. Las tareas de regresión buscan obtener un modelo que permita predecir el valor
numérico de alguna variable, mientras que la tarea de clasificación tiene una respuesta categórica
(Valcárcel Asencios, 2014). Las técnicas supervisadas o predictivas incluyen los métodos de
Análisis de Regresión Logística, Redes Neuronales Artificiales, Árboles de Decisión, Bootstrap,
Bagging, CART, Random Forest, C5.0 y Support Vector Machines.
Por otro lado, en las técnicas no supervisadas o descriptivas no se asigna un objetivo
predeterminado a las variables. Se supone que no existen variables dependientes o
independientes, ni se supone la existencia de un modelo previo para los datos. Los modelos se
crean automáticamente a partir del reconocimiento de patrones. Esta técnica incluye métodos de
agrupamiento y segmentación, métodos de asociación y reducción de dimensiones y escalado
multidimensional. Tanto las técnicas predictivas como las descriptivas se centran en el
descubrimiento de conocimiento integrado en los datos.
El rendimiento de los estudiantes es una parte esencial en las instituciones de enseñanza superior,
esto se debe a que uno de los criterios de una universidad de alta calidad se basa en su excelente
historial de logros académicos (Shahiri et al., 2015). En este contexto el análisis y estudio del
rendimiento académico mediante técnicas de minería de datos en centros de educación superior
cobra importancia, con fines de entender de mejor manera el rendimiento académico y poder
valorar la calidad de los aprendizajes, como lo afirma Cano Celestino & Robles Rivera (2018)
textualmente: “el rendimiento académico constituye un indicador importante a la hora de valorar
la calidad educativa en la educación superior”. La minería de datos y el campo de la educación
se combinan en lo que se denomina minería de datos educativos, que ayuda a identificar las
características y la información de los estudiantes (Amjad et al., 2022). Asimismo, la minería de
datos es una de las técnicas más populares para analizar el rendimiento de los estudiantes. Así,
Holgado-Apaza et al 3
Rev. Amaz. Cienc. Básicas. Apli. 1(2): e190; ene-jun, 2022. e-ISSN: 2810-8736
se denomina minería de datos educativos. La minería de datos educativos es un proceso utilizado
para extraer información útil y patrones de una enorme base de datos educativa. La información
y los patrones útiles pueden utilizarse para predecir el rendimiento de los alumnos. Como
resultado, ayudaría a los educadores a proporcionar un enfoque de enseñanza eficaz (Shahiri et
al., 2015).
El presente estudio propone la identificación de la técnica supervisada de minería de datos que
brinda mejor desempeño para el análisis del rendimiento académico de estudiantes
universitarios, de una universidad peruana. El objetivo del presente estudio fue identificar la
técnica supervisada de minería de datos con mejor desempeño para el análisis del rendimiento
académico de estudiantes de la Universidad Nacional Amazónica de Madre de Dios, Amazonía
peruana.
2. Materiales y métodos
Para el logro del objetivo planteado se empleó una adaptación de la metodología denominada
Knowledge Discovery in Databases (KDD), propuesta por Brodley et al. (1999), las fases de la
metodología propuesta en el presente estudio muestran en la Figura 1:
Figura 1. Metodología empleada para la aplicación de técnicas supervisadas de minería de datos
en el análisis del rendimiento académico
Fase de selección de datos. La selección de los datos se realizó con la con la ayuda del personal
autorizado de la Dirección Universitaria de Asuntos Académicos de la Universidad Nacional
Amazónica de Madre de Dios, siendo resultado de ello un reporte de datos anonimizados en
formato Excel 2016, correspondiente al periodo semestral (2001-I y 2019-II). Anonimizar los datos
implica convertir los datos de forma que no se pueda identificar a los individuos. El conjunto de
conjunto de datos original estuvo conformado por 17771 filas y 22 columnas. La Tabla 1 muestra
la descripción de las variables del conjunto de datos.
