Las metas de logro aluden a los comportamientos motivacionales intrínsecos que propician la energización, dirección del afecto y las cogniciones basadas en la competencia de los sujetos (Elliot, 1999). En este sentido, Dweck (1986) planteó el modelo dicotómico de las metas de logro, que comprende: metas de aproximación al dominio y metas de aproximación al desempeño. Las metas de aproximación al dominio, denominadas también metas de aprendizaje, se caracterizan porque el aprendiz focaliza su esfuerzo en el desarrollo de una competencia o en la comprensión de una temática nueva, hasta llegar a dominar aquello que quiere aprender (Dweck, 1986). Asimismo, inciden en la mejora del rendimiento académico de los estudiantes (Alhadabi y Karpinski, 2020) y en la reducción de los niveles de ansiedad y depresión (Danthony et al., 2021). Los sujetos con metas de aproximación al dominio trabajan desde un enfoque de progreso y esfuerzo, no se preocupan por reconocer y mostrar determinadas incapacidades, demuestran su disposición para adquirir las nuevas habilidades y conocimientos, y utilizan los obstáculos como oportunidades para mejorar las estrategias de aprendizaje (Elliot y Harackiewicz, 1996). Por su parte, las metas de aproximación al desempeño se centran más en la obtención de juicios favorables y la evitación de juicios negativos hacia ellos; se caracterizan por un importante esfuerzo para evitar el fracaso, alcanzar el éxito y lograr el reconocimiento positivo (Elliot y Harackiewicz, 1996).

Con base en la bifurcación de este último tipo de metas, manteniendo las metas de aproximación al dominio, Elliot y Harackiewicz (1996) plantean el modelo tricotómico compuesto por tres tipos de metas: las de aproximación al dominio, las de aproximación al desempeño y las de evitación. Así, como se menciona en Quiñonez-Tapia y Vargas-Garduño (2023), se plantea un modelo jerárquico de las metas de logro que integra dos teorías: de motivos de logro y de metas de logro. Los motivos de logro permiten energizar y direccionar de manera general al sujeto en el contexto de competencia; entre ellos, destacan: la necesidad de logro en sí y la de evitación del fracaso (Elliot, 2006). Por otro lado, las metas de logro permiten al sujeto direccionar de manera específica la conducta en los entornos de competencia (Elliot, 1999), lo cual es relevante, puesto que la competencia se constituye en uno de los predictores de metas de aproximación al dominio en estudiantes (Alhadabi y Karpinski, 2020; Babenko y Oswald, 2019)

A partir del modelo tricotómico surgió el modelo 2x2 (ver Figura 1), el cual considera dos categorías (dominio y desempeño) que se bifurcan en dos cada una (aproximación y evitación) (Elliot, 1999).

Figura 1

Más tarde surgió el modelo 3x2, generado al desglosar las metas del modelo 2x2 en seis posibilidades (Elliot et al., 2011). Como se puede ver en la Figura 2, se presentan tres categorías: la tarea, el sí mismo y la otredad; cada una de ellas se subdivide en aproximación y evitación.

Figura 2

Resulta relevante destacar que las metas de aproximación al dominio han tenido efectos positivos en el área académica (Alhadabi y Karpinski, 2020) y en el bienestar de los estudiantes, ya que mejoraron las emociones positivas de amor, interés, alegría, orgullo y satisfacción (Datu et al., 2022); disminuyeron la tensión y el aburrimiento en el estudiantado (Jaitner et al., 2019) e incrementaron su bienestar subjetivo y académico (Li et al., 2021).

Existen factores personales y contextuales que inciden positivamente en las metas de aproximación al dominio. En este sentido, la autoeficacia y la necesidad de competencia (Ariani, 2022), el sentido de vida (Steger y Dik, 2009), la motivación autodeterminada, el clima motivacional percibido por los estudiantes y el clima enfatizado por los maestros hacia el dominio de las tareas (Jaitner et al., 2019) fueron predictores de las metas de aproximación al dominio en estudiantes.

