La implementación de un sistema web basado en técnicas de machine learning para predecir el desempeño de los docentes en el nivel de educación superior universitaria es muy importante debido a que de esa forma se va a poder mantener la calidad educativa en una universidad y poder mejorar en la elección de un profesor por el perfil requerido para que de esa forma pueda tener el mayor desempeño posible. Bajo esta premisa, la presente investigación abordó implementar un sistema web basado en técnicas de machine learning para predecir el desempeño de los docentes en el nivel de educación superior universitaria; los objetivos específicos fueron: establecer el algoritmo de aprendizaje no supervisado de machine learning para identificar los patrones de tendencia en el desempeño de los docentes en el nivel de educación superior universitaria, determinar el algoritmo de aprendizaje supervisado de machine learning para generar el modelo predictivo del desempeño de los docentes en el nivel de educación superior universitaria, validar el modelo predictivo del desempeño docente en el nivel de educación superior universitaria para obtener un alto nivel de certeza, desarrollar el sistema web para la predicción del desempeño docente en el nivel de educación superior universitaria basado en el modelo computacional obtenido. Es una investigación cuantitativa cuasi-experimental, con un nivel de investigación 2, además de un pre y post test, para ello se tuvo una base de datos de 2449 registros de evaluaciones de desempeño docente, se puede concluir que la predicción del desempeño del docente es obligatoria en el campo del sector educativo para mostrar signos de mejora en la naturaleza de la formación y el conocimiento de los estudiantes (calidad educativa). Este proceso es muy acomodaticio para que cualquier institución educativa que piense en el desempeño de los docentes y tome decisiones para la evaluación del desempeño. Esto se completa con la implementación del sistema web que permite a los usuarios finales obtener resultados de manera inmediata, además reduce la subjetividad de los evaluadores del sesgo cognitivo al momento de la evaluación.
Identifer | oai:union.ndltd.org:usat.edu.pe/oai:tesis.usat.edu.pe:20.500.12423/6128 |
Date | January 2023 |
Creators | Vargas Toscanelli, Habana Sabra Chatila |
Contributors | Chavarry Chankay, Mariana |
Publisher | Universidad Católica Santo Toribio de Mogrovejo, PE |
Source Sets | Universidad Catolica Santo Toribio de Mogrovejo |
Language | Spanish |
Detected Language | Spanish |
Type | info:eu-repo/semantics/bachelorThesis |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess, http://creativecommons.org/licenses/by/4.0/ |
Page generated in 0.0021 seconds