···················································································································································
···· ·
En este artículo examinamos cómo el modelo predictivo puede ser utilizado para
estudiar el comportamiento de la aplicación. Aplicamos una técnica relativamente
nueva, las redes neuronales artificiales, para ayudar a predecir el cual los
estudiantes son susceptibles de aplicarse a una gran institución de investigación I,
en el oeste del medio. Comparamos los resultados de estas nuevas técnicas a la
herramienta de análisis tradicional, un modelo de regresión logística. La adición de
modelos de inteligencia artificial es una emocionante área nueva y este artículo
alienta a otros investigadores institucionales para utilizar esta técnica para explorar
los complejos procesos que se encuentran en nuestras instituciones educativas.
INTRODUCCIÓN
La investigación sobre la elección de la universidad se ha basado
principalmente en los modelos económicos, socio lógicos y combinados (Kohn,
Manski y Mundel, 1976; Litten, 1982). Los modelos econométricos presumen
que los estudiantes tienen como objetivo maximizar su utilidad o ex sospecha
vienen del beneficio de su elección de la institución (Bruggink y Gambhir,
1996; Ganderton, 1992; Hossler, Braxton y Coopersmith, 1989; Paulsen, 1990;
Welki y Navratil, 1987). Por otra parte, estos modelos asumen que los
estudiantes tengan conocimiento de las características, costos y beneficios de
los colegios, y se comportarán de una manera que tiende a maximizar los
beneficios (Hamrick y Hossler, 1996). modelos sociológicos de logro o de
estado se centran en las aspiraciones de la universidad. Estos modelos se
derivan de la literatura consecución estado general que se centra en la
identificación y la interrelación de los factores y características que influyen en
aspiraciones universitarias (Hossler et al, 1989;. McDonough, 1994; Paulsen,
1990). modelos combinados, por el contrario, se deducen de ambos
econométrico y modelos sociológicos. Estos modelos pretenden dar cuenta de
las diversas fuerzas económicas y sociales que influyen en la toma de
decisiones.
Si bien existe una amplia literatura de la elección de la universidad, hay una
necesidad de más del edificio ORY y la investigación empírica adicional con el
ThisEl contenido descargado desde el mar 190.234.181.161,20 Nov 2018 16:11:20
GMT Todas uSE sujetohttps: //about.jstor.org/terms
fin de comprender mejor el complejo proceso de elección de la universidad. La
investigación adicional es especialmente necesario en el área de
comportamiento de la aplicación del estudiante debido a que la literatura de la
elección de la universidad se ha centrado generalmente en las decisiones de
inscripción de los estudiantes (Manski y Wise, 1983). Pocos estudios han
examinado el comportamiento de solicitud de la universidad (para las
excepciones, véase Weiler, 1994; DesJardins, Dundar, y Hendel, 1999; y
Goyette, 1999).
Este estudio ayuda a hacer frente a la relativa escasez de investigaciones en
esta área mediante la utilización de técnicas de redes neuronales artificiales
(ANN) para predecir el comportamiento de apli cación de la universidad en una
institución de investigación I en Iowa. También comparamos cómo los
resultados del modelo de ANN en comparación con los métodos estadísticos
tradicionales que se utilizan para estudiar el comportamiento de solicitud de
estudiante. También documentamos cómo los modelos de predicción
contribuyó a los esfuerzos de reclutamiento institucionales a la institución de
estudio. Las redes neuronales artificiales se han utilizado en los esfuerzos de
gestión de la matrícula en algunas instituciones de educación superior (ver
Carlson, 2000, para más detalles), pero los resultados de estos esfuerzos no han
sido presentados en el dominio público. No sabemos de ningún otro estudio
publicado que utiliza el modelado de redes neuronales artificiales como el
principal instrumento de análisis para investigar el comportamiento de solicitud
de estudiante.