No existe una definición consensuada acerca de la IA (Dignum, 2019). Por tanto, para este estudio se define como “la disciplina que estudia y desarrolla artefactos computacionales que exhiben alguna(s) faceta(s) del comportamiento inteligente” (Dignum, 2019, p. 10) .

El campo de estudio de la IA tiene dos subcampos: Aprendizaje Automático (Machine Learning) y Aprendizaje Profundo (Deep Learning). El Aprendizaje Automático permite a las máquinas, mediante determinados algoritmos, aprender de los datos sin ser programados explícitamente a partir del establecimiento previo de una teoría e hipótesis (Torra et al., 2019). Además, el Aprendizaje Automático permite hacer predicciones, clasificaciones e identificaciones de patrones y estructuras en los datos; de esta manera, las máquinas aprenden a tomar decisiones con los nuevos datos que se les proporcionan (Lyre, 2020).

El Aprendizaje Automático puede ser Supervisado, no Supervisado y por Refuerzo. El Aprendizaje Automático Supervisado requiere de un conjunto de datos de entrenamiento etiquetados que permite a la máquina aprender de los datos de entrada y salida (Janiesch et al., 2021). En el Aprendizaje Automático no Supervisado el objetivo es que la máquina encuentre patrones y estructuras en los datos sin etiquetas o especificaciones prexistentes (Janiesch et al., 2021). El Aprendizaje Automático por Refuerzo consiste en que las máquinas aprenden interactuando con los datos no etiquetados y su entorno, con un objetivo establecido y con una función que reformula, penaliza o recompensa el aprendizaje en cada movimiento hasta reducir el error y lograr la tarea específica deseada (Torra et al., 2019).

Por otro lado, el Aprendizaje Profundo es un avance del Aprendizaje Automático, que se inspira en las redes neuronales del ser humano: neuronas interconectadas transmitiendo información para la construcción de conocimiento orientado a una tarea específica (Dignum, 2019); por tanto, puede definirse como una forma de IA que, mediante algoritmos, va entrenando al ordenador para que procese información de modo tal que emule al cerebro humano, lo que le permite establecer reconocimiento de patrones complejos de distinto tipo y facilita las predicciones.

La IA en el campo de la educación es incipiente y plantea un gran potencial para contribuir a que las ciencias de la educación, en su conjunto, realicen investigación predictiva (Hilbert et al., 2021). En este sentido, la IA se ha utilizado para proporcionar un aprendizaje personalizado al adaptar procesos y recursos a las condiciones de los usuarios o mediante apoyos tutoriales (Webb et al., 2021). Además, se ha aplicado en los procesos de evaluación, retroalimentación y generación de planes de intervención personalizados que permitieron mejorar el desempeño y evitar la deserción escolar al identificar estudiantes en etapas tempranas de riesgo (Albreiki et al., 2021), para así llegar a desarrollar una educación de precisión (Luan y Tsai, 2021). Sin embargo, la limitación que tiene el enfoque de IA para ser aplicado en cualquier área, y específicamente en la educación, es que se requiere de grandes conjuntos de datos confiables.

En términos de generación de grandes conjuntos de datos en el área de educación, la Organización para la Cooperación y el Desarrollo Económico (OECD), a través del Programa Internacional de Evaluación de Alumnos (PISA) en 2018, realizó evaluaciones a estudiantes de 15 años de 79 países, y construyó una base de datos con información de 612,004 estudiantes sobre los resultados en Lectura, Matemáticas y Ciencias. Además, la base de PISA en 2018 incluyó información sobre las Metas de Aproximación al Dominio, utilizando 40 variables con datos acerca de su capital económico, social y cultural, actitudes hacia el aprendizaje, hábitos dentro y fuera de la escuela y en el entorno familiar, clima escolar, interés y motivación, entre otras. No obstante, no se emplearon técnicas de IA para su análisis.

