Universidad Nacional de Cajamarca

Facultad de Ingeniería
Escuela Académico Profesional de Ingeniería de Sistemas

DISEÑO E IMPLEMENTACIÓN DE UNA RED NEURONAL ARTIFICIAL PARA

PREDECIR EL RENDIMIENTO ACADÉMICO EN ESTUDIANTES DE INGENIERÍA
DE SISTEMAS DE LA UNIVERSIDAD NACIONAL DE Cajamarca

AUTORES:

 Fernández Sangay Jhon Freddy

 Guevara Marín Jhosmer
 Rodríguez Guevara Imer

ASIGNATURA:

 SISTEMAS INTELIGENTES

DOCENTE:

 Ing. AZAHUANCHE OLIVA MANUEL ROBERTO

Octubre del 2021

Cajamarca, Perú
 DISEÑO E IMPLEMENTACIÓN DE UNA RED NEURONAL ARTIFICIAL PARA
PREDECIR EL RENDIMIENTO ACADÉMICO EN ESTUDIANTES DE INGENIERÍA
DE SISTEMAS DE LA UNIVERSIDAD NACIONAL DE Cajamarca
Contenido
I. Problema de investigación...................................................................................................5
a. Planteamiento del problema............................................................................................5
b. Justificación e importancia de la investigación.................................................................5
c. Delimitación de la investigación.......................................................................................6
d. Objetivos de la investigación............................................................................................6
II. Marco teórico.......................................................................................................................6
a. Marco legal.......................................................................................................................6
b. Antecedentes de la investigación o marco referencial.....................................................6
c. Marco doctrinal................................................................................................................7
d. Marco conceptual.............................................................................................................7
e. Definición de términos básicos.......................................................................................10
Bibliografía.................................................................................................................................11
Introducción

La educación universitaria en el siglo XXI se ha caracterizado por fomentar el logro de competencias

en los estudiantes, en este sentido el rendimiento académico es la evaluación cuantitativa y
cualitativa del logro de competencias expresados finalmente en una escala vigesimal en el sistema de
evaluación de la Universidad Nacional de Cajamarca. Toda universidad ya sea pública o privada se
enfrentará a problemas en el ámbito de calidad en la educación, rendimiento académico, entre otros.
Por lo cual su mayor reto es poder mejorar el nivel académico de sus estudiantes.

El logro o no de las competencias en los estudiantes está influenciado por diversos factores de orden
emocional, cognitivo y socio cultural quienes intervienen positivamente o negativamente en el
rendimiento académico de los estudiantes. Por ejemplo, si existe un bajo rendimiento puede llevar a
la desaprobación de los cursos; una manera de enfrentar este problema, es contar con información
oportuna sobre el desempeño académico de los alumnos matriculados en los cursos al inicio de un
semestre [ CITATION Ces16 \l 10250 ].

Las RNAs es una de las herramientas que ofrece la inteligencia artificial (IA), muy potente y efectiva
para el pronóstico de eventos y fenómenos, a lo largo de las décadas se ha evidenciado un
incremento significativo de investigaciones en el campo de la educación que involucren redes
neuronales artificiales como herramienta para dar solución a problemas que acechan la formación
académica de los estudiantes [ CITATION Inc21 \l 10250 ]

Con todo lo antes mencionado, esta investigación brinda la información de un modelo de red
neuronal que permita predecir los resultados académicos de un estudiante antes de culminar el
semestre académico, con la finalidad de que tanto el estudiante como el docente utilicen técnicas y
estrategias para mejorar los posibles resultados que se puedan obtener.
PLAN DE INVESTIGACION

I. Problema de investigación

a. Planteamiento del problema

La Universidad Nacional de Cajamarca actualmente se encuentra en el puesto 50 de las
mejores universidades del Perú [ CITATION Est21 \l 10250 ] , esto quiere decir que el
rendimiento académico ha disminuido considerablemente en los últimos años a comparación
de otras universidades. El sistema educativo peruano se enfoca en 10 perfiles para el
desarrollo de los estudiantes, pero sin conocer estrictamente la situación por la que atraviesan
en un ámbito personal o familiar En algunas instituciones educativas se realizan pruebas
psicológicas a estudiantes que tienen un bajo rendimiento académico de forma posteriori, es
decir; luego de conocer el rendimiento que tuvo a lo largo de un periodo, tomando recién el
interés por los factores que influyen en su bajo rendimiento [ CITATION Rod17 \l 10250 ]