REVISIÓN DE LITERATURA
Estudiante de elección Literatura
Litten (1982) retrata el proceso de elección de la universidad como un
embudo que se divide en tres etapas. antecedentes sociológicos y las
características personales comprenden la primera etapa, mientras que las
variables institucionales y económicos son importantes durante la segunda y
tercera etapas del modelo (Bateman y Spruill, 1996). El enfoque de embudo
presume que la elección de la universidad implica un proceso de eliminación
por el cual la decisión final para inscribirse en una institución en particular es el
resultado de un proceso secuencial. Litten determinó que las características de
la escuela secundaria, el rendimiento del estudiante, y el currículo de la escuela
secundaria tienden a afectar a las aspiraciones de los estudiantes para asistir a
una universidad en particular. Por otra parte, el nivel socioeconómico, ticas de
carácter personal, y el clima económico, político y cultural también afectan a la
propensión de un estudiante asista a una institución específica.
MÉTODO
Marco analítico
Para ayudar en el desarrollo de nueva información sobre la elección del
estudiante se compara la eficacia de dos técnicas analíticas para predecir el
comportamiento del estudiante aplica ción: redes neuronales artificiales y
análisis de regresión logística. ANN investigación ha sido utilizada
principalmente por los ingenieros, estadísticos, matemáticos y psicólogos
cognitivos, pero ha sido virtualmente inexplorada como una herramienta para
ayudar a los investigadores educativos.
La estructura del RNA se basan en cómo funciona el cerebro humano. los
ThisEl contenido descargado desde el mar 190.234.181.161,20 Nov 2018 16:11:20
GMT Todas uSE sujetohttps: //about.jstor.org/terms
240 GONZALEZ Y DESJARDINS
las células en el cerebro humano proveen a los humanos con la capacidad de pensar,
razonar y aplicar experiencias previas a la acción humana. La capacidad del cerebro
para aprender es una función de la cantidad de neuronas en el cerebro y las
diferentes conexiones entre las neuronas. Dentro del cerebro humano, las neuronas
tienen cuatro nentes básicos compo: dendritas, soma, axón, y las sinapsis (véase la
figural).Dentro de una neurona biológica, dendritas reciben entradas desde el
ambiente externo, las cesos soma pro las entradas recibidas, y un axón convierte las
entradas procesadas en una salida. La sinapsis continuación, crea un contacto
electroquímico de una neurona a otra.Silas cargas eléctricas enviadas por los
receptores de lograr un nivel de edad Thresh particular, el núcleo de las neuronas
envía señales a otras áreas (por ejemplo, músculos) dentro del cuerpo humano. Los
niveles de umbral exactos necesarios para desencadenar cada neurona pueden ser
previamente atados al nacer o aprendidas a lo largo de los años.EsoEs este proceso
biológico de aprendizaje que imitan modelos de RNA.
neuronas artificiales (véase la Figura 2) simulan los cuatro componentes básicos
de la neurona biológica, sin embargo, las neuronas artificiales son mucho más
simplista que las neuronas lógicas bio. Al igual que en el cerebro humano, una red
neuronal aprende a resolver problemas a través de la experiencia. Dentro de la
arquitectura ANN, las neuronas (nodos) se dividen en tres capas: una capa de
entrada, una capa oculta, y una capa de salida. En la nomenclatura estadística cional
Tradi, la capa de entrada es similar a los Ables vari independientes que incluimos en
regresiones, y la capa de salida es el resultado o variable dent Depen. Las capas
ocultas consisten en una variedad de neuronas que están conectadas a las neuronas
vecinas por pesos. Estos pesos actúan como coeficientes en modelos de regresión.
(De hecho, Kuan y White [1994] demostraron que los modelos de regresión lineal,
logístico y probit son casos especiales de RNAs.
Synapse
axón
Soma
• dendrita -l
¢
HIGO. 1.Cuatro componentes básicos de una neurona biológica humana.
Suma Límite
dendritas
axón
una neurona artificial las entradas se procesan (resume) dentro del cuerpo de la
célula. Si la suma supera el valor umbral, la neurona envía un impulso al axón
(matrices de peso).
