1. Repositorio Institucional UAQ
  2. Tesis
  3. Facultad de Contaduría y Administración
  4. Maestría
  5. Maestría en Gestión e Innovación Pública
Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/12443
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttps://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorJose Fernando Vasco Leales_ES
dc.creatorJavier Sosa Francoes_ES
dc.date.accessioned2026-01-12T18:01:14Z-
dc.date.available2026-01-12T18:01:14Z-
dc.date.issued2025-11-04-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/12443-
dc.descriptionLa presente investigación tiene como objetivo proponer un modelo predictivo fundamentado en la ciencia de datos y la inteligencia artificial, que permita identificar de manera anticipada estudiantes que estén en riesgo de reprobar tercer grado de secundaria general en el estado de Querétaro. Esta problemática educativa se aborda desde una perspectiva analítica, considerando que la reprobación escolar impacta negativamente otros indicadores clave como la eficiencia terminal, la deserción y el rezago educativo. La metodología empleada se basó en el enfoque CRISP–DM, que permitió estructurar el análisis en fases bien definidas: compresión de la institución, comprensión de los datos, preparación de los datos, modelado, evaluación y despliegue. Se trabajó con un conjunto de datos históricos proporcionado por la USEBEQ, que incluyó registros académicos de primero y segundo grado de secundaria, datos institucionales, demográficos y variables complementarias. Como parte del tratamiento previo a la modelación, se aplicaron técnicas de ingeniería de características, balanceo mediante SMOTE, codificación de variables categóricas, selección de variables por relevancia estadística (SelectBest), escalado de características y validación cruzada estratificada. Se evaluaron múltiples algoritmos de clasificación supervisada, entre ellos, regresión logística, Random Forests, XGBoost, LightGBM, redes neuronales (Keras y Scikit–learn), así como un algoritmo de ensamble. Los modelos fueron comparados a partir de métricas centradas en la detección efectiva de la clase minoritaria (reprobación), entre las que se incluyeron: F1–score, precision, recall, MCC (Matthews Correlation Coefficient), coeficiente de Kappa, exactitud balanceada (Balanced Accuracy), área bajo la curva ROC (ROC–AUC), área bajo la curva precisión–recall (PR–AUC), mejora relativa frente al azar y una puntuación compuesta tipo WSM (Weighted Sum Model). El modelo seleccionado fue LightGBM por presentar un desempeño destacado en sus métricas, manteniendo un balance adecuado entre sensibilidad y especificidad. Estos resultados sugieren que LightGBM es una alternativa robusta y eficiente para identificar estudiantes en riesgo y apoyar decisiones pedagógicas oportunas. El modelo puede ser integrado como una herramienta de análisis institucional de la USEBEQ para diseñar intervenciones preventivas y focalizadas que contribuyan a mejorar los indicadores de permanencia y logro educativo.es_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (179 páginas)es_ES
dc.format.mediumcomputadoraes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autonoma de Querétaroes_ES
dc.relation.requiresSies_ES
dc.rightsopenAccesses_ES
dc.subjectAprendizaje automáticoes_ES
dc.subjectCiencia de datoses_ES
dc.subjectLightGBMes_ES
dc.subjectPolíticas públicas preventivases_ES
dc.subjectPredicción escolares_ES
dc.subject.classificationCIENCIAS SOCIALESes_ES
dc.titleCiencia de Datos e AI: Análisis del indicador de reprobación en Educación Secundaria Generales_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificador0009-0002-9889-1333es_ES
dc.contributor.identificador0000-0003-2503-1332es_ES
dc.contributor.roleDirector de tesises_ES
dc.degree.nameMaestría en Gestión e Innovación Públicaes_ES
dc.degree.departmentFacultad de Contaduría y Administracióníaes_ES
dc.degree.levelMaestríaes_ES
dc.format.supportrecurso en líneaes_ES
dc.matricula.creator95255es_ES
dc.folioCAMAN-95255es_ES
Aparece en: Maestría en Gestión e Innovación Pública

Archivos:
Fichero Descripción Tamaño Formato  
CAMAN-95255.pdf4.08 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.