Si las instituciones conocieran de antemano el desempeño que tendrán los estudiantes en un

determinado periodo, podrían intervenir para conocer mas a fondo los factores que están
influenciando a que el estudiante tenga un bajo nivel académico, con el fin de mejorar el
desempeño y rendimiento académico del estudiante.

b. Justificación e importancia de la investigación

El presente trabajo de investigación tiene como finalidad el poder predecir el rendimiento
académico de un estudiante universitario mediante una red neuronal, ya que éstos se ven
influenciados por diferentes factores, que están ligados a características socioculturales y
culturales, afectando así el desempeño del estudiante y que se vera reflejado en su formación
profesional una vez finalizado su trayectoria universitaria. Es por ello que se realiza este
trabajo de investigación ya que nos ayudara a mejorar la calidad de formación de los
estudiantes universitarios, identificando tempranamente los elementos de riesgo y
permitiéndonos así la implementación oportuna de acciones correctivas a nivel educativo.

c. Delimitación de la investigación
El presente trabajo de investigación se realizará a los estudiantes de la carrera de ingeniera de
Sistemas de la universidad Nacional de Cajamarca durante el presente ciclo 2021 – I.
 d. Objetivos de la investigación
Objetivo Principal:

Demostrar que mediante el uso de las redes neuronales se puede predecir el rendimiento
académico de los estudiantes de la Universidad Nacional de Cajamarca, especialmente a los
estudiantes de la carrera de Ingeniería de Sistemas.

Objetivos Específicos:

Diseñar un modelo red neuronal que permita predecir el rendimiento académico de los
estudiantes de la facultad de Ingeniera de Sistemas, en base a los datos socioeducativos
disponibles.

Establecer los diferentes factores que influyen en el rendimiento académico de los estudiantes
de la facultad de Ingeniera de Sistemas.

II. Marco teórico

a. Marco legal
LEY N° 30220: También llamada Ley Universitaria tiene como objetivo: “La presente Ley tiene
por objeto normar la creación, funcionamiento, supervisión y cierre de las universidades.
Promueve el mejoramiento continuo de la calidad educativa de las instituciones universitarias
como entes fundamentales del desarrollo nacional, de la investigación y de la cultura.
Asimismo, establece los principios, fines y funciones que rigen el modelo institucional de la
universidad. El Ministerio de Educación es el ente rector de la política de aseguramiento de la
calidad de la educación superior universitaria.”

b. Antecedentes de la investigación o marco referencial

En la tesis “Predicción de rendimiento académico mediante redes neuronales”, presentado por
Zevallos Salazar Rodolfo J. en el año 2017 en Lima, tuvo como objetivo la creación la creación
de una red neuronal para predecir el rendimiento académico de los estudiantes del nivel
primario del distrito de Ventanilla, analizado los factores que influyen, estos factores fueron
clasificados en 2(factores alterables y factores no alterables). Se tomaron en cuenta 33 de un
total de 47 factores. Se utilizo el perceptrón multicapa con algoritmo de aprendizaje de
resilient backpropagation y función de activación la tangente hiperbólica. Se tuvo como
 resultado un 2% de error absoluto en el entrenamiento y un grado de validez de un 84%
[ CITATION Rod17 \l 10250 ]

Los estudiantes son el activo más esencial para cualquier instituto educativo. El desarrollo
social y económico del país está directamente relacionado con el rendimiento académico de
los estudiantes[ CITATION Ash19 \l 10250 ]

