Algoritmos de aprendizaje automático en la predicción del rendimiento académico universitario: una revisión sistemática

Abstract

En los últimos años, el crecimiento del Aprendizaje Automático o Machine Learning ha tenido un impacto significativo en diversos campos, incluyendo la educación. En el ámbito educativo, se han aplicado técnicas o algoritmos de Aprendizaje Automático para diversos propósitos, como predecir el rendimiento académico de estudiantes de educación superior. Este artículo se enfoca en la revisión de publicaciones que muestran los resultados obtenidos al emplear algoritmos de Aprendizaje Automático para predecir el rendimiento académico de estudiantes universitarios. Se realizó una revisión sistemática en bases de datos académicas como Redalyc, Google Académico y Scielo, empleando filtros de búsqueda y palabras clave pertinentes. Posteriormente, se seleccionaron aquellos artículos más relevantes para el análisis. El propósito de este artículo de revisión es identificar los algoritmos de Aprendizaje Automático más frecuentemente utilizados y efectivos en la predicción del rendimiento académico de estudiantes universitarios, así como examinar cómo han sido implementados en distintas universidades para que sea una guía en futuras investigaciones que incluyan la aplicación de estos algoritmos con datos de estudiantes de la Universidad de Panamá. Los resultados muestran que los algoritmos más empleados para este tipo de predicción son Árboles de Decisión, K-Vecinos más Cercanos (KNN), Naive Bayes, Random Forest (Bosques Aleatorios) y Máquinas de Soporte Vectorial (SVM), así como las Redes Neuronales Artificial, las cuales también destacan por su alta precisión. El empleo de estos algoritmos para predecir el rendimiento académico en universidades ofrece un gran potencial para reducir la deserción, mejorar los resultados académicos, respaldar las decisiones pedagógicas y optimizar recursos educativos.