Dataset de Piloto: Alfabetización Mediática y Perfiles de Riesgo Estudiantil
Description
Este dataset presenta los resultados de un estudio piloto diseñado para evaluar el nivel de alfabetización mediática en estudiantes y su incidencia en la identificación de perfiles de riesgo académico. Los datos comprenden información sociodemográfica, dimensiones de competencia mediática y métricas de riesgo. El conjunto es idóneo para investigadores interesados en la educación mediática, la brecha digital y la analítica de aprendizaje. Keywords: Alfabetización mediática, competencias digitales, perfil de riesgo, estudio piloto, educación, análisis cuantitativo. Notas de uso: Los datos se proporcionan en formato CSV, listos para ser importados en software estadístico (SPSS, R, SmartPLS). Se recomienda normalizar las variables si se planea utilizar modelos de ecuaciones estructurales (SEM).
Files
Steps to reproduce
Pasos para reproducir el sistema de diagnóstico1. Configuración del entornoRequisito: Docker instalado.Crear archivo requirements.txt:Plaintextpandas==2.0.0 scikit-learn==1.2.0 tensorflow==2.12.0 fastapi==0.95.0 uvicorn==0.22.0 Generar imagen: docker build -t med-risk-model .2. Preprocesamiento de datosCargar Dataset_Piloto.csv.Limpieza: Ejecutar data_cleaning.py para eliminar valores nulos e imputar mediante la media del factor.Normalización: Aplicar MinMaxScaler (rango 0-1) a las variables de entrada para asegurar la convergencia del modelo.3. Validación del modelo (Psicométrica)Ejecutar análisis de constructo mediante validation_script.py:Validar fiabilidad con Alfa de Cronbach ($\alpha > 0.70$).Ejecutar ACP (Análisis de Componentes Principales) con rotación Varimax.Comparar cargas factoriales ($\lambda > 0.50$) con los pesos del modelo neuronal.4. Entrenamiento del modeloEjecutar train_model.py:Arquitectura: Capa entrada (25 neuronas), 2 capas ocultas (Dense, ReLU, Dropout 0.3), Capa salida (Softmax, 3 clases).Hiperparámetros: Optimizador Adam, Learning Rate 0.001, Batch size 32.Resultado: Modelo serializado en .h5 o formato SavedModel.5. Despliegue y Validación (REST API)Iniciar contenedor: docker run -p 8000:8000 med-risk-model.Prueba de API: Enviar JSON con datos de estudiante al endpoint /predict.JSON{ "input_features": [3, 4, 2, 5, ...] } Resultado esperado: Retorno de clase (Bajo, Moderado, Crítico) y probabilidad asociada.