La base de datos de PISA 2018 (OECD, 2018), integrada con 612,004 registros de estudiantes de 79 países. El cuestionario del estudiante se compone de 42 escalas; no obstante, no se aplica el total de escalas en todos los países. Por tanto, para realizar este estudio se eliminaron los registros que presentaban datos ausentes.

A partir de lo anterior, se seleccionaron las características para predecir las Metas de Aproximación al Dominio (MAD) con los modelos de Machine Learning y Deep Learning utilizando dos métodos de filtro: las correlaciones de Pearson y de Spearman, las cuales arrojaron que las mejores características para predecir las Metas de Aproximación al Dominio (r > .35, p < .01; ρ = .34, p < .01) fueron cinco: el Apoyo emocional de los padres percibido por el estudiante (EMOSUPS), Competitividad (COMPETE), Sentido de vida (EUDMO), Autoeficacia (RESILIENCE), y Conocimiento de la comunicación intercultural (AWACOM). En consecuencia, se cumple el criterio en Machine Learning y Deep Learning de seleccionar las mejores características para predecir la variable de interés a partir de las variables con mayores valores de correlación bivariada. Además, la selección de las mejores características permite el control de variables externas que pudieran influir en los resultados al generar un sobreajuste de los modelos de regresión, lo que traería como consecuencia una alta precisión en la predicción en el entrenamiento y una baja predicción en la validación. Por lo tanto, las 37 variables restantes de la base de datos fueron controladas al ser eliminadas.

De la base de datos original se eliminaron los casos con datos ausentes.

Una vez seleccionadas las cinco características que mejor predicen las Metas de Aproximación al Dominio, se eligieron los cuestionarios de la base de datos general que tuvieran datos completos en las cinco escalas seleccionadas. La muestra quedó conformada por 339,560 estudiantes (M _edad = 15.79, DE = .29): 173,596 (51.1%) fueron mujeres y 165,964 (48.9%) fueron hombres. La muestra por país de residencia se muestra en la Tabla 1.

Tabla 1

País	n	%
Albania	5509	1.6
Azerbaiyán (Bakú)	3298	1.0
Argentina	7452	2.2
Australia	10431	3.1
Austria	5284	1.6
Bosnia y Herzegovina	4975	1.5
Brasil	6286	1.9
Brunei Darussalam	4924	1.5
Bulgaria	3417	1.0
Bielorrusia	5231	1.5
Chile	5066	1.5
China Taipéi (Teipéi Chino)	6932	2.0
Colombia	5265	1.6
Costa Rica	5971	1.8
Croacia	5445	1.6
República Dominicana	1496	0.4
Estonia	4706	1.4
Francia	4629	1.4
Alemania	2500	0.7
Grecia	5333	1.6
Hong Kong	5491	1.6
Hungría	4230	1.2
Islandia	2362	0.7
Indonesia	11152	3.3
Irlanda	4547	1.3
Italia	8574	2.5
Kosovo	3940	1.2
Kazajistán	15376	4.5
Jordania	7429	2.2
República de Corea	6460	1.9
Letonia	4461	1.3
Lituania	5440	1.6
Macao	3710	1.1
Malasia	5769	1.7
Malta	2695	0.8
México	4050	1.2
Moldavia	4771	1.4
Montenegro	5074	1.5
Marruecos	2467	0.7
Panamá	1840	0.5
Perú	2471	0.7
Filipinas	6190	1.8
Polonia	5007	1.5
Portugal	4879	1.4
Rumania	4418	1.3
Rusia	6144	1.8
Arabia Saudita	4841	1.4
Serbia	4470	1.3
Eslovaquia	4663	1.4
Eslovenia	5056	1.5
España	26377	7.8
Suiza	3681	1.1
Tailandia	8056	2.4
Emiratos Árabes Unidos	16079	4.7
Turquía	6359	1.9
Ucrania	5144	1.5
Reino Unido	2403	0.7
Uruguay	2827	0.8
Región de Moscú (RUS)	1675	0.5
Tartaristán (RUS)	4832	1.4

