Buscador :
Volver al Menú
| : /
Vote:
Resultados:
0 Votos
NOVIEMBRE 2026 - Volumen: 101 - Páginas: 517-524
¿Le interesa este artículo? Puede comprar el artículo a través de la plataforma de pago de PayPal o tarjeta de crédito (VISA, MasterCard,...) por 20 €.
Con el rápido desarrollo de la investigación en educación inteligente, la predicción del rendimiento académico basada en datos de calificaciones correspondientes a múltiples periodos se ha convertido en un área de interés científico. Para abordar las dificultades de los métodos tradicionales a la hora de capturar dependencias a largo plazo y características no lineales complejas, así como sus limitaciones en cuanto a precisión predictiva y capacidad de generalización en condiciones de muestras pequeñas, este estudio propone un modelo híbrido de predicción que integra LSTM, SVM y Transformer. El modelo combina la capacidad de LSTM para modelar series temporales, la capacidad de Transformer para extraer características mediante mecanismos de autoatención y la capacidad de SVM para realizar regresiones no lineales, con el objetivo de mejorar la precisión y la estabilidad de las predicciones. Se utilizaron como muestras las calificaciones de cuatro exámenes de una asignatura de Estadística impartida en una universidad. Los conjuntos de entrenamiento, validación y prueba se dividieron en una proporción de 8:1:1. En la fase posterior, se introdujeron algoritmos de optimización bayesiana y de optimización por enjambre de partículas para ajustar los hiperparámetros. Se comparó el modelo LSTM+SVM+Transformer con modelos individuales —LSTM, SVM y Transformer— y con otros modelos híbridos, concretamente LSTM+Transformer, SVM+Transformer y LSTM+SVM. Los resultados experimentales muestran que el modelo propuesto supera a los demás métodos en términos de precisión predictiva y robustez. Además, se utilizó el análisis SHAP para evaluar la interpretabilidad del modelo. Los resultados indican que las calificaciones de los exámenes más recientes son las que más contribuyen a la predicción de las calificaciones finales, lo que proporciona una base cuantitativa para diseñar intervenciones docentes personalizadas y fundamentar la toma de decisiones en la gestión educativa. Palabras clave: Predicción del rendimiento académico basada en series temporales; memoria a largo y corto plazo (LSTM); Transformer; máquina de vectores de soporte (SVM).
Compártenos:
© Revista de Ingeniería Dyna 2025 - UK Zhende Publishing Limited
Dirección: Unit 7 Wilsons Business Park, Manchester M40 8WN United Kingdom
Email: office@revistadyna.com
Regístrese en un paso con su email y podrá personalizar sus preferencias mediante su perfil
Nombre: *
Apellido 1: *
Apellido 2:
Email: *