¿De qué trata el proyecto?
“Rendimiento escolar y estilo de vida: visualización de datos en AWS” es un proyecto que analiza cómo los hábitos cotidianos influyen en el desempeño académico de estudiantes jóvenes. Utilizando herramientas de Amazon Web Services (AWS) como Amazon S3 y Amazon QuickSight, se exploran relaciones entre variables como horas de sueño, dieta, uso de redes sociales y consumo de Netflix, para identificar patrones que puedan ayudar a mejorar el rendimiento académico.
El estudio se basa en un dataset con 1.000 registros de estudiantes de secundaria y universidad, integrando ciencia de datos, visualización interactiva y análisis educativo de manera accesible, sin costo, usando la capa gratuita de AWS.
¿Cuál problema viene a resolver?
Muchos estudiantes no son conscientes de cómo sus hábitos diarios pueden afectar sus calificaciones. Instituciones educativas y padres tampoco siempre cuentan con herramientas claras para:
- Medir objetivamente la influencia de hábitos de vida.
- Visualizar de forma simple las tendencias de bajo rendimiento.
- Identificar oportunidades de intervención temprana.
Además, en entornos educativos tradicionales, no existen sistemas accesibles para transformar datos de comportamiento en conocimiento útil.
¿Cuál es la solución?
El proyecto plantea una solución basada en visualización de datos interactivos, que permite:
- Detectar correlaciones positivas o negativas entre hábitos y calificaciones.
- Observar tendencias personalizadas por variable (sueño, dieta, uso de redes, entretenimiento).
- Usar dashboards para tomar decisiones educativas basadas en evidencia.
- Aplicar el enfoque a distintos grupos etarios o instituciones.
Los hallazgos clave incluyeron:
- Horas de sueño → correlación positiva con mejores calificaciones.
- Dieta regular → impacto positivo dentro de ciertos rangos de sueño.
- Netflix y redes sociales → correlación negativa con el rendimiento académico.
¿Cómo fue construido?
Arquitectura en AWS:
- Amazon S3: Almacenamiento del dataset en formato estructurado.
- Amazon QuickSight: Creación de dashboards dinámicos para explorar correlaciones.
- SPICE (Super-fast, Parallel, In-memory Calculation Engine): Aceleración del rendimiento de consultas para gráficos complejos.
Dataset y análisis:
1.000 registros con variables como:
- Horas de estudio
- Horas de sueño
- Calidad de la dieta
- Tiempo en redes sociales
- Consumo de Netflix
- Notas académicas
Gráficos utilizados:
- Barras (agrupaciones por hábitos)
- Dispersión (correlaciones entre variables)
- Comparativas por grupo
Futuro del proyecto:
- Incorporar modelos predictivos con aprendizaje automático.
- Ampliar el dataset a más regiones o niveles educativos.
- Desarrollar una aplicación que sugiera hábitos saludables personalizados.