Dado que las correlaciones de Pearson y de Spearman arrojaron como mejores características: el Apoyo emocional de los padres percibido por el estudiante, la Competitividad, el Sentido de vida, la Autoeficacia, y el Conocimiento de la comunicación intercultural para predecir las Metas de Aproximación al Dominio, a continuación se reportan los instrumentos utilizados para medir dichos predictores:

Para medir el Apoyo emocional de los padres percibido por el estudiante se utilizó la Escala EMOSUPS (OECD, 2019), que consiste en tres reactivos con escala tipo Likert de cuatro puntos (α = .89; estructura de un factor: SRMR = .00; RMSEA = .000; CFI = 1.000; TLI = 1.000).

Se utilizó la Escala COMPETE (OECD, 2019) para medir Competitividad, es decir, el disfrute de los estudiantes por competir con sus pares teniendo el deseo de ganar y ser el mejor de todos (Spence y Helmreich, 1983). Consta de tres reactivos con escala tipo Likert de cuatro puntos (α = .77; estructura de un factor: SRMR = .00; RMSEA = .000; CFI = 1.000; TLI = 1.000).

La Escala EUDMO (OECD, 2019) se empleó para medir el Sentido de vida; recupera información sobre el grado de comprensión que tiene un estudiante sobre su vida con un significado y propósito, de tal manera que genere la sensación de que la vida importa (Steger, 2009). Consiste en tres reactivos con escala tipo Likert de cuatro puntos (α = .85; estructura de un factor; SRMR = .00; RMSEA = .000; CFI = 1.000; TLI = 1.000).

Se utilizó la Escala RESILIENCE (OECD, 2019) para medir la Autoeficacia y recuperar información sobre las creencias que tienen los estudiantes sobre sus propias capacidades para realizar alguna tarea en específico (Bandura, 1978). Está constituida por cinco reactivos tipo Likert de cuatro puntos (α = .78; estructura de un factor: SRMR = .020; RMSEA = .115; CFI = .980; TLI = .960).

Se empleó la escala AWACOM (OECD, 2020) para medir el Conocimiento de la comunicación intercultural, que alude a la capacidad de los estudiantes para comunicarse efectivamente en distintas situaciones, incluso con personas que hablan un idioma distinto (OECD, 2020). Consiste en siete reactivos tipo Likert de cuatro puntos (α = .90; estructura de un factor: SRMR = .021; RMSEA = .132; CFI = .980; TLI = .971).

Para evaluar las Metas de Aproximación al Dominio se utilizaron las puntuaciones de las Escalas MASTGOAL y WORKMAST. El análisis de confiabilidad de las puntuaciones de los participantes a la Escala de Metas de Aproximación al Dominio. La Escala MASTGOAL (OECD, 2019) consiste en tres reactivos tipo Likert de cinco puntos (α = .86; estructura de un factor: SRMR = .00; RMSEA = .000; CFI = 1.000; TLI = 1.000). Se utilizó la Escala WORKMAST (OECD, 2019) para medir las Metas de Dominio de las Tareas. La escala consiste en tres reactivos de tipo Likert de cuatro puntos (α = .76; estructura de un factor: SRMR = .00; RMSEA = .000; CFI = 1.000; TLI = 1.000).

Además, las puntuaciones individuales obtenidas a partir de los instrumentos fueron transformadas a una escala de 0 a 1, donde 0 indica la media de la OECD y 1.0 la desviación estándar en los países de la OECD.

