Modelos predictivos basados en Data Mining para la optimización del rendimiento académico universitario
Resumen
El objetivo general de la investigación fue analizar los modelos predictivos basados en Data Mining para la optimización del rendimiento académico universitario. El método de la investigación, fue de corte documental, cuyo desarrollo metodológico comprendió las etapas de recolección, selección, análisis e interpretación de escritos. La presentación coherente de los hallazgos derivados de este proceso contribuyó a la construcción de conocimiento en el ámbito del aprendizaje. Se empleó material documental con relación y pertinencia al tema investigado de fuentes fidedignas, tales como artículos arbitrados. Se concluye que, las investigaciones científicas muestran el potencial de los modelos predictivos basados en minería de datos y aprendizaje automático para mejorar el rendimiento académico en la educación superior. Estas herramientas no solo son muy precisas, sino que además permiten predecir qué estudiantes suspenderán o desertarán hasta dos semestres de anticipación. Este cambio es un gran avance en la administración académica.
Descargas
Citas
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
Derechos de autor 2026 Freddy Enrique Triana-Litardo, Carlos Eduardo Zulueta-Cueva
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.
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.
