TESIS I
BOGOTA D.C.
2015
RESUMEN
En la actualidad los volúmenes de información que contienen las bases de datos han llegado a un tamaño tal que se hace inoficioso y poco práctico realizar el análisis de estos conjuntos de datos de forma manual debida a la gran cantidad de tiempo que tomaría.
Muchas de las aplicaciones de la Minería de Datos han estado orientadas al campo industrial, en donde ha incursionado con bastante éxito en los sectores bursátiles y bancarios; sin embargo también se han ido explorando otras áreas como la salud y la educación aunque no con la misma profundidad.
Es importante resaltar que actualmente se considera que la información toma cada vez más importancia tanto para las organizaciones como para la academia, pues gran parte de sus decisiones y tendencias gira en torno a esta, por esto mismo es importante notar que no basta con tener los datos almacenados en bases de datos, porque estos por si mismos no significaran nada Es allí donde se concentra el enfoque de descubrimiento de conocimiento mediante técnicas de Minería de Datos, ya que dándole un adecuado tratamiento a dichos datos es posible lograr hacer un análisis que permita identificar patrones comportamentales que den lugar importantes descripciones sobre el conjunto general de datos, permitiendo repercutir de manera favorable en un área de investigación en específico como lo es la educación superior en un país como el nuestro.
INTRODUCCIÓN
En la actualidad muchas de las grandes y medianas industrias cuentan con diversos sistemas para almacenar la información relacionada con su operatividad y actividades propias de negocio, sin embargo, muchas de las bases de datos funcionan de manera transaccional, por lo que las empresas solo se limitan a llevar un registro que sustente las operaciones realizadas. Por otra parte se ha venido convirtiendo en una práctica cada vez más común, que dichas empresas estén interesadas en empezar a analizar la información que poseen tanto de las actividades propias de negocio como de sus clientes, esto sin duda alguna trae consigo grandes beneficios, puesto que del análisis y procesamiento que se haga de la información, se podrán soportar las futuras e inmediatas decisiones. Esto permitirá mejorar la calidad de los procesos, aumentar la competitividad de las empresas,
mejorar márgenes de ganancia y disminución de riesgos entre otros (Osorio, 2009).
La industria ha logrado maximizar el uso de la información, ha sabido explotarla a través de los procesos de KDD y las técnicas de minería de datos además ha mostrado que hacer dichos análisis contribuye enormemente y permiten inferir gran cantidad de información que de otra manera no sería posible determinar. La pregunta aquí es: ¿Que hacer con dicho conocimiento?, bueno en el caso de la industria la respuesta siempre tendrá que ver con aspectos que permitan mejorar los ingresos, maximizar ganancias, identificar nichos de mercado y un largo Etc. Por otra parte todos estos mismos privilegios que ha tenido la industria pueden ser explotados también por otras áreas y campos de interés que aportan de manera substancial al ser humano. La educación en nuestro país siempre ha sido un punto álgido en materia de gobierno puesto que como se ha podido observar los resultados obtenidos en las pruebas internacionales, nuestra educación atraviesa una crisis profunda, y es evidente que necesita ser reformada no en lo superficial sino de fondo (Osorio, 2009)..
Las reformas que se hagan sobre la educación superior no pueden ser tomadas a la ligera, es aquí donde juega un papel importante la de minería de datos, ya que si analizamos minuciosamente la información contenida por las pruebas SABER-PRO en bases de datos del ICFES seguramente podremos encontrar referentes que sirvan para tomar las mejores decisiones que permitan mejorar la calidad de educación en nuestro país, identificando fortalezas y debilidades de la mismas además de aportar diferentes perspectivas que permitan el análisis de estas.
JUSTIFICACIÓN
Como es sabido los resultados obtenidos por los estudiantes colombianos en las pruebas tanto para educación media (Pruebas SABER) y educación superior (Pruebas SABER-PRO), no han sido los más satisfactorios. Las razones para determinar el porqué de estos resultados, son bastante difíciles de hallar, ya que existe una cantidad considerable de variables para tener en cuenta, que pueden estar asociadas a la calidad brindada por las instituciones de educación, la preparación de los docentes, e inclusive las mismas capacidades y/o habilidades de los estudiantes.
Pregunta de Investigación:
¿Es posible identificar correlaciones entre las variables y datos que componen el banco de datos de las pruebas Saber Pro, de modo que estos puedan ayudar a descubrir e identificar fortalezas y deficiencias en la calidad académica tanto de las instituciones de educación superior y sus respectivos estudiantes?
