Sistema para la detección temprana de anomalías en la evaluación usando técnicas de aprendizaje automático

Abstract

Uno de procesos más importantes en casi todos los modelos de enseñanza universitaria es la evaluación. Los criterios que se establecen en una asignatura orientan la forma en la que se obtiene la calificación final del alumno. Por este motivo es importante realizar un seguimiento continuado del aprendizaje del estudiante y de sus calificaciones, permitiendo de este modo la detección de anomalías para proceder con una intervención inmediata que permita corregir la situación. Normalmente, en los primeros cursos universitarios el número de alumnos es elevado, lo que redunda en el detrimento del seguimiento que se le puede realizar a los estudiantes por parte del profesor. En este trabajo se propone un sistema para predecir la calificación de un estudiante en una determinada actividad, de forma que se notifique al profesor cuando la calificación real se aleje suficientemente del valor predicho. Para esto se ha realizado un estudio de 24 algoritmos de inteligencia artificial, seleccionando finalmente los más adecuados para el caso de estudio realizado. Los resultados experimentales muestran la utilidad del método propuesto y cómo los algoritmos basados en máquinas de vectores soporte o los de aumentado de gradiente extremo son los que mejores resultados obtienen.

One of the most important processes in almost all university education models is evaluation. The criteria established in a subject guide how the student’s final grade is obtained. Therefore, it is important to continuously monitor the student’s learning process and grades, thus allowing the detection of anomalies to proceed with an immediate intervention to correct the situation. Typically, the first university courses have a high number of students, which is detrimental to the tracking that can be done by the teacher. In this paper, we propose an approach to predict the next grade of a student in a certain activity, so that the teacher is notified in case the actual grade is different enough from the predicted one. To this end, an experimental study of 24 artificial intelligence algorithms, selecting the most suitable ones for our case of study. The experimental results show the goodness of the proposed approach, and that the algorithms based on support vector machines or those of extreme gradient augmentation are the ones that best fit the considered data.