La investigación “Redes Neuronales para predecir el rendimiento académico de los alumnos

ingresantes a la carrera de bioquímica de la FACENAUNNE (Argentina) en función de sus
conocimientos matemáticos previos” de los autores Barreto, López, Ramirez Arballo, Porcel, &
Mata (2012) desarrollan modelos RNA para analizar la incidencia de los conocimientos
matemáticos previos de los alumnos ingresando a la carrera de bioquímica, donde se
analizaron los datos del estado académico de los alumnos y de sus conocimientos
matemáticos previos, siendo obtenidos a partir de una evaluación diagnostica al inicio del
curso de nivelación de los ingresantes. Se diseñaron modelos de RNA de tipo perceptrón
multicapa (PM) y función de base radial (FBR). Siendo variable independiente el número de
ítems correctos en cada contenido del diagnóstico. Y el rendimiento académico una variable
dependiente la cual se midió en cada modelo con una variable dicotómica que toma el valor
de 0 o 1, si el alumno aprobó los exámenes parciales respecto a los cursos de algebra y
geometría analítica. Los modelos PM y FBR permitieron obtener porcentajes de clasificación
correcto total del 81,3 % y 78,8 % respectivamente. [ CITATION Sil12 \l 10250 ]

c. Marco doctrinal
La Teoría de Sistemas o también llamada Teoría General de Sistemas, es el estudio
interdisciplinario de los sistemas en general, o sea que abarcan distintas disciplinas. Esta teoría
surge con los trabajos en biología de Ludwing von Bertalanffy entre 1950 y 1968, basándose en
los estudios realizados por Charles Darwin y Norbert Wiener. Para el “equipo editorial Etecé”
de Argetina, en su publicación: Concepto de teoría de sistemas Su principal propósito es
identificar los diversos elementos y tendencias identificables y reconocibles de los sistemas, o
sea, de cualquier entidad claramente definida, cuyas partes presentan interrelaciones e
 interdependencias, y cuya suma es mayor que la suma de sus partes. Esto quiere decir que,
para tener un sistema, debemos poder identificar las partes que lo componen y entre ellas
debe haber una relación tal, que al modificar una se modifican también las demás, generando
patrones de comportamiento predecibles [ CITATION Equ21 \l 3082 ]

d. Marco conceptual
Rendimiento académico: El rendimiento académico es la evaluación del conocimiento
adquirido en el ámbito escolar, terciario o universitario. Un estudiante con buen rendimiento
académico es aquel que obtiene calificaciones positivas en los exámenes que debe rendir a lo
largo de un periodo. En otras palabras, el rendimiento académico es una medida de las
capacidades del estudiante, que expresa lo que este ha aprendido a lo largo del proceso
formativo. También supone la capacidad del estudiante para responder a los estímulos
educativos. En tal sentido, e] rendimiento académico esté vinculado a la aptitud [ CITATION
Rod17 \l 10250 ]

REDES NEURONALES BIOLÓGICAS: Son el principal elemento del Sistema Nervioso. Las redes
neuronales biológicas están compuestas por un gran número de elementos llamados
neuronas. Una neurona es una célula compuesta por cuerpo, un número de extensiones
llamadas dendritas, que sirven de entradas, y una larga extensión llamada axón que actúa
como salida. La sinapsis conecta el axón de una neurona a las dendritas de las otras neuronas.
Las neuronas están dispuestas en capas. En general las neuronas de una capa reciben entradas
desde otra capa y envían sus salidas a neuronas de una tercera. Dependiendo de la aplicación
también es posible que las neuronas de una capa reciban entradas y provean salidas a
neuronas de la misma capa.

Las conexiones entre neuronas tienen pesos asociados que representan la influencia de una
sobre la otra. Si dos neuronas no están conectadas, el correspondiente peso de enlace es cero.
Esencialmente, cada una envía su información de estado multiplicado por el correspondiente
peso a todas las neuronas conectadas con ella. Luego cada una, a su vez, suma los valores
recibidos desde sus dendritas para actualizar sus estados respectivos.
Se emplea normalmente un conjunto de ejemplos representativos de la transformación
deseada para "entrenar" el sistema, que, a su vez, se adapta para producir las salidas deseadas
cuando se lo evalúa con las entradas "aprendidas".