Finalmente, las escalas son de autoinforme, y esto pudiera tener la limitación de generar sesgos en las respuestas debido al fenómeno de deseabilidad social de los participantes. Asimismo, otra posible limitación de algunas escalas es que están construidas con tres reactivos y esto pudiera subrepresentar el constructo que se mide, aunque los análisis de las escalas basados en la Teoría de la Respuesta al Ítem reportados por la OECD (2019) y los análisis de confiabilidad y validez de constructo reportados en el estudio arrojaron evidencias de confiabilidad y validez.

Una vez seleccionadas las mejores características para predecir las Metas de Aproximación al Dominio, se analizaron los datos con Machine Learning con el algoritmo Super Learner.

Super Learner es un algoritmo de conjunto que permite aplicar varios algoritmos candidatos a un conjunto de datos, y encuentra el algoritmo óptimo o una combinación óptima ponderada de algoritmos a partir de la validación cruzada para el aprendizaje y predicción (van der Laan et al., 2007). Se utilizó el Super Learner porque resuelve el problema práctico de que, por lo general, es imposible determinar a priori cuál algoritmo funcionará mejor para la predicción (Golmakani y Polley, 2020). De esta forma, el Machine Learning, al no partir de modelos teóricos preexistentes y basarse fundamentalmente en la experimentación de los datos a partir del ensayo y error, y específicamente en el metamodelo de Super Learner, necesita utilizar la mayor cantidad de algoritmos disponibles para encontrar el algoritmo o la combinación de algoritmos que arrojen el mejor rendimiento para la predicción (Golmakani y Polley, 2020; van der Laan et al., 2007). Asimismo, la optimización de los hiperparámetros de los algoritmos candidatos siguió la misma lógica de experimentación, y no es posible que exista una justificación teórica y metodológica preexistente.

Por lo tanto, los algoritmos utilizados en Super Learner fueron: Linear Regresión, Decision Tree Regressor, Random Forest Regressor, Extra Trees Regressor, K- Nearest Neighbors Regressor, Support Vector Regressor, Least Angle Regression, Bayesian Ridge Regression, Tweedie Regressor, Theil Sen Regressor, Huber Regressor, Baggin Regressor, Ada Boost Regressor, Gradient Boosting Regressor. Los hiperparámetros de los algoritmos para Ada Boost Regressor y Baggin Regressor se realizaron con Linear Regression y 200 estimadores; Support Vector Regressor con gamma igual a scale; Decision Tree Regressor, con cuatro arboles; Random Forest Regressor y Extra Trees Regressor con 200 estimadores, con cuatro arboles; K Neighbors Regressor con 10 vecinos; Gradient Boosting Regressor con 100 estimadores. Los demás hiperparámetros de los algoritmos fueron los establecidos por defecto.

Se evaluó el rendimiento de los algoritmos con el método de validación cruzada con 10 subconjuntos (k-fold). La validación cruzada permitió dividir, de forma aleatoria, el total de los datos en 10 subconjuntos, aproximadamente de igual tamaño. En cada iteración, uno de los subconjuntos de datos fue usado para evaluar y el resto para el entrenamiento. Asimismo, en cada iteración el algoritmo seleccionó de manera estricta distintos subconjuntos de datos para evaluar, de manera que no pudieran repetirse los subconjuntos utilizados en las iteraciones anteriores. Finalmente, en la validación cruzada se estimaron los errores obtenidos en cada iteración, y luego se obtuvo la media de los errores obtenidos en todas las iteraciones.

Se seleccionó la validación cruzada porque es el método acorde para evaluar el rendimiento de predicción del algoritmo Super Learner. Además, es un estimador más robusto para el riesgo esperado o pérdida y arroja una métrica más generalizable en contraste con el error obtenido sólo con una división del conjunto de datos para la evaluación y entrenamiento (Jung, 2022). Por último, con la validación cruzada se garantizó que los datos utilizados para entrenar fueran independientes de los datos utilizados para evaluar el rendimiento de la predicción (Montesinos et al., 2022).