Tabla 1. Descripción de campos del conjunto de datos a analizar
Columna
Formato
inicial
Descripción
id
Carácter
Número correlativo para cada registro.
sexo
Carácter
Sexo del estudiante, (0: Femenino, 1: Masculino)
ubigeo_departamento
Carácter
Código de ubicación geográfica del departamento
de procedencia del estudiante.
ubigeo_provincia
Carácter
Código de ubicación geográfica de la provincia de
procedencia del estudiante.
ubigeo_distrito
Carácter
Código de ubicación geográfica del distrito de
procedencia del estudiante.
edad_ingreso
Carácter
Edad de ingreso a la carrera del estudiante.
deudor
Carácter
Deuda con la universidad (0: No posee deuda, 1:
Posee deuda).
codigo_carrera
Carácter
Código de carrera al que pertenece el estudiante.
gestion_colegio
Carácter
Gestión del colegio de egreso del estudiante.
modalidad
Carácter
Modalidad del colegio de egreso del estudiante.
Técnicas supervisadas de minería de datos para el análisis del rendimiento académico … 4
Rev. Amaz. Cienc. Básicas. Apli. 1(2): e190 (2022). e-ISSN: 2810-8736
escuela_ubigeo_departamento
Carácter
Código de ubicación geográfica-departamento de la
escuela de egreso del estudiante.
escuela_ubigeo_provincia
Carácter
Código de ubicación geográfica-provincia de la
escuela de egreso del estudiante.
escuela_ubigeo_distrito
Carácter
Código de ubicación geográfica-distrito de la
escuela de egreso del estudiante.
codigo_modalidad_ingreso
Carácter
Código de modalidad de ingreso a la universidad.
modalidad_ingreso
Carácter
Modalidad de ingreso a la universidad.
tipo_matricula
Carácter
Tipo de matrícula.
cant_creditos_matriculados
Carácter
Cantidad de créditos matriculados.
cant_creditos_desaprobados
Carácter
Cantidad de créditos aprobados.
cant_creditos_aprobados
Carácter
Cantidad de créditos aprobados.
promedio_acumulado
Carácter
Promedio ponderado acumulado.
Fase de exploración de datos. En esta fase se realizó un primer acercamiento al conjunto de datos,
para entender la naturaleza de los datos. El resumen del conjunto de datos se muestra en la Tabla
2, en esta se detalla la cantidad de filas, columnas, cantidad de variables por tipo, así como la
completitud del conjunto de datos.
Tabla 2. Resumen del conjunto de datos
Nombre
Valor
Filas
17,771
Columnas
19
Columnas discretas
14
Columnas continuas
5
Todas las columnas que faltan
0
Observaciones faltantes
0
Filas completas
17,771
Observaciones totales
337,649
Asignación de memoria
2,7 Mb
El resumen del conjunto de datos muestra que no existen valores faltantes en ninguna de las
variables. A continuación, se procedió con establecer el tipo de datos adecuado a cada variable
del conjunto de datos. Obsérvese los resultados de esta tarea:
Figura 2. Resumen de las variables del conjunto de datos
Holgado-Apaza et al 5
Rev. Amaz. Cienc. Básicas. Apli. 1(2): e190; ene-jun, 2022. e-ISSN: 2810-8736
Como última tarea de esta fase se procede a verificar la distribución, simetría y normalidad de
los datos, los gráficos de histograma y densidad de las variables numéricas, este procedimiento
se realiza con la finalidad de verificar el grado de simetría o asimetría de las mismas
Carbono orgánico en el suelo.
Fase limpieza de datos. Dado que el conjunto de datos posee variables categóricas y numéricas,
se procede a verificar la existencia de valores atípicos en las variables numéricas. La Figura 3
muestra los diagramas de cajas y bigotes de esta tarea.
Figura 3. Distribución de las variables numéricas
(a) Edad de ingreso.
(b) Cantidad de créditos acumulados.
(c) Edad de ingreso por género.
En la Figura 3, se puede observar valores atípicos y algunos valores con errores al momento de
la digitación, lo que nos indica que se debe eliminar estos valores para mejorar el rendimiento de
los algoritmos de predicción que se emplearán.
Para corregir esto se aplicó a cada una de estas variables la imputación por los valores de los
percentiles 5 y 95, se debe aclarar que se consideró valor extremo aquellos que están por encima
de (Q3+1,5 x IQR) o por debajo de (Q1-1,5 x IQR), siendo Q1 y Q3 los cuartiles 1 y 3
respectivamente (IQR= Q3-Q1). Tras la limpieza de los valores atípicos el conjunto de datos se
redujo a 17035 registros.
