Principales variables que predicen la competencia motora: análisis con árboles de clasificación
Introducción: La competencia motora es una variable que marca la vida del ser humano. Por tal razón, realizar estudios de predicción que expliquen el comportamiento de esta es trascendental. Objetivo: El propósito del estudio fue explorar las principales variables que predicen la competencia moto...
Saved in:
| Main Authors: | , , , , , , , , , , , , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
FEADEF
2025-05-01
|
| Series: | Retos: Nuevas Tendencias en Educación Física, Deportes y Recreación |
| Subjects: | |
| Online Access: | https://recyt.fecyt.es/index.php/retos/article/view/113239 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Introducción: La competencia motora es una variable que marca la vida del ser humano. Por tal razón, realizar estudios de predicción que expliquen el comportamiento de esta es trascendental.
Objetivo: El propósito del estudio fue explorar las principales variables que predicen la competencia motora según el análisis con árboles de clasificación.
Método: Participaron 291 niños peruanos de 6 a 10 años (M=8.35; DE=1.29), a quienes se les aplicó el test de desarrollo motor grueso; una prueba de matemática y lectura; un cuestionario sociodemográfico; y se les realizó las mediciones de masa corporal y estatura.
Resultados: Los resultados de predicción presentaron un modelo inicial con 22 nodos terminales con el 65.52 % de precisión, y un modelo optimizado con 10 nodos terminales con el 68.34 % de precisión.
Discusión: Este es el primer estudio que aplica el aprendizaje automático mediante el modelo árbol de clasificación en base a la metodología CRISP-DM para explorar las principales variables que predicen la competencia motora en niños de 6 a 10 años.
Conclusiones: Este estudio confirma que el aprendizaje automático mediante el modelo árbol de clasificación en base a la metodología CRISP-DM puede predecir la competencia motora en niños de 6 a 10 años con una precisión de 68.34 %, siendo las horas de práctica de actividad física al día la variable más importante, además de las horas de uso de dispositivos con pantalla al día y la masa corporal de siete variables.
|
|---|---|
| ISSN: | 1579-1726 1988-2041 |