Prediction of Academic Performance in Higher Level Students. A Descriptive Analysis
DOI:
https://doi.org/10.5281/zenodo.10357981Keywords:
academic performance, artificial intelligence, higher educational institutionAbstract
Among other benefits, predicting school performance in higher-level students allows for the early identification of at-risk students and the recognition of areas for improvement within the educational system. With artificial intelligence algorithms, it is possible to uncover patterns in the data that indicate when a student is at academic risk and intervene on time as decision-makers deem. This research presents a descriptive and exploratory analysis of publications on school performance prediction in Ibero-America between 2018 and 2022. The following variables were analyzed: year of publication, algorithms, sample size, results, and factors related to school performance. The results show that the most commonly used algorithms are classification trees and artificial neural networks, with varied sample sizes related to the number of analyzed variables, which mostly correspond to socioeconomic and cognitive factors.
Metrics
References
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
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This journal adheres to the Creative Commons license in the definition of its policy of open access and reuse of published material, in the following terms:
- Accessibility to articles and other publications in whole or in part under the concept of copying, distribution, public communication , interactive access (through the Internet or other means), explicitly maintaining the recognition of the author or authors and the journal itself (authorship acknowledgment).
- Warning that if the articles are remixed, modified or fragments used in other creations, the modified material cannot be distributed, nor is it allowed to reconstruct versions from the original published articles (derived works).
- The use of the contents of the published articles, in whole or in part, for profit (non-commercial recognition) is prohibited.
The author retains copyright, transfers or grants exclusive commercial rights to the publisher, and a non-commercial license is used.