Como última tarea de esta fase se realizó la estandarización de variables mediante la combinación
de las transformaciones ‘scale’ y ‘center’, mediante este proceso los atributos numéricos
obtendrán un valor medio de 0 y una desviación estándar de 1, método center resta la media de
los valores, mientras que scale divide los valores por la desviación estándar. Luego de esta tarea
Técnicas supervisadas de minería de datos para el análisis del rendimiento académico … 6
Rev. Amaz. Cienc. Básicas. Apli. 1(2): e190 (2022). e-ISSN: 2810-8736
se obtiene la vista minable con 17,035 filas y un total de 14 columnas que se muestra en la Figura
4.
Figura 4. Conjunto de datos preprocesado
Fase de exploración de datos. Esta fase se inicia con la verificación del balance de la variable
objetivo “aprueba”, este procedimiento es importante para ver si el conjunto de datos se
encuentra balanceada.
Figura 5. Distribución de Estudiantes de acuerdo con la variable objetivo
De acuerdo con la Figura 5 se observa que la variable objetivo o variable de clase “aprueba”, se
encuentra relativamente balanceada, por lo que no será necesario ejecutar alguna técnica de
balanceo.
Una segunda tarea en esta fase fue dividir el conjunto de datos para el entrenamiento y prueba
de los modelos, para los experimentos del presente estudio se consideró un 70% de los datos para
el entrenamiento y un 30% para las pruebas. Obteniendo 11924 filas para el entrenamiento y 5111
filas para la prueba de los modelos.
Para la obtención de los modelos de minería de datos se emplearon los algoritmos de regresión
logística binaria (GLM), árbol de decisión CART, árbol de decisión C5.0, máquina de vector de
soporte (SVM), k vecinos más cercanos (KNN).
Holgado-Apaza et al 7
Rev. Amaz. Cienc. Básicas. Apli. 1(2): e190; ene-jun, 2022. e-ISSN: 2810-8736
3. Resultados y discusión
Los resultados experimentales de la aplicación de las técnicas supervisadas de minería de datos
para el análisis del rendimiento académico se obtienen del conjunto de datos de prueba.
La Tabla 3 muestra la matriz de confusión, exactitud y coeficiente de Kappa obtenidos por cada
uno de los algoritmos de aprendizaje supervisado.
Tabla 3. Métrica de matriz de confusión de los modelos empleados
Predicción
Exactitud
Kappa de Cohen
1
0
GLM
Observación
1
2796
129
91%
82%
0
313
1873
CART
Observación
1
2632
293
91%
81%
0
177
2009
C5.0
Observación
1
2733
192
93%
85%
0
173
2013
SVM
Observación
1
2797
128
91%
82%
0
324
1862
KNN
Observación
1
2659
266
85%
69%
0
494
1692
En la Tabla 3, se observa que el algoritmo de árbol de decisión C5.0 obtiene una exactitud o
porcentaje de aciertos del 93%, un coeficiente de kappa del 0,85 siendo estos los más altos en
comparación a los demás algoritmos, un valor del coeficiente de kappa del 0,85 de acuerdo con
(Landis & Koch, 1977) , este valor indica una concordancia casi perfecta entre la clasificación real
y la clasificación predicha por el modelo de construido por el algoritmo C5.0.
Estos resultados superan a los reportados por Yağcı (2022) donde los algoritmos de Random
Forest y Redes Neuronales obtienen solo un 74,6% de exactitud y un área bajo la curva ROC AUC
de 0,860 y 0,863 respectivamente en la predicción del rendimiento académico de estudiantes.
La Figura 6 muestra las gráficas de las áreas bajo la curva ROC, para cada uno de los modelos
construidos en el conjunto de datos de prueba.
En la Figura 6c se observa la curva ROC correspondiente al modelo C5.0, obtiene un área bajo la
curva ROC (AUC) de 0,9797 siendo este el valor más alto en comparación a los demás modelos,
esto indica que la capacidad discriminativa del modelo de árbol de decisión C5.0 para las clases
aprobado y desaprobado es muy bueno, afirmamos ello de acuerdo con la escala de valoración
propuesta por Roig et al. (2017).
