Published December 11, 2023 | Version v1
Journal article Open

Predicción del desempeño escolar en nivel superior. Un análisis descriptivo

Creators

  • 1. ROR icon Universidad Veracruzana
  • 2. ROR icon Universidad de Xalapa

Description

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 reconocer 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.

Files

1. Predicción del desempeño escolar.pdf

Files (461.3 kB)

Name Size Download all
md5:4a3786d5afd1d7fd526ab6f53b2258ca
461.3 kB Preview Download

Additional details

References

  • Betancourt, G. A., (2005). Las máquinas de soporte vectorial SVMs. Scientia Et Technica, 11(27), 67–72.
  • 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 Rodriguez, 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 Ciencias Humanas y Sociales de la Universidad de la Costa. Corporación Universidad de la Costa. 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. In Research in Computing Science, 149(8).
  • 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. 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. 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, abril). 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
  • Soria Olivas, E., Sánchez-Montañés, M. A., Gamero Cruz, I. R., Borja Castillo, C., y Cano Michelena, P., (2023). Sistemas de aprendizaje automático. Ra-Ma.
  • 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. 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. https://doi.org/https://doi.org/10.1016/C2009-0-19715-5