Asimismo, se utilizaron las métricas de Varianza Explicada, el Coeficiente de Determinación (R²), Error Cuadrático Medio (MSE) y Error Absoluto Medio (MAE). La varianza permitió determinar qué tan lejos estuvieron los valores de las predicciones de la media de los valores reales. El R² permitió determinar cómo se ajustaron los datos al modelo de regresión y determinar la proporción de la varianza que logró explicarse. y el MSE y MAE permitieron calcular la variación media general de la diferencia entre el valor predicho y el valor real. Estas métricas permiten evaluar el rendimiento de la predicción de las Metas de Aproximación al Dominio a partir del Apoyo emocional de los padres percibido por el estudiante (EMOSUPS), Competitividad (COMPETE), Sentido de Vida (EUDMO), Autoeficacia (RESILIENCE), Conocimiento de la comunicación intercultural (AWACOM), Metas de Aproximación al Dominio (MAD). Los valores superiores de la Varianza Explicada y R², y valores aproximados al cero de MSE y MAE indican el mejor rendimiento de los algoritmos.

Además, se analizaron dichas variables independientes usando Deep Learning con una Red Neuronal Artificial para predecir la variable dependiente Metas de Aproximación al Dominio (ver Figura 3).

Se eligió la arquitectura de una red neuronal artificial de tipo perceptrón multicapa, debido a que este tipo de red permite instrumentar el algoritmo de la propagación del error hacia atrás, de tal manera que la red aprende la asociación entre los patrones de los datos de entrada y salida en cada neurona (Jiang, 2021), y cada neurona oculta pasa información hacia y desde elementos que están interconectados (Hastie et al., 2009). Además, el tipo de aprendizaje que se instrumenta en la red perceptrón multicapa es supervisado y acorde al tipo de datos continuos, estructurados y etiquetados con los que se llevó a cabo el presente estudio.

Figura 3

La red neuronal artificial diseñada en este estudio arrojó 107 parámetros entrenados. Utilizamos la activación sigmoidal en la capa de entrada y en las ocultas, debido a que el algoritmo de la propagación del error hacia atrás requiere que la función sea continua y derivable para calcular el error de las neuronas (Hastie et al., 2009). Para compilar la red neuronal, utilizamos el Error Cuadrático Medio (MSE), ya que permite evaluar la adaptación de la red neuronal para realizar la predicción (Hastie et al., 2009). g, se utilizó el optimizador Adam porque se basa en estimaciones adaptativas de momentos de orden inferior denominados gradientes de primer orden (Kingma y Ba, 2015). Se evaluó la red neuronal con dos métodos: (a) División de la base de datos por porcentaje, 80% para entrenamiento y 20% para validación, con un random state de 42 y (b) Validación cruzada con cinco subconjuntos (k- fold). En ambos métodos de evaluación se utilizaron 150 épocas y un batch size de 10. Los demás hiperparámetros fueron los establecidos por defecto.

La capa de entrada corresponde al número de variables dependientes que se seleccionaron en el estudio y la capa de salida alude a la variable a predecir. El número de las capas ocultas, de las neuronas en cada capa, las épocas y el tamaño de batch size se establecieron de forma arbitraria, a partir de ensayo y error. De esta manera se valoraron varias arquitecturas de la red neuronal, con base en el rendimiento que tuvieron en el conjunto de datos de validación para la predicción de las Metas de Aproximación del Dominio, a partir de las cinco características predictoras.

Finalmente, se hicieron los análisis con Python y las librerías de NumPy, Pandas y scikit-learn, Keras y matplotlib.