Los pesos se establecen inicialmente a un pequeño número aleatorio, y como
los datos son alimentados al modelo de los pesos se ajustan usando un método
de retroalimentación (véase la Figura 3). El método de retroalimentación más
común se conoce como propagación hacia atrás (Rumelhart, Hin tonelada, y
Williams, 1986). La diferencia entre los UE val predichos y reales (de error) se
alimenta de nuevo (de nuevo propaga) en la red, y este proceso continúa una
capa a la vez hasta que el error se reduce al mínimo a un nivel preespecificado o
el modelo se detiene por el investigador. Este proceso permite la detección de
tendencias y patrones en los datos que normalmente pasarían por descubrir.
Una vez capacitados, la red se puede suministrar datos y clasificaciones o
predicciones nuevas o no entrenados pueden hacer. Más específicamente, el
tipo de clasificación ANN
. .Spren.ddeActivación
: ·,,.,Deseado
· · · · ·Salida
Respuesta
·:computariz
ada·Error
.Entrada. .
lAyer·.
4111
Error Fed hacia atrás en ANN
Las muestras
Los datos para este estudio se obtuvo de la oficina de admisiones de una gran
institución que busco Re se encuentra en Iowa. Se utilizaron dos cohortes de
información, cada una compuesta de aproximadamente 20.000 registros. Las
cohortes se definen como todos los estudiantes que enviaron ACT a la
institución de estudio que estaban interesados en la solicitud de admisión para
el otoño de 1998 y otoño de 1999 clases de entrar. Utilizamos los remitentes de
puntuación como el grupo potencial de los estudiantes universitarios curso en
lugar de los graduados de secundaria, porque sentimos que el primero es más
un reflejo de la piscina real de las perspectivas de la universidad.
Los datos para este estudio se obtuvo de la base de datos de la admisión de
que con tains una gran cantidad de información que incluye respuestas de los
estudiantes a la sección del perfil del estudiante de la Evaluación ACT. Las
variables independientes (que se enumeran en la Tabla 1) fueron elegidos en
base a la investigación previa del comportamiento de la aplicación del
estudiante y el borde Conocimiento acerca de los factores específicos de la
institución. La medida dependiente o salida utilizada en este estudio es un
indicador de si un estudiante aplicado (1) o no se aplicaba
(0) a la institución de estudio. El principal objetivo fue probar la ANN y la
precisión predictiva modelos de regresión logística y utilizar los resultados para
proporcionar infor mación sobre las propensiones de aplicación del estudiante a
reclutadores institucionales.
Nombre de la Definición
variable
Variables demograficas
Género
Mujer Raza / Etnia Un maniquí (= I) si elestudiantees mujer
Native American Indian
Hispano Afroamericano Un maniquí (= I) si nativos americanos / nativos de
asiático Alaska Un maniquí (= I) si afroamericano
americanomultirracia Un maniquí (= I) si hispana
l caucásica Un maniquí(= I)Si asiáticaoIslas del
Pacífico Un maniquí (= I) si multirracial
Grupo de referencia.Un maniquí (= I) si el estudiante
Ingresos familiares es de raza blanca, había falta de datos, o prefiere
Top Ingresos por no responder
cuartiles
Un maniquí (= I) si el ingreso familiar es de $ 80.000
Segundo cuartil Tercer $ 100.000
Ingresos Ingresos
Un maniquí (= I) si el ingreso familiar es de $
cuartil de ingresos que
60,000 a $ 80,000 al ficticia (= I) si la
falta
familiaingresoses $ 42,000- $ 60,000 al ficticia (= I)
Inferior cuartil de
los ingresos familiares no se encuentra
ingresos
Grupo de referencia.Un maniquí (= I) si el ingreso
<$ 42.000
Tamaño comunidad
Fann
Grupo de referencia.Un maniquí (= I) si de una granja
Menos de 500
Un maniquí (= I) si el tamaño de la comunidad es
de menos de 500 personas
