Un modelo conceptual para el análisis del desempeño académico de los estudiantes de cálculo I en la UNAB
DOI:
https://doi.org/10.26507/rei.v6n12.129Keywords:
rendimiento académico, análisis discriminante, datos de panel, estrategias de aprendizaje, deficiencias pedagógicas y didácticasAbstract
Los cursos de matemáticas en distintas universidades presentan tasas de fracasos que originan deserción estudiantil de los programas de ingenierías. La Universidad Autónoma de Bucaramanga (UNAB) no es ajena al problema discutido y en aras de encontrar posibles soluciones o mejorar los procesos de enseñanza - aprendizaje, el presente trabajo obtiene un conjunto de factores predictivos que ayudan a explicar el rendimiento académico de los estudiantes de Cálculo I, mediante el empleo de técnicas del análisis multivariante (análisis discriminante y modelos de datos de panel). La relación profesor-alumno, estrategias de aprendizaje, relación estudiante-asignatura y entorno familiar, son estudiados como posibles factores determinantes en el rendimiento académico, medido a través de la nota definitiva obtenida en dos momentos del tiempo para los estudiantes que cursan la asignatura. Los resultados sirven como insumos a la UNAB y a otras Instituciones de Educación Superior para implementar estrategias que mejoren los indicadores existentes sobre la mortalidad estudiantil.
Downloads
References
Alfan, E. y Othman, M. (2005). Undergraduate students performance: The case of University of Malaya. Quality assurance in education, Vol.13, No. 4, pp. 329-343.
Alvarado, J. y García J., M.V. (1997). Incidencia de la asistencia a clase, del trabajo efectivo y de factores individuales sobre el rendimiento académico. V Congreso de Metodología, Sevilla, España.
Anderson, J. (2006). Predicting final GPA O Graduate school students: comparing artificial neural network and simultaneous multiple regression, College and University Journal, Vol.81, No. 4, pp. 19.
Castejón, J. L., Navas, L. y Sampascual, G. (1993). Investigación sobre la eficacia de centros de en¬señanza secundaria. Un modelo de identificación y funcionamiento. Revista de Educación, No. 301, pp. 221-244.
Diggle,P., Liang, L-K., Zeger, S.L. (1996). Analysis of longitudinal data. Oxford Statiscal Series, pp. 167.
García Ll., J.L. (1986). El análisis discriminante y su utili¬zación en la predicción del rendimiento académico. Revista en Educación, No. 280, pp. 229-252.
Halaby, C. (2004). Panel model in sociological research: Theory into practice. Annual review of sociology, No 30, pp. 507-544.
Ma, X. (2005). Growth in mathematical achievement. Analysis with classifications and regression trees. The Journal of Educational Research, Vol. 99, No. o 2, November-December, pp. 78-86.
García, Marcelo; Villarín M., M y Bermejo C., B. (1987). Contextualización del rendimiento en bachillerato. Revista de Educación, No. 282, pp. 267-283.
Trefftz, A., Restrepo, J., Esteban, P.E., Jiménez, A. M., Giraldo, F.D., Rojas, L.C., Restrepo, A., Giraldo, A.A., Peñaloza, C., Peláez, D.A. y Lamprea, J.A. (2009). Ambientes virtuales colaborativos en cursos de matemáticas para ingenierías soportados por redes de alta velocidad, Revista Educación en Ingeniería No. 8, Diciembre pp.13-25.
Wilson, R.L., Hardgrave, B.C. (1995). Predicting graduate student success in an MBA program: Regression versus classification. Educational and Psychological Measurement, No 55, pp. 186-195.
Downloads
Published
How to Cite
Issue
Section
License
Total or partial reproduction of the documents published in the journal is authorized only when the source and author are cited.
Article metrics | |
---|---|
Abstract views | |
Galley vies | |
PDF Views | |
HTML views | |
Other views |