Técnicas supervisadas de minería de datos para el análisis del rendimiento académico … 8
Rev. Amaz. Cienc. Básicas. Apli. 1(2): e190 (2022). e-ISSN: 2810-8736
Figura 6. Área bajo la curva ROC de los modelos empleados
(a) GLM
(b) CART
(c) C5.0
(d) SVM
(e) KNN
La Tabla 4, muestra las métricas obtenidas por los algoritmos en el conjunto de datos de prueba,
las dos últimas columnas muestran el tiempo en segundos consumido en CPU. Los resultados
demuestran que el algoritmo de árbol de decisión C5.0 obtuvo una exactitud del 93% y un valor
de coeficiente de kappa del 0,85 siendo los más altos en comparación de los demás algoritmos.
Similares resultados reportan (Agaoglu, 2016), en la predicción del rendimiento de los profesores
de educación superior, donde el mencionado algoritmo obtiene un valor exactitud del 92,3%,
superando a algoritmos como: CART, máquina de soporte vectorial, redes neuronales y análisis
discriminante. En otro estudio presentado por Shanmugarajeshwari & Lawrance (2016), donde
realizan el análisis del desempeño estudiantil mediante técnicas de clasificación, el algoritmo C5.0
obtiene una exactitud del 100%. Finalmente, Sathe & Adamuthe (2021), concluyen que en la
predicción del rendimiento académico los algoritmo de Random forest y C5.0 son mejores que
J48, CART, Naive Bayes, K vecinos más cercanos y máquinas de soporte vectorial, obteniendo así
exactitudes del 99,75% y 98,49% respectivamente.
En relación al área bajo la curva ROC (AUC), los valores obtenidos son similares a los obtenidos
por los algoritmos de máquina de soporte vectorial y regresión logística. Finalmente, aunque el
algoritmo C5.0 no posee los tiempos mínimos en la fase en la etapa de entrenamiento y predicción
estos valores son aceptables y estables en ambas etapas.
Tabla 4. Métricas obtenidas en el conjunto de datos de prueba
Algoritmo
Accuracy
Kappa
AUC
Tiempo CPU en segundos
Entrenamiento
Tiempo CPU en segundos
Predicción
LR
91%
0,82
0,972
2,86
0,04
CART
91%
0,81
0,942
0,38
0,05
C5.0
93%
0,85
0,98
0,87
0,37
SVM
91%
0,82
0,978
24,96
2,97
KNN
85%
0,69
0,914
0,07
40,36
Holgado-Apaza et al 9
Rev. Amaz. Cienc. Básicas. Apli. 1(2): e190; ene-jun, 2022. e-ISSN: 2810-8736
4. Conclusiones
Al comparar el desempeño de las técnicas supervisadas de minería de datos para el análisis del
rendimiento académico de los estudiantes universitarios, se logró identificar al algoritmo C5.0
como el más eficiente, obteniendo una exactitud del 93%, AUC del 0,9797 y un tiempo de
entrenamiento de 0,87 segundos.
Financiamiento
La presente investigación fue financiada por la Universidad Nacional Amazónica de Madre de
Dios, aprobada mediante Resolución Nº 247-2019-UNAMAD-VRI.
Conflicto de intereses
Los autores declaran que no incurren en conflicto de intereses.
Contribución de autores
H-A, L.: Metodología, análisis formal, investigación, escritura (preparación del borrador final).
U-G, N. J. y Q-B, D. R.: Conceptualización, investigación, escritura (revisión y edición).
U-G, N. J. y V-N, Y.: Curación de datos, visualización.
Referencias bibliográficas
Agaoglu, M. (2016). Predicting Instructor Performance Using Data Mining Techniques in
Higher Education. IEEE Access, 4, 2379–2387.
https://doi.org/10.1109/ACCESS.2016.2568756
Amjad, S., Younas, M., Anwar, M., Shaheen, Q., Shiraz, M., & Gani, A. (2022). Data Mining
Techniques to Analyze the Impact of Social Media on Academic Performance of High
School Students. Wireless Communications and Mobile Computing, 2022, 1–11.
https://doi.org/10.1155/2022/9299115
Asif, R., Merceron, A., Ali, S. A., & Haider, N. G. (2017). Analyzing undergraduate students’
performance using educational data mining. Computers & Education, 113, 177–194.
