Predicción del desempeño escolar en nivel superior. Un análisis descriptivo

Abraham Santiago Martínez; Vicente Josué Aguilera Rueda; César Augusto Mejía Gracia

doi:10.5281/zenodo.10357981

Autores/as

Abraham Santiago Martínez Universidad Veracruzana https://orcid.org/0009-0006-1818-8410
Vicente Josué Aguilera Rueda Universidad de Xalapa https://orcid.org/0000-0002-1952-7860
César Augusto Mejía Gracia Universidad Veracruzana https://orcid.org/0000-0001-8874-0473

DOI:

https://doi.org/10.5281/zenodo.10357981

Palabras clave:

desempeño académico, inteligencia artificial, IES

Resumen

La predicción del desempeño escolar en estudiantes de nivel superior, entre otras ventajas, permite identificar tempranamente a los estudiantes que se encuentran en riesgo y reconoer las áreas de mejora del sistema educativo. Con algoritmos de inteligencia artificial es posible encontrar patrones en los datos que indiquen cuando un estudiante está en riesgo académico e intervenir a tiempo según el tomador de decisiones considere. Esta investigación presenta un análisis descriptivo e indagatorio de las publicaciones relacionadas con la predicción del desempeño escolar en Iberoamérica entre los años 2018 a 2022. Se analizaron las siguientes variables: año de publicación, algoritmos, tamaño de la muestra, resultados y factores relacionados con el desempeño escolar. Los resultados muestran que los algoritmos más utilizados son los árboles de clasificación y las redes neuronales artificiales, con tamaños de muestra variados relacionados con el número de variables analizadas, la cuales corresponden mayormente a factores socioeconómicos y cognitivos.

Métricas

Cargando métricas ...

Biografía del autor/a

Abraham Santiago Martínez, Universidad Veracruzana

Es egresado de la licenciatura en Sistemas Computaciones Administrativos en la Universidad Veracruzana. Su trabajo recepcional de dicho grado está relacionado con la inteligencia artificial en el ámbito educativo. Sus intereses de investigación son aprendizaje automático, tecnología aplicada a la educación.

Vicente Josué Aguilera Rueda, Universidad de Xalapa

Es profesor en la Facultad de Contaduría y Administración en la Universidad Veracruzana y profesor en la Escuela de Ingenierías de la Universidad de Xalapa. Ha colaborado en proyectos de desarrollo de software. Ha publicado en revistas de alto impacto y participado como ponente en congresos internacionales.

César Augusto Mejía Gracia, Universidad Veracruzana

Formado en Sistemas Computacionales Administrativos, con maestría y doctorado en Administración, cuenta con una trayectoria diversa que incluye roles como director comercial, director de nuevos negocios, consultor, empresario y docente en la Universidad Veracruzana. Miembro de SNI y AMIAC.

Citas

Balderas, R., Chaparro, O., Maldonado, A., y Martínez Jesús Alberto Martínez Castro, M. (2020). Aprendizaje automático. https://indico.nucleares.unam.mx/event/1594/material/slides/4.pdf

Betancourt Gustavo. (2005). Las máquinas de soporte vectorial SVMs. Scientia Et Technica, 11(27), 67–72. https://www.researchgate.net/publication/49588125_las_maquinas_de_soporte_vectorial_svms

Cabana Yupanqui, S. B. (2018). Análisis predictivo del rendimiento académico en los alumnos de la escuela profesional de ingeniería en informática y sistemas de la unjbg, utilizando redes neuronales, semestre 2017-i. http://repositorio.unjbg.edu.pe/handle/UNJBG/3200

Candia Oviedo, D. I. (2019). Predicción del rendimiento académico de los estudiantes de la UNSAAC a partir de sus datos de ingreso utilizando algoritmos de aprendizaje automático. https://repositorio.unsaac.edu.pe/handle/20.500.12918/4120

Carmona Jáquez, J. R. (2022). Predicción de desempeño académico por medio de redes neuronales [Tesis, Universidad Autónoma de Chihuahua]. http://repositorio.uach.mx/id/eprint/503

Castrillón, O. D., Sarache, W., y Ruiz-Herrera, S. (2020). Prediction of academic performance using artificial intelligence techniques. Formación Universitaria, 13(1), 93–102. https://doi.org/10.4067/S0718-50062020000100093

Contreras, L. E., Fuentes, H. J., y Rodrfguez, J. I. (2020). Academic performance prediction by machine learning as a success/failure indicator for engineering students. Formacion Universitaria, 13(5), 233–246. https://doi.org/10.4067/S0718-50062020000500233