500-1,999
Un maniquí (= I) si el tamaño de la comunidad 500-
2,000-9,999
1,999
10,000-49,999
Un maniquí (= I) si comunidadtamaño2,000-9,999
50,000-249,999
Un maniquí (= I) si el tamaño de la comunidad
250,000-499,999
I0,000-49,999 Un maniquí (= I) si el tamaño de la
500,000-999,999
comunidad 50,000-249,999
Un millón o más
Un maniquí (= I) si comunidadtamaño250,000-
499,999 Un maniquí (= I) si el tamaño de la
Missing Comunidad
comunidad 500,000-999,999 Un maniquí (= I) si
Las variables de la escuela comunidadtamañoun millón o
secundaria Más
Hecho compuesto por Un maniquí (= I) si el tamaño de la comunidad no se
cuartiles de los cuartiles encuentra
inferior ACT
TABLA 1.(Continuación)
GPA de la Escuela
GPA Un maniquí (= I) si el estudiante SA GPA era A o B
SA Curso de
Trabajo Inglés Un maniquí (= I) si el estudiante tenía 4 años de
Mates Inglés Un maniquí (= I) si el estudiante tenía 3
Estudios Sociales años de matemáticas
Un maniquí (= I) si el estudiante tenía 2 años de
Ciencias Naturales estudios sociales
Un maniquí (= I) si el estudiante tenía 3 años de
español Natural
alemánf Ciencias
rancés Un maniquí (= I) si el estudiante tenía 2 años de
Escuela secundaria Tipo español Un maniquí (= I) si el estudiante tenía 2
Catholic High School años de alemán Un maniquí (= I) si el estudiante
Graduarse del tamaño tenía 2 años de Francés
de clase Menos de
25 Un maniquí (= I) si el estudiante asistió a una SA
Católica
25-99
Grupo de referencia.Siclase contenida SA <25
100-199 estudiantes
200-399 Un maniquí (= I) si la esteatosis graduarse tamaño
400-599 de la clase 25-99 estudiantes
600-899 Un maniquí (= I) si SA graduarse tamaño de la clase
900 o más 100-199 Un maniquí (= I) si SA graduarse tamaño
de la clase 200-399 Un maniquí (= I) si SA
Los solicitantes de Alto
graduarse tamaño de la clase 400-599 Un maniquí
Rendimiento Alto
(= I) si SA graduarse tamaño de la clase 600-899 Un
Rendimiento
maniquí (= l) si SA graduarse tamaño de la clase
Secundaria
900+
estudiantes
Variables de preferencia
universidad Un maniquí (= I) si el estudiante es de una SA con una
Distancia de la Institución relación cal histori de los solicitantes para poner a
menos de lo que 0 prueba los remitentes de puntuación> = .75
millas
10-25 millas
26-100 millas Grupo de referencia.Un maniquí (= I) si la residencia
Mas queJOOmillas Otro hogar del estudiante es menor de diez millas de la
institución
Matrícula (No incluye Un maniquí (= I) si la distancia es IO a 15 millas
habitaciónytablero) Un maniquí (= I) si la distancia es 26 a 100 millas
$ 500 Un maniquí (= l) si la distancia es más de 100
$ 1.000 millas de un maniquí (= I) si la distancia faltante /
no he decidido las
Universidad
MESA1.(Continuación)
TABLA 1.(Continuación)
Predicho
Aplicado HizoNo
norte % norte %
Tabla de clasificación de
Modelo Formado en 1999 Datos
Real
Aplicado 4853 66.2 1451 11.6
No 2479 33.8 11074 88.4
En general correcta Tasa
Clasifi cación 80.2
La exactitud de clasificación
utilizando Formado Modelo
sobre la muestra reservada
Real
Aplicado 5280 70.9 1766 17.1
No 2171 29.1 8531 82.9
En general correcta Tasa
Clasifi cación 77.8
Predicho
Aplicado HizoNo
norte % norte %
Tabla de clasificación de
Modelo Formado en 1999
Datos
Real 4344 59.3 1384 11.0
¿No 2988 40.7 11141 89.0
Aplicad
a 78.0
En general correcta Tasa
Clasifi cación
La exactitud de la clasificación
basada en el modelo entrenado
Muestra holdout
Real
Aplicado 4522 60.7 1323 12.8
No 2929 39.3 8974 87.2
En general correcta Tasa
Clasifi cación 76.0
las variables superfluas para entrenar la red neuronal, lo que implica una cierta
consistencia en los factores que se encuentran a estar relacionado con el
comportamiento de solicitud de estudiante.
