Predictive Multivariate Model Based on Neural Networks with Artificial Intelligence to Make Decisions in Admission Processes in Public Universities of Peru

Authors

  • Carlos Fidel Ponce- Sánchez Professor , Universidad Nacional de Ingeniería, Lima-Perú
  • César Aldo Canelo-Sotelo Professor, Universidad Nacional de Ingeniería, Lima-Perú

Keywords:

Predictive multivariate model, Neural networks, Admission processes, Artificial intelligence, Decision making

Abstract

This study presents a predictive multivariate model based on neural networks with artificial intelligence for decision making in admission processes in public universities in Peru. The model has proven highly accurate in classifying applicants' grades, which highlights its effectiveness in decision-making in admissions processes. However, the importance of continuously addressing the quality and representativeness of the data used in the training of the model is highlighted to ensure unbiased results and avoid any bias or discrimination. It is suggested to carry out future research that focuses on the inclusion of diverse and representative data to achieve a more equitable and fair evaluation in the university admission processes.

Downloads

Download data is not yet available.

References

De la Cruz Oriundo, K. P. (2022). Estrés estudiantil universitario basado en redes neuronales profundas, en pandemia covid-19, 2021.

CARMONA JÁQUEZ, J. R. (2022). PREDICCIÓN DE DESEMPEÑO ACADÉMICO POR MEDIO DE REDES NEURONALES (Doctoral dissertation, UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA).

Cruz, E., González, M., & Rangel, J. C. (2022). Técnicas de machine learning aplicadas a la evaluación del rendimiento ya la predicción de la deserción de estudiantes universitarios, una revisión. Prisma Tecnológico, 13(1), 77-87.

Nguyen, T., Nguyen, H., & Nguyen, P. (2018). Predicting University Admission Results Using Artificial Neural Networks. Proceedings of the IEEE International Conference on Data Mining, 125-132.

Zhang, J., Wang, H., & Li, W. (2017). An Intelligent System for University Admission Based on Neural Networks. Journal of Artificial Intelligence Research, 45(1), 23-40.

Incio-Flores, F. A., Capuñay-Sanchez, D. L., & Estela-Urbina, R. O. (2023). Modelo de red neuronal artificial para predecir resultados académicos en la asignatura Matemática II. Revista Electrónica Educare, 27(1), 1-19.

Alberto, A. A. C., & Francisco2b, P. Q. O. Rendimiento en aritmética de aspirantes en carreras de salud del Instituto de Admision y Nivelacion (IAN) de la Universidad Técnica de Manabı (UTM). XXXII Jornadas Venezolanas de Matematicas, 34.

Cabana Yupanqui, S. B. (2018). Análisis predictivo del rendimiento académico en los alumnos de la escuela profesional de ingeniería en informática y sistemas de la UNJBG, utilizando redes neuronales semestre 2017-I.

Flores, F. A. I., Sanchez, D. L. C., Urbina, R. O. E., Soto, J. A. D., & Medrano, S. E. V. (2021). Diseño e implementación de una red neuronal artificial para predecir el rendimiento académico en estudiantes de Ingeniería Civil de la UNIFSLB. Veritas et Scientia, 10(1), 107-117.

Chirinos Carranza, X. A., & Calero Segura, P. M. (2021). Detección del uso correcto de mascarillas utilizando una red neuronal convolucional para el ingreso de personas a un laboratorio de una universidad.

Rojas, A. P., & Del Pino, L. F. (2014). Redes neuronales para el tratamiento de agua potable en zona de altitud del Perú. Ambiente y Desarrollo, 18(35), 108-116.

Morales Castro, A., Ramirez Reyes, E., & Rodríguez Albor, G. (2019). Pronóstico de ventas de las empresas del sector alimentos: una aplicación de redes neuronales. Semestre Económico, 22(52), 161-177. https://doi.org/10.22395/seec.v22n52a7

Peña Rojas, A. C. (2016). Uso de redes neuronales artificiales para optimizar la dosificación de coagulantes en la planta de tratamiento de agua potable, Huancayo.

Padilla Fuertes, E. A., & Garcia Ramos, P. E. Sistema de identificación temprana de pacientes ambulatorios mediante reconocimiento facial para reducir el tiempo de atención de admisión en una empresa privada del sector salud usando redes neuronales.