Motivación: Convocatorias ICFES de Investigación
Es una convocatoria realizada por el ICFES con el fin de promover el uso de los resultados obtenidos por los estudiantes en las pruebas Saber. Están
convocatorias están dirigidas a estudiantes de Posgrado y grupos de investigación. El ICFES podrá destinar recursos para los proyectos que sean aprobados y adicionalmente brindar asesores que revisen el adecuado desarrollo del proyecto.
Teniendo en cuenta lo anterior, se considera que desarrollar una investigación basándonos en las bases de datos con las que cuenta el ICFES es una gran oportunidad de aportar a la mejora de las pruebas SABER-PRO mediante el análisis de los datos y si adicionalmente se cuenta con el apoyo del ICFES, el proceso de investigación contara con mayor soporte.
OBJETIVOS
Objetivo General
• Analizar y describir de manera cualitativa y cuantitativa los resultados obtenidos por los estudiantes de educación superior en las pruebas de Estado SABER-PRO mediante Mapas Auto-Organizados de Kohonen.
Objetivos Específicos
• Seleccionar, preparar, limpiar y transformar adecuadamente el conjunto de datos que harán parte de la base de datos correspondiente a pruebas de estado SABER-PRO en un rango de tiempo específico de acuerdo a los lineamientos descritos por el ICFES.
• Implementar una Red Neuronal Artificial basada en aprendizaje no supervisado competitivo (Self-Auto-Organizational Maps), que permita descubrir correlaciones o patrones entre los datos de las pruebas de estado SABER-PRO de modo que estos se puedan clasificar mediante clusters.
• Analizar los resultados obtenidos, con el fin de extraer un conocimiento útil que permita identificar patrones relacionados entre los datos.
• Presentar un escrito científico a una revista indexada con el fin de divulgar y socializar los resultados obtenidos con el fin de generar un análisis de dichas pruebas y/o posibles soluciones frente a las especificaciones de esta con respecto a la realidad socioeconómica y educativa del país.
METODOLOGÍA
Una vez se tenga acceso a las bases de datos en el servidor ftp del ICFES y a su diccionario de datos; se procederá a modelar y construir el respectivo modelo y esquema de datos necesarios para poder consultar y manipular la información adecuadamente. Posteriormente mediante procesos de limpieza se trataran los datos con el fin de detectar fuentes de ruido para evitar que se trunque el proceso de minería de datos.
Una vez que haya finalizado el proceso de limpieza se procederá con la trasformación de los datos para posteriormente ser analizados a través de la red neuronal artificial (RNA). En la fase final de acuerdo a los resultados obtenidos por RNA, se espera poder obtener las respectivas correlaciones entre datos con el fin de hacer el respectivo análisis cualitativo y cuantitativo de la información. Para organizar el proceso de descubrimiento de conocimiento se han divido las tareas por fases, de manera que sean más fáciles de realizar y conservar un orden lógico entre ellos a medida que avanza el proceso, mediante las siguientes fases:
Fase Preliminar: Se solicitara el acceso a las bases de datos del ICFES,
posteriormente se efectuara un barrido general que permita tener una perspectiva sobre los datos que han sido suministrados, luego se analizara el diccionario de la base de datos, y se procederá a identificar los objetivos del proceso con el fin de delimitar el conjunto de información relevante para el estudio detallado. Una vez se tengan recopilados todos los datos y se haya definido un esquema de modelamiento de datos, lo siguiente es realizar la escogencia de las herramientas y/o software con los cuales se trabajara; además se procederá a la respectiva configuración del ambiente donde se trabajara.
información pertinente determinado por el alcance y los objetivos especificos, y de ser necesario realizar el tratamiento adecuado para los datos. Adicionalmente se recopilara el material bibliográfico acorde para preparar el marco teórico del documento de tesis, así como también se empezará a trabajar en la documentación de todo el proceso realizado hasta esta fase.
Fase de Desarrollo: Una vez esté constituido el esquema de datos que se
trabajara (tablas, cubos, archivos planos etc.) se procederá a realizar la respectiva limpieza de los datos donde se intentara anular las posibles fuentes de ruido en los datos, posteriormente se evaluaran detalladamente las posibles trasformaciones necesarias para tratar la información y se procederá a modelar una RNA basada en aprendizaje no supervisado competitivo, que permitirá determinar el análisis cuantitativo de la información mediante el análisis de los Mapas Auto-Organizados (SOM) obtenidos.
Fase de Implementación y cierre: Una vez que haya sido implementada la
RNA y se hayan obtenido los Mapas Auto-Organizados, se procederá a evaluar e interpretar los resultados obtenidos y los patrones encontrados, con el fin de poder concluir exitosamente el proceso de extracción de conocimiento útil. De cada una de las fases anteriores se sacaran las respectivas conclusiones en torno a los resultados obtenidos, y se terminara la elaboración de los documentos y demás entregables.