Los resultados de la clasificación del modelo logístico se presentan en la
Tabla 6. El modelo construido en la muestra de desarrollo (datos de 1999) tuvo
una tasa global de clasificación correcta (CCR) de 73,8%. Los resultados
indican que el 61,1% de los solicitantes fueron clasificados correctamente, y
85,5% de nonapplicants fueron clasificados como tal. Cuando los resultados de
este modelo se validaron en los datos de 1998 y se comparan con los resultados
de la muestra del desarrollo del CCR se redujo sólo ligeramente al 72,3%.
La Tabla 7 presenta las estimaciones de las variables independientes
utilizadas en el modelo de regresión logística. Una inspección minuciosa de los
tics STATIS Wald o R (correlación parcial) revela que la mayoría de las
construcciones identificadas en los modelos de RNA como impor tante son
también los factores que muestran efectos potentes en el modelo de regresión
logística. Así, se observa una gran cantidad de consistencia entre los resultados
de estos diferentes modelos.
En general, hemos encontrado que la ANN entrenado usando variables
continuas tenían el CCR más alto (78%), seguido de la variable ficticia ANN
(76%) y luego el modelo de regresión logística (72%). Así, para las muestras
utilizadas en este
Estructura de la capa
del modelo de 75 neuronas
entrada 20 neuronas
Capa oculta #I 15 neuronas
capa oculta # 2 10
Capa oculta # 3 neuronas
Resultado de capa que las
neuronas
MESA5.(Continuación)
Predicho
Aplicado No
norte % norte %
Tabla de clasificación
de modelo logístico
Utilizando los datos
de 1999
Real
Aplicado 3653 61,1% 945 14,5%
No 2325 38,9% 5551 85,5%
En general correcta Tasa
Clasifi cación 73.8
La exactitud de clasificación
utilizando Equipada Modelo
sobre Holdout Muestra
Real
Aplicado 3734 63,3% 922 17,5%
No 2167 36,7% 4346 82,5%
En general correcta Tasa
Clasifi cación 72.3
IMPLICACIONES Y CONCLUSIONES
Las RNA tienen varias ventajas sobre los métodos estadísticos tradicionales.
En primer lugar, las RNA no requieren conocimiento de la relación funcional
entre el inde pendiente y la dependiente (es decir, la forma funcional correcta o
el grado de no linealidad) las variables con el fin de estimar el modelo. A
diferencia de las técnicas de cal estadísti tradicionales, las redes neuronales
aprenden de los ejemplos con un pequeño número de suposiciones como antes
acerca de las relaciones estructurales. En segundo lugar, las RNA son útiles
cuando los modelos logísticos son incapaces de reconocer plenamente la
complejidad de los datos. En tercer lugar, las RNA son muy buenos en el
reconocimiento de patrones y pueden adaptarse a las variables relacionadas sin
incurrir en problemas de multicolinealidad (Etheridge, Sriram, y Hsu, 2000). En
cuarto lugar, las RNA también funciona bien cuando hay grandes cantidades de
datos o cuando se carece de datos (Garson, 1998).