Terán-Villanueva, J. D., Ibarra-Martínez, S., Laria-Menchaca, J., Castán-Rocha, J. A., Treviño-Berrones, M. G., García-Ruiz, A. H., & Martínez-Infante, J. E. (2019). Estudio de redes neuronales para el pronóstico de la demanda de asignaturas. Revista Facultad de Ingeniería, 28(50), 34-43.

Zárate-Valderrama, J., Bedregal-Alpaca, N., & Cornejo-Aparicio, V. (2021). Modelos de clasificación para reconocer patrones de deserción en estudiantes universitarios. Ingeniare. Revista chilena de ingeniería, 29(1), 168-177.

Reyes, N. S., Morales, J. B., Moya, J. G., Teran, C. E., Rodriguez, D. N., & Altamirano, G. C. (2019). Modelo para predecir el rendimiento académico basado en redes neuronales y analítica de aprendizaje. Revista Ibérica de Sistemas e Tecnologias de Informação, (E17), 258-266.

Reyes-Cruz, J. L., Sánchez-Trujillo, M. G., & Mejía-Ramírez, R. (2019). Influencia De La Formación Universitaria En Las Actitudes Emprendedoras (The Influence of Higher Education on Entrepreneurial Attitudes). Revista CEA, 5(10).

Delgado, K., Ledesma, S., & Rostro, H. (2019). Análisis de electroencefalograma usando redes neuronales artificiales. Acta universitaria, 29.

Terán-Villanueva, J. D., Ibarra-Martínez, S., Laria-Menchaca, J., Castán-Rocha, J. A., Treviño-Berrones, M. G., García-Ruiz, A. H., & Martínez-Infante, J. E. (2019). Estudio de redes neuronales para el pronóstico de la demanda de asignaturas. Revista Facultad de Ingeniería, 28(50), 34-43.

R. Ashwick, D. Turgoose, and D. Murphy, “Exploring the acceptability of delivering Cognitive Processing Therapy (CPT) to UK veterans with PTSD over Skype: a qualitative study,” European Journal of Psychotraumatology, vol. 10, no. 1, Feb. 2019, doi: 10.1080/20008198.2019.1573128.

G. E. Delgado, N. E. B. Hernández, L. J. Mendez, and A. Rojas, “Aplicación de la estadística robusta en la identificación de valores ‘OUTLIERS’ en análisis de residuos de clorpirifos en maní. programa elaborado en Hp-Basic utilizando la calculadora gráfica HP Prime,” Revista Iberoamericana De Bioeconomía Y Cambio Climàtico, Dec. 2018, doi: 10.5377/ribcc.v4i8.6466.

Likas, N. Vlassis, and J. Verbeek, “The global k-means clustering algorithm,” Pattern Recognition, vol. 36, no. 2, pp. 451–461, Feb. 2003, doi: 10.1016/s0031-3203(02)00060-2.

“Pattern Recognition and Machine Learning,” SpringerLink. https://link.springer.com/book/9780387310732

J. R. Del Ángel Ruiz, “Combinación Convexa de los Algoritmos Affine Projection y Least Mean Square Aplicada a Sistemas de Beamforming,” Revista Aristas, vol. 8, no. 15, pp. 172–176, Jul. 2020, [Online]. Available: http://revistaaristas.tij.uabc.mx/index.php/revista_aristas/article/view/40

Díaz-Salas, E. G. Pérez, and J. Rosales-Cueva, “Modelo de estimación del coeficiente de rugosidad de Manning en función de la granulometría en el río Santa, sector Recuay – Carhuaz, Áncash, Perú,” Ingeniería - Universidad De Carabobo, Facultad De Ingeniería, vol. 27, no. 3, pp. 328–342, Dec. 2020, doi: 10.54139/revinguc.v27i3.292.

U. De Sevilla Departamento De Lenguajes Y Sistemas Informáticos, “Minería de Datos: Conceptos y Tendencias,” idUS - Depósito De Investigación Universidad De Sevilla, 2006. http://hdl.handle.net/11441/43290

Downloads

Published

25.12.2023

How to Cite

Sánchez, C. F. P.-., & Canelo-Sotelo, C. A. . (2023). Predictive Multivariate Model Based on Neural Networks with Artificial Intelligence to Make Decisions in Admission Processes in Public Universities of Peru. International Journal of Intelligent Systems and Applications in Engineering, 12(2), 705–723. Retrieved from https://ijisae.org/index.php/IJISAE/article/view/4314

Issue

Section

Research Article