Para predecir las Metas de Aproximación al Dominio con técnicas de IA se estableció la siguiente función:

ƴ = ƒ ( x 1 , x 2 , x 3 , x 4 , x 5 )

Donde:

ƴ = Metas de Aproximación al Dominio

х₁ = Apoyo Emocional de los Padres Percibido por el Estudiante (EMOSUPS)

х₂ = Competitividad (COMPETE)

х₃ = Sentido de Vida (EUDMO)

х₄ = Autoeficacia (RESILIENCE)

х₅ = Conocimiento de la Comunicación Intercultural (AWACOM)

A continuación, se reportan los resultados obtenidos con la función anterior, y que fue analizada con modelos de regresión de Machine Learning y Deep Learning.

Los resultados de las evaluaciones de los modelos que predicen las Metas de Aproximación al Dominio a partir las cinco variables predictoras se muestran en la Tabla 3. Se incluye el MSE, MAE, Varianza Explicada y R². Los resultados indican que el Super Learner predijo el 39.5% de la varianza. Asimismo, se observa que el MSE (1.807) y el MAE (1.048) de la predicción de las Metas de Aproximación al Dominio en el Super Learner fue menor en comparación con los modelos base.

Tabla 3

Modelos	R2	Varianza Explicada	MSE	MAE
Super Lemer	0.395	0.395	1.807	1.048
Gradient Boosting Regressor (GB)	0.390	0.390	1.847	1.052
Support Vector Regressor (SVR)	0.382	0.383	1.851	1.052
Linear Regresion (LR)	0.378	0.378	1.864	1.069
Least Angle Regression (LARS)	0.378	0.378	1.864	1.069
Bayesian Ridge Regression (BRR)	0.378	0.378	1.864	1.069
Baggin Regressor (BR)	0.378	0.378	1.864	1.069
Theil Sen Regressor (TSR)	0.376	0.374	1.872	1.068
Huber Regressor (HR)	0.376	0.376	1.870	1.066
Ada Boost Regressor (AB)	0.367	0.368	1.901	1.090
Extra Trees Regressor (ET)	0.346	0.347	1.959	1.112
Tweedie Regressor (TR)	0.340	0.340	1.981	1.122
Random Forest Regressor (RF)	0.338	0.337	1.988	1.113
K- Nearest Neighbors Regressor (KNN)	0.334	0.334	1.999	1.103
Decision Tree Regressor (CART)	0.309	0.309	2.063	1.136

Super Learner resultó con el mejor desempeño para la predicción, debido a que fue diseñado para absorber el aprendizaje de los algoritmos candidatos, encontrar el algoritmo o combinación óptima de algoritmos que se desempeñaron mejor para la predicción. Si se busca aumentar la efectividad del desempeño de las predicciones del Super Learner es requisito mínimo hacer uso de la mayor cantidad de algoritmos disponibles.

Las curvas de pérdida del error para predecir la Metas de Aproximación al Dominio con la red neuronal diseñada (ver figura 3), a partir de las variables predictoras, se ven en la Figura 4. Los resultados muestran que las curvas de entrenamiento y validación siguen una línea descendente que indica pérdida de error para predecir la Metas de Aproximación al Domino a partir de las variables seleccionadas. Finalmente, en la época 150, los valores del MSE de la red neuronal fueron de 1.829 y 1.837 en el entrenamiento y validación respectivamente.

Figura 4

El análisis de evaluación de la red neuronal para predecir las Metas de Aproximación al Dominio con el método de validación cruzada arrojó una media de línea base del MSE de 1.833.

Finalmente, es importante mencionar que la convergencia de la red neuronal se ve afectada porque se espera que en cada época aumente la tasa de aprendizaje y disminuya el error de la predicción. Para intentar mejorar en futuras iteraciones se sugiere los siguiente: (a) seguir experimentando con el mayor número posible de neuronas en las capas ocultas, para de esta manera garantizar que el modelo sea flexible para identificar la no linealidad de los datos; (b) activar la disminución de la tasa de aprendizaje en cada época, para evitar el sobreajuste y lograr el aprendizaje óptimo; y (c) experimentar con distintos valores en los hiperparámetros de las épocas y el de batch size.