Chi- df importancia
Modelo cuadrado 74 0.000
4.802,67
Posibili
Variable segundo SE Wald Significado R dades
Proporc
ión
Género 0,192 0,052 13.758 0.000 0,027 1,211
indio americano -0.1 17 0,466 0,063 0,802 0.000 0,890
afroamericano 0,318 0,150 4.506 0,034 0,012 1,374
Latino / a 0,575 0,182 9,948 0,002 0,022 1,776
asiático americano 0,418 0,153 7.480 0,006 0,018 1,519
Multirracial -4.866 3.049 2,546 0,1 1 1 -0.006 0,008
Top trim. Ingresos 0,470 0,085 30.214 0.000 0,042 1,599
Qrt segundo. Ingresos 0,202 0,080 6,486 0.01 1 0,017 1,224
Qrt tercero. Ingresos 0,020 0,082 0,061 0,805 0.000 1.020
Falta el ingreso 0,259 0,106 5,971 o.oi5 0,016 1.295
Comm. Tamaño de 500 -0.177 0,165 1.152 0,283 0.000 0,838
Comm. Tamaño de 1999 0,069 0,1 IO 0,393 0,531 0.000 1,071
Comm. Tamaño de 9999 0,063 0,098 0,418 0,518 0.000 1,065
Comm. Tamaño de 0,169 0,101 2,769 0,096 0,007 1,184
49999
Comm. Tamaño de 0,292 0,104 7,865 0,005 0,019 1,339
249999 Tamaño de
Comm. 0,172 0,142 1.476 0,224 0.000 1.188
499999
Comm. Tamaño de -0.056 0,221 0,064 0,800 0.000 0,946
999999 Tamaño IM Plus
Comm. 0,392 0,182 4.655 0,031 0,013 1,479
Comm. tamaño Missing 0,637 0,175 13.205 0.000 0,026 1,892
Top trim. ACTO 0,862 0,085 103.224 0.000 0,079 2,368
Qrt segundo. ACTO 0,920 0,077 144.451 0.000 0,093 2,509
Qrt tercero. ACTO 0,640 0,070 83.748 0.000 0,071 1.896
Grados HS A o B 0,523 0,066 63.525 0.000 0,061 1,687
4 años. SA Inglés 0,208 0,078 7.1 IO 0,008 0,018 1,232
3 años. SA Matemáticas 0,036 0,065 0,318 0,573 0.000 1.037
2 años. Ciencias Sociales -0.144 0,129 1,247 0,264 0.000 0,866
3 años. Ciencias 0,034 0,054 0,402 0,526 0.000 1,035
Naturales
2 años. Español -0.046 0,058 0,642 0,423 0.000 0,955
2 años. alemán 0,132 0,159 0,696 0,404 0.000 1.142
2 años franceses -0.337 0,135 6.233 0,013 -0.016 0,714
Tamaño del SA a 25 0,735 0,193 14.475 0.000 0,028 2.086
Tamaño del SA a 100 0,633 0,196 10.484 0,001 0,023 1,884
Tamaño del SA a 200 0,820 0,194 17.937 0.000 0,031 2,270
Tamaño del SA a 400 0,887 0,198 20.183 0.000 0,033 2,428
Tamaño del SA a 600 0,945 0,210 20.185 0.000 0,033 2,574
Tamaño del SA a 900 1.095 0,227 23.341 0.000 0,036 2,988
Tamaño del SA Missing 2.125 0,298 50.915 0.000 0,055 8,371
Alto Rendimiento SA 1.983 0,149 178.222 0.000 0,104 7.262
Distancia IO a 25 -0.369 0,172 4,625 0,032 -0.013 0,691
Distancia 26 a I 00 0.21 1 0,1 16 3.320 0,068 0,009 1,235
