Regresión lineal usada en el análisis del Rendimiento Académico

 Marco Teórico en Educación: Evaluación de Rendimiento Académico

La evaluación del rendimiento académico en entornos educativos es un tema crítico para comprender y mejorar la calidad de la educación. Se abordan diversos aspectos, incluidos factores que podrían influir en el desempeño de los estudiantes. Entre estos factores, la asistencia a clases, la presentación de tareas y la edad se destacan como variables que pueden estar correlacionadas con el rendimiento estudiantil. A través de modelos de aprendizaje supervisado, como la regresión lineal, podemos explorar y cuantificar estas relaciones para obtener información valiosa.

1. Explicación del Algoritmo de Regresión Lineal:

La regresión lineal es un método estadístico que busca modelar la relación lineal entre una variable dependiente (la que queremos predecir) y una o más variables independientes (predictores). En el contexto educativo, podemos usar la regresión lineal para entender cómo las variables como la asistencia, la presentación de tareas y la edad pueden afectar las calificaciones de los estudiantes.

El modelo de regresión lineal se expresa matemáticamente como:

$�={�}_0+{�}_1{�}_1+{�}_2{�}_2+\dots +{�}_{�}{�}_{�}+�$

Donde:

• $�$ es la variable dependiente (calificación del estudiante).
• ${�}_0$ es la intersección (constante).
• ${�}_1,{�}_2,\dots ,{�}_{�}$ son los coeficientes que representan la relación entre $�$ y ${�}_1,{�}_2,\dots ,{�}_{�}$ respectivamente.
• $�$ es el término de error.

2. Ejemplo Práctico con Datos Reales: Predicción de Calificaciones:

Supongamos que tenemos un conjunto de datos reales que incluye calificaciones de estudiantes de psicología en el curso de metodología de investigación, así como datos sobre su asistencia, presentación de tareas y edad. Utilizaremos este conjunto de datos para construir un modelo de regresión lineal.

# Importar bibliotecas necesarias
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn import metrics
import matplotlib.pyplot as plt

# Cargar datos
data = pd.read_csv("datos_psicologia.csv")

# Dividir datos en conjunto de entrenamiento y prueba
X = data[['Asistencia', 'Presentacion_Tareas', 'Edad']]
y = data['Calificaciones']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Crear modelo de regresión lineal
model = LinearRegression()
model.fit(X_train, y_train)

# Hacer predicciones en el conjunto de prueba
y_pred = model.predict(X_test)

# Visualizar resultados
plt.scatter(y_test, y_pred)
plt.xlabel("Calificaciones reales")
plt.ylabel("Calificaciones predichas")
plt.title("Evaluación del Modelo de Regresión Lineal")
plt.show()

# Evaluar el rendimiento del modelo
print('Error absoluto medio:', metrics.mean_absolute_error(y_test, y_pred))
print('Error cuadrático medio:', metrics.mean_squared_error(y_test, y_pred))
print('Raíz del error cuadrático medio:', np.sqrt(metrics.mean_squared_error(y_test, y_pred)))
3. Análisis de Resultados y Evaluación del Modelo:
La visualización de dispersión permite observar la relación entre las calificaciones reales y las predicciones del modelo.
Los indicadores de rendimiento, como el error absoluto medio y el error cuadrático medio, proporcionan métricas cuantitativas sobre la precisión del modelo.
Conclusión:
Este modelo de regresión lineal proporciona una herramienta valiosa para comprender cómo la asistencia, la presentación de tareas y la edad pueden influir en las calificaciones de los estudiantes de psicología en el curso de metodología de investigación. Además, permite realizar predicciones sobre las calificaciones futuras en función de estos factores, ofreciendo una base para intervenciones educativas personalizadas. Este enfoque ilustra cómo el aprendizaje supervisado puede aplicarse en el ámbito educativo para mejorar la comprensión y el rendimiento de los estudiantes.