Las redes neuronales artificiales se basan en el circuito de procesamiento de entradas en el

cual los pesos son sumados. Las funciones de peso serán llamadas desde ahora como
atenuadores. En la implementación, las entradas a una neurona son pesadas multiplicando el
valor de la entrada por un factor que es menor o igual a uno. El valor de los factores de peso es
determinado por el algoritmo de aprendizaje. Las entradas atenuadas son sumadas usando
una función no lineal llamada Función "Sigmoid". Si la salida de la función suma excede el valor
de entrada máximo de la neurona, esta responde generando una salida. [CITATION Ing01 \l
3082 ]

Red neuronal Artificial: Las redes neuronales artificiales (ANN) imitan su funcionamiento a
aquellas que se encuentran en el ámbito biológico. Son aptas para resolver problemas que no
poseen un algoritmo claramente definido para transformar una entrada en una salida;
aprenden, reconocen y aplican relaciones entre objetos.[CITATION Ing01 \l 3082 ]

Se emplea normalmente un conjunto de ejemplos representativos de la transformación

deseada para "entrenar" el sistema, que, a su vez, se adapta para producir las salidas deseadas
cuando se lo evalúa con las entradas "aprendidas".[CITATION Ing01 \l 3082 ]

Las redes neuronales artificiales se basan en el circuito de procesamiento de entradas en el

cual los pesos son sumados. Las funciones de peso serán llamadas desde ahora como
atenuadores. Las entradas atenuadas son sumadas usando una función no lineal llamada
Función "Sigmoid". Si la salida de la función suma excede el valor de entrada máximo de la
neurona, esta responde generando una salida.[CITATION Ing01 \l 3082 ]
 En la figura podemos ver un modelo en capas de una red neuronal artificial, que consiste de un
conjunto de neuronas. Cada neurona tiene varias entradas y su salida está conectada a un
conjunto de otros procesadores de entradas. Cuando una ANN funciona en modo normal, a
partir de los datos presentados en la entrada, se genera un patrón específico de salida. La
relación Entrada/Salida será determinada durante el modo entrenamiento, entonces cuando
una entrada conocida es presentada da la salida esperada. El algoritmo de entrenamiento
ajusta los pesos de las entradas hasta que se alcanza la salida esperada.

Las neuronas en la figura tienen una leve complejidad computacional, porque solo se
comunican con las neuronas más cercanas conectándose de forma simple. Por las
características y capacidades que ofrece la tecnología VLSI es posible (en costos) construir una
Red Neuronal con muchos procesadores.[CITATION Ing01 \l 3082 ]

 
 e. Definición de términos básicos
Perceptrón: El Perceptrón es la rede neuronal artificial más simple y la primera en aparecer a finales de los
años cincuenta. Fue inventado por el psicólogo Frank Rosenblatt. Surgió en el intento de ilustrar algunas de las
propiedades fundamentales de los sistemas inteligentes en general, sin entrar en demasía en ciertas
condiciones especiales, y muchas veces desconocidas, que son válidas para organismos biológicos
concretos[ CITATION Rod17 \l 10250 ]
Bibliografía

[1] C. H. M. Chiok, «Predicción del rendimiento académico aplicando técnicas de minería de datos,»
Universidad Nacional Agraria La Molina, Lima-Perú, 2016.

[2] F. A. Incio Flores, D. L. Capuñay Sanchez, R. O. Estela Urbina, J. A. Delgado Soto y S. E. Vergara Medrano,
«Diseño e implementación de una red neuronal artificial para predecir el rendimiento académico en
estudiantes de ingeniería civil de la unifslb,» ISSN Edición Online, Perú, 2021.

[3] E. Perú, «Estudia Perú,» 15 Agosto 2021. [En línea]. Available: https://estudiaperu.pe/mejores-
universidades-peru/ranking-estudiaperu/. [Último acceso: 10 Octubre 2021].

[4] R. J. Z. Salazar, «Predicción del rendimiento académico mediante redes neuronales,» Universidad Nacional
del Callao, Lima, 2017.

[5] A. J. Z. Valderrama, Reconocimiento de patrones de deserción de estudiantes universitarios basados en

modelos de clasificaci'on, Arequipa, 2019.

[6] M. V. L. M. G. R. A. E. A. P. Silvia E. Barreto, Redes Neuronales para predecir el rendimiento, Corrientes.

Argentina., 2012.

[7] E. Equipo Editorial, Teoría de sistemas, Argetina: Etecé, 2021.

[8] J. Ing. Rosales Fernandez, Redes Neuronales, Lima: Universidad Nacional Federico Villarreal, 2001.