Distancia GT I 00 0,483 0,109 19.592 0.000 0,033 1,621
distancia que falta 0,188 0,1 IO 2,899 0,089 0,007 1,206
MESA7.(Continuación)
Chi- df importancia
Modelo cuadrado 74 0.000
4.802,67
Posibili
Variable segundo SE Wald Significado R dades
Proporci
ón
Matrícula $ 500 -0.269 0,540 0,247 0,619 0.000 0,764
La matrícula de $ 000 me 0,077 0,337 0,053 0,819 0.000 1,080
Matrícula $ 2000 -0.198 0,177 1.255 0,263 0.000 0,820
Matrícula $ 4000 -0.048 0,128 0,141 0,707 0.000 0,953
Matrícula $ 5000 0,017 0,109 0,023 0,879 0.000 1.017
Matrícula $ 7500 0,061 0,1 12 0,292 0,589 0.000 1.062
La matrícula de $ I 0000 0,201 0,1 15 3.073 0,080 0,008 1,223
Falta de matrícula 0,005 0,088 0,004 0,951 0.000 1.005
Primera opción 1 0,075 595.479 0.000 0,190 6.284
Segunda elección 0.838
0,702 0,078 82.052 0.000 0,070 2,018
tercera elección 0,320 0,082 15.165 0.000 0,028 1,378
Elección suplementaria 4.141 0,135 935.724 0.000 0,239 62.861
El interés del equipo -0.214 0,051 17.753 0.000 -0.031 0,808
universitario
Frat interés / de
Sor.Ath. 0,164 0,049 1 1.417 0,001 0,024 1.178
Prefiero Colegio GT 20K 0,300 0,056 28.256 0.000 0,040 1,350
Voe Tech Grado -0.186 0,615 0,091 0,762 0.000 0,830
Grado AA -0.768 0,290 6,996 0,008 -0.017 0,464
Diploma de graduación 0,271 0,062 19.261 0.000 0,032 1.31 1
Titulo profesional 0,286 0,064 20.186 0.000 0,033 1,331
Ed esperada. Desaparecido -0.040 0,173 0,053 0,818 0.000 0,961
Prefiero Institución Pública 0,251 0,066 14.539 0.000 O.D28 1.285
Indeciso / señorita. Mayor 0,158 0,167 0,893 0,345 0.000 1.171
Ag Sciencesffech. -0.552 0,290 3,624 0,057 -0.0IO 0,576
Arquitectura -0.344 0,239 2,081 0,149 -0.002 0,709
Negocios / Marketing 0,159 0,152 1.095 0,295 0.000 1.173
comunicaciones 0,177 0,1 18 2,228 0,136 0,004 1.193
Comm / Servicios -0,280 0,162 2,995 0,084 -0.008 0,756
Personales
Matemáticas / Ciencias de -0.203 0,134 2,271 0,132 -0.004 0,817
la Computación
Artes liberales 0,163 0,177 0,847 0,358 0.000 1.177
Educación -0.132 0,174 0,574 0,449 0.000 0,876
Ingenieria 0,006 0,172 0,001 0,972 0.000 1.006
Salud, Ciencias Sociales 0,227 0,157 2,091 0,148 0,002 1.255
Constante -5.121 0,304 284,1 15 0.000
legítima o no. En quinto lugar, a diferencia de regresión logística, las RNA detectan
lazos nonlineari e interacciones de forma automática y pueden estimar varias
salidas a la vez (Lee, blanca, y Granger, 1993).