Cruz, E., González, M., y Rangel, J. C. (2022). Técnicas de machine learning aplicadas a la evaluación del rendimiento y a la predicción de la deserción de estudiantes universitarios, una revisión. Prisma Tecnológico, 13(1), 77–87. https://doi.org/10.33412/pri.v13.1.3039

Díaz-Landa, B., Meleán-Romero, R., y Marín-Rodriguez, W. (2021). Rendimiento académico de estudiantes en Educación Superior: predicciones de factores influyentes a partir de árboles de decisión. Telos Revista de Estudios Interdisciplinarios En Ciencias Sociales, 23(3), 616–639. https://doi.org/10.36390/telos233.08

Guadalupe, E., y González, C. (2017). Factores que inciden en el rendimiento académico de los estudiantes de la Universidad Politécnica del Valle de Toluca. Latinoamericana de Estudios Educativos, 47, 91–108. https://www.redalyc.org/articulo.oa?id=27050422005

Huecas Dueñas, J. (2020). Análisis de la relación entre la situación socioeconómica de los padres y rendimiento académico de los hijos en España. https://repositorio.comillas.edu/xmlui/bitstream/handle/11531/37120/TFG%20-%20Duenas%20Huecas%2C%20Jesus.pdf?sequence=1

Ibañez Reyes, S., Lozano Jimenez, J., y Lastre Gómez, D. (2020). Diseño de un modelo predictivo entre las características de personalidad y el desempeño académico de los estudiantes del programa de psicología la facultad de cienc. https://doi.org/https://hdl.handle.net/11323/7085

Incio Flores, F. A., Capuñay Sanchez, D. L., Estela Urbina, R. O., Delgado Soto, J. A., y Vergara Medrano, S. E. (2021). Diseño e implementación de una red neuronal artificial para predecir el rendimiento académico en estudiantes de Ingeniería Civil de la UNIFSLB. REVISTA VERITAS ET SCIENTIA - UPT, 10(1), 107–117. https://doi.org/10.47796/ves.v10i1.464

Layza Bermudez, F. H. (2020). Modelo matemático de predicción del rendimiento académico del curso matemática ii en la facultad de ingeniería química, unac 2019. http://hdl.handle.net/20.500.12952/5484

Lemus Amezcua, A. A., Cantón Croda, R. M., y Morales Salgado, M. del R. (2021). Construcción de un modelo predictivo para determinar el rendimiento académico de los estudiantes del colegio de estudios científicos y tecnológicos del estado de Michoacán. Ciencia Latina Revista Científica Multidisciplinar, 5(5), 7709–7749. https://doi.org/10.37811/cl_rcm.v5i5.872

Leonor, R., y Cazarez, U. (2020). Aplicación de una red neuronal probabilística para predecir el desempeño académico de estudiantes de educación superior en línea Probabilistic Neural Network to Predict the Academic Performance of Online Higher Education Students. In Research in Computing Science (Vol. 149, Issue 8). https://rcs.cic.ipn.mx/2020_149_8/Aplicacion%20de%20una%20red%20neuronal%20probabilistica%20para%20predecir%20el%20desempeno%20academico.pdf

Lizares Castillo, M. (2017). Comparación de modelos de clasificación: regresión logística y árboles de clasificación para evaluar el rendimiento académico [Tesina, Universidad del Perú]. https://hdl.handle.net/20.500.12672/7122

Mahesh, B. (2020). Machine Learning Algorithms-A Review. International Journal of Science and Research, 9(1), 381–386. https://doi.org/10.21275/ART20203995

Martínez Pérez, J. R., Pérez Leyva, E. H., Ferrás Fernández, Y., y Bermúdez Cordoví, B. C. (2021). Análisis predictivo de la deserción estudiantil en la carrera de Medicina. EDUMECENTRO, 13(3), 217–236. https://orcid.org/0000-0002-0415-6200

Martínez R, Álvarez-Xochihua O, Mejía O, Jordan A, y Gonzáles-Fraga J. (2019). Use of Machine Learning to Measure the Influence of Behavioral and Personality Factors on Academic Performance of Higher Education Students (Vol. 17, Issue 4). https://doi.org/10.1109/tla.2019.8891928

Martínez-González, A., Patricia Manzano-Patiño, A., García-Minjares, M., Johana Herrera-Penilla, C., Ricardo Buzo-Casanova, E., y Sánchez-Mendiola, M. (2018). Grado de conocimientos de los estudiantes al ingreso a la licenciatura y su asociación con el desempeño escolar y la eficiencia terminal. Modelo multivariado Degree of knowledge of students entering the bachelor’s degree and its association with school performance and the terminal efficiency. Multivariate model. https://www.scielo.org.mx/scielo.php?pid=S0185-27602018000400057&script=sci_abstract