https://doi.org/10.1016/j.compedu.2017.05.007
Brodley, C., Lane, T., & Stough, T. (1999). Knowledge Discovery and Data Mining. American
Scientist, 87(1), 54. https://doi.org/10.1511/1999.16.807
Cano Celestino, M. A., & Robles Rivera, R. (2018). Factores asociados al rendimiento académico
en estudiantes universitarios. Revista Mexicana de Orientación Educativa, 1–25.
https://doi.org/10.31206/rmdo072018
Enke, D., & Thawornwong, S. (2005). The use of data mining and neural networks for
forecasting stock market returns. Expert Systems with Applications, 29(4), 927–940.
https://doi.org/10.1016/j.eswa.2005.06.024
Han, J., Kamber, M., & Pe, J. (2012). Data Mining: Concepts and Techniques (3rd ed.). Elsevier.
https://doi.org/10.1016/C2009-0-61819-5
Khor, E. T. (2022). A data mining approach using machine learning algorithms for early
detection of low-performing students. The International Journal of Information and Learning
Technology, 39(2), 122–132. https://doi.org/10.1108/IJILT-09-2021-0144
Landis, J. R., & Koch, G. G. (1977). An Application of Hierarchical Kappa-type Statistics in the
Técnicas supervisadas de minería de datos para el análisis del rendimiento académico … 10
Rev. Amaz. Cienc. Básicas. Apli. 1(2): e190 (2022). e-ISSN: 2810-8736
Assessment of Majority Agreement among Multiple Observers. Biometrics, 33(2), 363.
https://doi.org/10.2307/2529786
Lemay, D. J., Baek, C., & Doleck, T. (2021). Comparison of learning analytics and educational
data mining: A topic modeling approach. Computers and Education: Artificial Intelligence, 2,
100016. https://doi.org/10.1016/j.caeai.2021.100016
Nabil, A., Seyam, M., & Elfetouh, A. A. (2022). Predicting students’ academic performance
using machine learning techniques: a literature review. International Journal of Business
Intelligence and Data Mining, 20(4), 456. https://doi.org/10.1504/IJBIDM.2022.123214
Norabuena Penadillo, R. M. (2011). Relación entre el aprendizaje autorregulado y rendimiento
académico en estudiantes de enfermería y obstetricia de la Universidad Nacional " Santiago
Antúnez de Mayolo " - Huaraz [Universidad Nacional Mayor de San Marcos].
https://hdl.handle.net/20.500.12672/2904
Roig, J. G., Roma, J. C., Minguillón, J., & Caihuelas Quiles, R. (2017). Minería de datos modelos y
algoritmos (1st ed.). Editorial UOC.
Rosado Gómez, A. A., & Verjel Ibáñez, A. (2015). Minería de datos aplicada a la demanda del
transporte aéreo en Ocaña, Norte de Santander. Revista Tecnura, 19(45), 101.
https://doi.org/10.14483/udistrital.jour.tecnura.2015.3.a08
Sathe, M. T., & Adamuthe, A. C. (2021). Comparative Study of Supervised Algorithms for
Prediction of Students’ Performance. International Journal of Modern Education and Computer
Science, 13(1), 1–21. https://doi.org/10.5815/ijmecs.2021.01.01
Shahiri, A. M., Husain, W., & Rashid, N. A. (2015). A Review on Predicting Student’s
Performance Using Data Mining Techniques. Procedia Computer Science, 72, 414–422.
https://doi.org/10.1016/j.procs.2015.12.157
Shanmugarajeshwari, V., & Lawrance, R. (2016). Analysis of students’ performance evaluation
using classification techniques. 2016 International Conference on Computing Technologies and
Intelligent Data Engineering (ICCTIDE’16), 1–7.
https://doi.org/10.1109/ICCTIDE.2016.7725375
Trakunphutthirak, R., & Lee, V. C. S. (2022). Application of Educational Data Mining Approach
for Student Academic Performance Prediction Using Progressive Temporal Data. Journal of
Educational Computing Research, 60(3), 742–776.
https://doi.org/10.1177/07356331211048777
Valcárcel Asencios, V. (2014). Data Mining y el descubrimiento del conocimiento. Industrial
Data, 7(2), 083. https://doi.org/10.15381/idata.v7i2.6140
Yağcı, M. (2022). Educational data mining: prediction of students’ academic performance using
machine learning algorithms. Smart Learning Environments, 9(1), 11.
https://doi.org/10.1186/s40561-022-00192-z
