El rendimiento académico de los estudiantes universitarios es un indicador clave de su éxito educativo. Identificar factores que influyen en este rendimiento permite implementar intervenciones oportunas para prevenir la reprobación y el abandono escolar. Un estudio reciente realizado por investigadores ecuatorianos aplicó modelos de Machine Learning para predecir y explicar el rendimiento académico, enfocándose en estudiantes con antecedentes de reprobación.
Metodología del estudio:
El estudio utilizó un enfoque cuantitativo con diseño no experimental y análisis ex post facto, basado en una población de 12,211 estudiantes universitarios. Se recopiló información mediante un cuestionario de 32 ítems que abarcaba aspectos sociodemográficos, socioeconómicos, emocionales, institucionales-académicos, autoeficacia y autocontrol, vinculado al sistema de matrícula del estudiante. Además, se integraron siete variables académicas institucionales. Se entrenaron tres algoritmos de clasificación supervisada: Random Forest, XGBoost y CatBoost. Para interpretar los resultados del modelo, se utilizó el método SHAP. El procesamiento y análisis de datos se realizó en Python utilizando Google Colab.
Resultados obtenidos:
El modelo CatBoost mostró el mejor desempeño, alcanzando un recall del 70% para la clase «reprobada». Los indicadores más influyentes en la predicción de reprobación fueron: facultad, carrera, nivel o ciclo académico, estado emocional, atención docente y desempeño académico previo. Estos hallazgos sugieren que la reprobación está influenciada principalmente por variables académicas-institucionales, seguidas de factores emocionales, sociodemográficos y socioeconómicos.
Aplicaciones prácticas y conclusiones:
La aplicación de Machine Learning en la predicción del rendimiento académico permite una identificación temprana de estudiantes en riesgo de reprobación. Esto facilita la implementación de intervenciones personalizadas para mejorar su desempeño. Además, el uso de modelos interpretables como SHAP proporciona a los docentes y administradores educativos una comprensión clara de los factores que afectan el rendimiento, apoyando la toma de decisiones informadas.
Continúa tu carrera profesional:
Si estás interesado en profundizar en el uso de tecnologías avanzadas para la mejora educativa, el programa de Maestría en Educación y TIC de FUNIBER ofrece formación en el uso de herramientas digitales y metodologías innovadoras para la enseñanza y gestión educativa.
Fuente:
zenodo