Meléndez-Armenta, R. A. (2022). La salud mental y su influencia en el desempeño académico de estudiantes durante la pandemia COVID-19. Revista Electrónica Educare, 27(1), 1–12. https://doi.org/10.15359/ree.27-1.14538

Morales Hernández, M. Á., González Camacho, J. M., Robles Vásquez, H., Del Valle Paniagua, D. H., y Durán Moreno, J. R. (2022). Algoritmos de aprendizaje automático para la predicción del logro académico. RIDE Revista Iberoamericana Para La Investigación y El Desarrollo Educativo, 12(24). https://doi.org/10.23913/ride.v12i24.1180

Muñoz Comonfort, A., y Fortoul van der Goes, T. I. (2022). Preparación académica previa y desempeño académico de estudiantes de primer año de una escuela de medicina. Investigación En Educación Médica, 11(43), 90–98. https://doi.org/10.22201/fm.20075057e.2022.43.21423

Pinzón Pérez, D. F., Román González, M., y González Palacio, E. V. (2023). El pensamiento algorítmico como estrategia didáctica para el desarrollo de habilidades de resolución de problemas en el contexto de la educación básica secundaria. Revista de Educación a Distancia (RED), 23(73), 2–22. https://doi.org/10.6018/red.542111

Raschka, S. (2018). STAT 479: Machine Learning Lecture Notes. http://stat.wisc.edu/∼sraschka/teaching/stat479-fs2018/

Ráyon, A. (2017, April). Guía para comenzar con algoritmos de Machine Learning. Deusto Data. https://blogs.deusto.es/bigdata/guia-para-comenzar-con-algoritmos-de-machine-learning/

Rico Páez, A. (2022). Modelos predictivos progresivos del rendimiento académico de estudiantes universitarios. RIDE Revista Iberoamericana Para La Investigación y El Desarrollo Educativo, 12(24). https://doi.org/10.23913/ride.v12i24.1196

Rico Páez, A., y Gaytán Ramírez, N. D. (2022). Modelos predictivos del rendimiento académico a partir de características de estudiantes de ingeniería. IE Revista de Investigación Educativa de La REDIECH, 13, e1426. https://doi.org/10.33010/ie_rie_rediech.v13i0.1426

Rico Páez, A., Gaytán Ramírez, N. D., y Sánchez Guzmán, D. (2019). Construcción e implementación de un modelo para predecir el rendimiento académico de estudiantes universitarios mediante el algoritmo Naïve Bayes. Diálogos Sobre Educación, 19. https://doi.org/10.32870/dse.v0i19.509

Rico Páez, A., y Sánchez Guzmán, D. (2018). Diseño de un modelo para automatizar la predicción del rendimiento académico en estudiantes del IPN / Design of a model to automate the prediction of academic performance in students of IPN. RIDE Revista Iberoamericana Para La Investigación y El Desarrollo Educativo, 8(16), 246–266. https://doi.org/10.23913/ride.v8i16.340

Rodríguez-Hernández, C. F., Musso, M., Kyndt, E., y Cascallar, E. (2021). Artificial neural networks in academic performance prediction: Systematic implementation and predictor evaluation. Computers and Education: Artificial Intelligence, 2. https://doi.org/10.1016/j.caeai.2021.100018

Samuel, A. L. (1959). Some Studies in Machine Learning Using the Game of Checkers.

Sandoval Serrano, L. J. (2018). Algoritmos de aprendizaje automático para análisis y predicción de datos. 11. http://www.redicces.org.sv/jspui/handle/10972/3626

TIBCO. (2020). ¿Qué es el aprendizaje supervisado? https://www.tibco.com/es/reference-center/what-is-supervised-learning

Urbina-Nájera, A. B., Camino-Hampshire, J. C., y Cruz Barbosa, R. (2020). University dropout: Prevention patterns through the application of educational data mining. RELIEVE - Revista Electronica de Investigacion y Evaluacion Educativa, 26(1), 1–19. https://doi.org/10.7203/relieve.26.1.16061

Urteaga, I., Siri, L., y Garófalo, G. (2020). Predicción temprana de deserción mediante aprendizaje automático en cursos profesionales en línea. RIED. Revista Iberoamericana de Educación a Distancia, 23(2), 147. https://doi.org/10.5944/ried.23.2.26356

Webb, G. I. (2016). Naïve Bayes. In Encyclopedia of Machine Learning and Data Mining (pp. 1–2). Springer US. https://doi.org/10.1007/978-1-4899-7502-7_581-1

Witten H. Ian, Eibe Frank, y Mark A. Hall. (2011). Data Mining: Practical Machine Learning Tools and Techniques (3rd ed.). https://doi.org/https://doi.org/10.1016/C2009-0-19715-5