Modelos Predictivos de Rendimiento Académico Universitario Mediante Aprendizaje Automático

Abstract

Este artículo científico aborda la temática de la predicción del rendimiento académico universitario mediante el uso de técnicas de aprendizaje automático. Comienza con una revisión exhaustiva de la literatura, que abarca desde modelos estadísticos tradicionales hasta enfoques más recientes basados en aprendizaje automático. Se destacan estudios relevantes que han explorado diversos factores predictivos y algoritmos utilizados en este campo de investigación. La metodología detallada describe los datos utilizados, el preprocesamiento aplicado y los algoritmos de aprendizaje automático seleccionados, incluyendo regresión logística, árboles de decisión, bosques aleatorios, máquinas de soporte vectorial (SVM), redes neuronales y modelos de ensamblaje. Se enfatiza la importancia de la validación cruzada y la evaluación rigurosa del desempeño de los modelos. Los resultados obtenidos muestran que los modelos de ensamblaje y las redes neuronales lograron los mejores resultados en términos de precisión y capacidad de generalización. Se identificaron características clave, como el GPA, las calificaciones previas y la asistencia a clases, como predictores importantes del rendimiento académico. Las conclusiones resaltan la utilidad práctica de los modelos predictivos desarrollados, así como las limitaciones y áreas de mejora identificadas en este estudio. Se discuten posibles direcciones futuras, como la exploración de modelos específicos para diferentes disciplinas académicas y la mejora de la explicabilidad de los modelos de aprendizaje automático.