Esto no quiere decir que las RNAdeberíaLámparas
Este contenido descargado desde 190.234.181.161 en el mar,20Nov 2018 16:11:20 GMT
Todo usotemaa https://about.jstor.org/terms
REDES NEURONALES 25
ARTIFICIALES
tradicionalesestadísticométodos; Las RNA tienen algunas desventajas. En primer 6
lugar, la técnica es unaalgométodo de "recuadro negro" en el que la teoría y los
conceptos subyacentes están evolucionando y no son bien entendidos por muchos
investigadores. En segundo lugar, las RNA puede requerir tener en cuenta el tiempo
de formación capaces. Una variante de la variable continua ANN corrió durante
muchas horas. Lo que el investigador debe hacer es convertirse en expertos en
cuando para detener manualmente los modelos (a diferencia de regresión puede
elegirdetenerla formación y seguir obteniendo resultados). A veces el tiempo extra
dejando el tren modelo no vale la pena el aumento mínimo en la exactitud
predictiva. En tercer lugar, las RNA que sea culto cultad para determinar la relación
entre la variable dependiente e independiente. Por ejemplo, las RNA puede
proporcionar información de que dos variables independientes son importantes. Sin
embargo, la ANN no distinguir cómo los solicitantes y nonapplicants son distintas
con respecto a estas variables independientes.Los modelos de regresión de tics
Logis, por el contrario, son muy buenos para distinguir entre los diversos factores y
características de los solicitantes y nonapplicants y TYPI camente hacerlo muy
rápidamente. Por último, la implementación de una red neuronal puede ser difícil
proceso (Hecht-Nielsen, 1990). Fue un tiempo considerablegastadoen el aprendizaje
del soft ware, aunque parece que las recientes mejoras en este paquete y otros
pueden hacer que una preocupación menor en el futuro inmediato.
Con respecto a la política institucional, los resultados de este esfuerzo analítico
se utilizan en la institución de estudio para ayudar a los esfuerzos de reclutamiento
institucionales. El modelo ANN superfluo Contin se utiliza para predecir el
comportamiento de la aplicación de los estudiantes que envió a la
ACTestudiarinstitución y están considerando inscripción en la universidad en el
otoño de 2002. La estimación de una probabilidad de solicitud para cada solicitante
prospectivo permite al personal de la admisión a priorizar y dirigir sus esfuerzos de
reclutamiento en grupos particulares de los estudiantes. Si lo hace, permite a los
reclutadores para determinar si se debe de bajar los correos y / o contactos
telefónicos en los grupos que son pobres perspectivas de aplicación.Este enfoque
específico tiene el potencial de ahorrar recursos considerables, dado que más de
20.000estudiantessuelen enviar las puntuaciones a la institución de estudio en
cualquier año. Además, el personal de telemarketing ha utilizado las predicciones a
los futuros estudiantes de grupo en deciles y dar prioridad a las campañas de
teléfono tele. Esto está muy lejos de ser el enfoque más bien ad hoc utilizado en el
pasado.
También utilizamos las predicciones para volver a evaluar cómo la institución
adquiere nombres de vendedores como Educational Testing Service.El uso de las
predicciones con otras variables en la base de datos de la admisión, hemos sido
capaces de eliminar algunos estudiantes de compras de cinta, lo que resulta en un
ahorro moderado de los fondos de admisión de reclutamiento. Otro beneficio de
este proyecto fue que mientras estábamos aprendiendo acerca de las RNA y
compartir nuestros éxitos y frustraciones con los colegas y administradores,
Referencias
Almanaque. (1997). El Chronicle of Higher Education 44: 6-7, 19.
Baker, BD, y Richards, CE (1999). Una comparación de los métodos de
regresión lineal convencional y redes neuronales para la previsión de gasto
educativo. Economía de Edu Revisión de cationes 18 (4): 405-415.
Bateman, M., y Spruill, D. (1996). Estudiante de la toma de decisiones:
Publicaciones del proceso de elección de la universidad. Diario del
estudiante universitario 30: 182-186.
Bruggink, TH, y Gambhir, V. (1996). modelos estadísticos para la
admisión a la universidad y la inscripción: un estudio de caso para un
selectiva universidad de artes liberales. La investigación en Superior ción
Educa 37 (2): 221-240.
Bryant, P., y Crockett,K.(1993). La oficina de admisiones va científica. La planificación
de la educación superior 22:1 -8.
Carlson, S. (24 de marzo de 2000). Las redes neuronales pueden transformar planificación
universitaria, Chroni CLE de Educación Superior 46: A5 l.
Chapman, DW (1981). Un modelo de elección del estudiante universitario. Journal of ción
Superior Educa 52 (5): 490-505.
Cybenko, G. (1989). Aproximación por superposiciones de una función sigmoide. Mathemati
Control de cal Signals Sistemas 2: 303-314.