Predictive Models Based on Data Mining for Optimizing Academic Performance at the University Level
Abstract
The overall objective of the research was to analyze predictive models based on data mining for the optimization of academic performance at the university level. The research method was a literature review, whose methodological development included the stages of collection, selection, analysis, and interpretation of literature. The coherent presentation of the findings derived from this process contributed to the construction of knowledge in the field of learning. Relevant and pertinent literature from reliable sources, such as peer-reviewed articles, was used. It is concluded that scientific research demonstrates the potential of predictive models based on data mining and machine learning to improve academic performance in higher education. These tools are not only highly accurate but also enable the prediction of which students will fail or drop out up to two semesters in advance. This development represents a major advance in academic administration.
Downloads
References
Alturki, S., Cohausz, L., & Stuckenschmidt, H. (2022). Predicting Master’s students’ academic performance: An empirical study in Germany. Smart Learning Environments, 9(1), 38. https://doi.org/10.1186/s40561-022-00220-y
Arévalo-Cordovilla, F. E., & Peña, M. (2025). Evaluating ensemble models for fair and interpretable prediction in higher education using multimodal data. Scientific Reports, 15, 29420. https://doi.org/10.1038/s41598-025-15388-9
Arias, F. (2012). El Proyecto de Investigación. Introducción a la metodología científica. https://n9.cl/1z1ij
Ayala Franco, E., López Martínez, R. E., & Menéndez Domínguez, V. H. (2021). Modelos predictivos de riesgo académico en carreras de computación con minería de datos educativos. Revista De Educación a Distancia (RED), 21(66). https://doi.org/10.6018/red.463561
Bakhshinategh, B., Zaiane, O.R., ElAtia, S. et al. (2018). Educational data mining applications and tasks: A survey of the last 10 years. Educ Inf Technol 23, 537–553. https://doi.org/10.1007/s10639-017-9616-z
Castro Rojas, L. F., Espitia Peña, E., y Romero Cuero, E. (2023). Análisis de características que influyen en la deserción estudiantil en el contexto de una universidad latinoamericana. Revista EIA, 20(40),1–28. https://doi.org/10.24050/reia.v20i40.1628
Chang, Y.-H., Chen, F.-C., & Lee, C.-I. (2025). Developing an early warning system with personalized interventions to enhance academic outcomes for at-risk students in Taiwanese higher education. Education Sciences, 15(1321). https://doi.org/10.3390/educsci15101321
Díaz Peralta, Christian. (2008). Modelo conceptual para la deserción estudiantil universitaria chilena. Estudios pedagógicos (Valdivia), 34(2),65-86. https://dx.doi.org/10.4067/S0718-07052008000200004
Engel Rocamora, A., & Coll Salvador, C. (2022). Entornos híbridos de enseñanza y aprendizaje para promover la personalización del aprendizaje. RIED-Revista Iberoamericana de Educación a Distancia, 25(1),225–242. https://doi.org/10.5944/ried.25.1.31489
Kumar, M., Nidhi, Quteishat, A., & Qtaishat, A. (2022). Performance comparison of the optimized ensemble model with existing classifier models. International Journal of Modern Education and Computer Science, 14(3),76–87. https://doi.org/10.5815/ijmecs.2022.03.05
Lou, Y., & Colvin, K. F. (2025). Performance prediction using educational data mining techniques: a comparative study. Discover Education, 4, 112. https://doi.org/10.1007/s44217-025-00502-w
Organisation for Economic Co-operation and Development. (2019). Education at a Glance 2019. OECD Publishing. https://doi.org/10.1787/f8d7880d-en
Palella-Stracuzzi, S. y Martins-Pestana, F. (2012). Metodología de la investigación cuantitativa. Fondo editorial de la Universidad Pedagógica Libertador. Caracas, Venezuela.
Ramos-Pulido, S., Hernández-Gress, N., & Torres-Delgado, G. (2024). Exploring the relationship between career satisfaction and university learning using data science models. Informatics, 11(1), 6. https://doi.org/10.3390/informatics11010006
Santoso, P. H., Setiaji, B., Kurniawan, Y., Wahyudi, Bahri, S., Fathurrahman, Kusuma, M., Wusgo, I. U., Muldayanti, N. D., Kurniawan, A. D., & Syahbrudin, J. (2025). Students’ performance dataset for using machine learning technique in physics education research. Scientific Data, 12(987). https://doi.org/10.1038/s41597-025-04913-0
Sghir, N., Adadi, A., & Lahmer, M. (2023). Recent advances in predictive learning analytics: A decade systematic review (2012–2022). Education and Information Technologies, 28(7), 8299–8333. https://doi.org/10.1007/s10639-022-11536-0
Taher Mazandarani, M., Zand, Z., Khodabandelou, M. H., Mozaffari, F., & Sohrabi, B. (2025). Predicting student academic performance: A machine learning approach and feature analysis. Interdisciplinary Journal of Management Studies, 18(3), 425–440. http://doi.org/10.22059/ijms.2025.362506.676053
UNESCO. (2021). Education in Latin America and the Caribbean: Inclusion and mobility in times of pandemic. https://n9.cl/ldyjd
Urbina-Nájera, A. B., Camino-Hampshire, J. C., & Cruz Barbosa, R. (2020). Deserción escolar universitaria: Patrones para prevenirla aplicando minería de datos educativa. RELIEVE - Revista Electrónica de Investigación y Evaluación Educativa, 26(1). https://doi.org/10.7203/relieve.26.1.16061
Vargas Agudelo, F., Soto Durán, D., Urrego Álvarez, M., Yepes Sánchez, E., & Delgado González, I. (2024). Modelo basado en Machine Learning para la clasificación de transacciones bancarias realizadas a través de PSE. Salud, Ciencia y Tecnología, 4, .910. https://doi.org/10.56294/saludcyt2024.1358
Copyright (c) 2026 Freddy Enrique Triana-Litardo, Carlos Eduardo Zulueta-Cueva
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
LICENCIA DE CONTENIDO
Creative Commons
Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
Política propuesta para revistas que ofrecen acceso abierto
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
Usted es libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar — remezclar, transformar y construir a partir del material
La licenciante no puede revocar estas libertades en tanto usted siga los términos de la licencia
Bajo los siguientes términos:
Atribución — Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
NoComercial — Usted no puede hacer uso del material con propósitos comerciales.
CompartirIgual — Si remezcla, transforma o crea a partir del material, debe distribuir su contribución bajo la lamisma licencia del original.
No hay restricciones adicionales — No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a hacer cualquier uso permitido por la licencia.
DERECHOS DE AUTOR Y PERMISO
La revista permite que los autores tengan los derechos de autor sin restricciones.
La revista permite que los autores conserven los derechos de publicación sin restricciones; y garantizan a la revista el derecho de ser la primera publicación del trabajo.
