ENVÍO ARTÍCULOS SUSCRIPCIÓN

  • googleplus
  • facebook
  • twitter
  • linkedin
  • linkedin

REVISTA DE INGENIERIA DYNA REVISTA DE INGENIERIA DYNA

  • Saltar al menú
  • Saltar al contenido
  • Publicaciones DYNA
    • DYNA
    • DYNA Energía y Sostenibilidad
    • DYNA Management
    • DYNA New Technologies
  • Revista
    • La Revista y sus Órganos
      • Consejo de Redacción
      • Consejo Asesor o Científico
    • Historia
    • Misión-Visión-Valores
    • Resultado de encuestas anuales
    • Preguntas frecuentes (FAQs)
    • Difusión e Indexación
    • Se dice de DYNA...
    • Colaborar con DYNA
    • Enlaces de interés en Ingeniería
      • Entidades amigas
      • Entidades colaboradoras
      • Asociaciones y Colegios
      • Otras revistas de ingeniería
      • Otros enlaces de interés
  • Autores y Evaluadores
    • Directrices, normas e impresos
    • Difusión e Indexación
    • Cómo colaborar con DYNA
  • Artículos
    • Búsqueda
    • Volúmenes y ejemplares
    • Cuadernos DYNA monográficos
    • Los más descargados último año
    • Envío de artículos
    • Contenido próximo ejemplar
    • Trabajos monográficos
  • Noticias
    • Noticias y Topic Collections
    • e-Boletines
    • Reseña de libros
    • Reseñas de Software
  • Blogs y Comunidad
    • Foros
    • Cómo colaborar
  • Suscribirse
    • Darse de alta en la web
    • Tipos de suscripciones
  • Anunciarse
    • Público y formatos publicitarios
    • Tarifas publicidad
    • Contenido de próximo ejemplar
    • e-Boletines
  • Contacto
    • Como contactar
  • Buscar
    • En esta revista
  • Alta en Web
    • Aviso legal
    • Politica de privacidad

Volver al Menú

  • Homepage
  • Artículos
  • Búsqueda

Búsqueda

×

 |    : /

Vote:

Resultados: 

0 puntos

 0  Votos

Modelo multivariante de predicción de series temporales del rendimiento académico basado en LSTM-Transformer-SVM

 |    : /

NOVIEMBRE 2026   -  Volumen: 101 -  Páginas: 517-524

DOI:

https://doi.org/10.52152/D11557

Autores:

JUN ZOU - WEITING GUO - XIAOFEI WANG - ZHAOYU WU - JUAN DU

Materias:

  • TECNOLOGIA DE LOS ORDENADORES (DISPOSITIVOS DE TRANSMISION DE DATOS )

Descargas:   2

Como referenciar este artículo:  

Fecha Recepción :   28 ocutbre 2025

Fecha Evaluando :   30 ocutbre 2025

Fecha Aceptación :   18 junio 2026

¿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 €.


Palabras clave:
Time-series-based academic performance prediction, Long Short-Term Memory, Transformer, Support Vector Machine
Tipo de artículo:
ARTICULO DE INVESTIGACION / RESEARCH ARTICLE
Sección:
ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

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:  

  • Twittear
  • facebook
  • google+
  • linkedin
  • delicious
  • yahoo
  • myspace
  • meneame
  

Búsqueda

  •  
  • Twitter
  • Twitter
  •  
  • Facebook
  • Facebook
  •  
Tweets por el @revistadyna.
Loading…

Anunciarse en DYNA 

© Revista de Ingeniería Dyna 2025 - UK Zhende Publishing Limited 

Dirección: Unit 7 Wilsons Business Park, Manchester M40 8WN United Kingdom

Email: office@revistadyna.com

  • Menu
  • Publicaciones DYNA
    • Publicaciones DYNA
    • DYNA
    • DYNA Energía y Sostenibilidad
    • DYNA Management
    • DYNA New Technologies
  • Revista
    • La Revista y sus Órganos
      • La Revista y sus Órganos
      • Consejo de Redacción
      • Consejo Asesor o Científico
    • Historia
    • Misión-Visión-Valores
    • Resultado de encuestas anuales
    • Preguntas frecuentes (FAQs)
    • Difusión e Indexación
    • Se dice de DYNA...
    • Colaborar con DYNA
    • Enlaces de interés en Ingeniería
      • Enlaces de interés en Ingeniería
      • Entidades amigas
      • Entidades colaboradoras
      • Asociaciones y Colegios
      • Otras revistas de ingeniería
      • Otros enlaces de interés
  • Autores y Evaluadores
    • Directrices, normas e impresos
    • Difusión e Indexación
    • Cómo colaborar con DYNA
  • Artículos
    • Artículos
    • Búsqueda
    • Volúmenes y ejemplares
    • Cuadernos DYNA monográficos
    • Los más descargados último año
    • Envío de artículos
    • Contenido próximo ejemplar
    • Trabajos monográficos
  • Noticias
    • Noticias y Topic Collections
    • e-Boletines
    • Reseña de libros
    • Reseñas de Software
  • Blogs y Comunidad
    • Blogs y Comunidad
    • Foros
    • Cómo colaborar
  • Suscribirse
    • Darse de alta en la web
    • Tipos de suscripciones
  • Anunciarse
    • Público y formatos publicitarios
    • Tarifas publicidad
    • Contenido de próximo ejemplar
    • e-Boletines
  • Contacto
    • Como contactar
  • Buscar
    • En esta revista
  • Alta en Web
    • Aviso legal
    • Politica de privacidad

Regístrese en un paso con su email y podrá personalizar sus preferencias mediante su perfil


: *   

: *   

:

: *     

 

  

Cargando Cargando ...