Aplicación de algoritmos predictivos para mejorar la retención y el éxito académico en la educación superior
Resumen
Este estudio examina la aplicación de algoritmos predictivos para mejorar la retención y el éxito académico en la educación superior. El objetivo principal es evaluar la eficacia de diversos algoritmos en la identificación temprana de estudiantes en riesgo de deserción o bajo rendimiento académico. La metodología empleada consiste en una revisión sistemática de la literatura y análisis documental, explorando estudios recientes sobre el uso de datos académicos, socioeconómicos y de interacción en plataformas educativas. Los resultados revelan una tendencia hacia modelos de aprendizaje automático más sofisticados, con énfasis en redes neuronales y árboles de decisión. Se encontró que los enfoques multidimensionales, que integran datos académicos, socioeconómicos y de comportamiento en línea, logran una precisión de hasta el 85% en la predicción del riesgo académico. Además, se evidenció una correlación positiva entre la participación en actividades prácticas e interdisciplinarias y el éxito académico. Las conclusiones subrayan el potencial significativo de los algoritmos predictivos para mejorar la retención y el éxito académico en la educación superior, al tiempo que señalan la necesidad de un enfoque multifacético que considere factores académicos, socioeconómicos, tecnológicos y éticos en su implementación.
Descargas
Citas
Arbona, A. C. (2023). Diseño de identidades digitales: Metodología iterativa para la creación y desarrollo de marcas.
Aznarte, J.L. (2020). Consideraciones éticas en torno al uso de tecnologías basadas en datos masivos en la UNED. RIED Revista Iberoamericana de Educación a Distancia, 23(2), 237-252. https://doi.org/10.5944/ried.23.2.26590.
Barchino, E. T. (2023). Análisis y propuesta de mejora de la enseñanza de las tecnologías en la Educación Secundaria Obligatoria y Bachillerato: Un enfoque desde el aprendizaje basado en proyectos (PBL) y la interdisciplinariedad de áreas STEM.
Castro, S. S., & Sevillano, M. A. P. (2022). Eficacia de un juego serio digital para la mejora de la comprensión lectora y el rendimiento académico. Investigaciones Sobre Lectura. https://doi.org/10.revistaISL/article/download/14325/15185.
Chinelli, J., & Medina, A. (2023). Diagnóstico y tratamiento de complicaciones en cirugía abdominal. Revista Cirugía del Uruguay.
Contreras-Bravo, L.-E., Tarazona-Bermúdez, G.-M., & Rodríguez-Molano, J.-I. (2021). Tecnología y analítica del aprendizaje: Una revisión a la literatura. Revista Científica, 41(2), 150-168. https://doi.org/10.14483/23448350.17547.
Delgado, V. J. A. (2021). Muysca: Sistema de enriquecimiento del perfil de una persona en el marco de un campus inteligente.
Gallo, O., Adoumieh, N., Jiménez, A. L., & Vargas, R. P. M. (2021). Factores asociados al desempeño académico universitario: Tendencias geográficas, temporales y temáticas. Saber Ciencia y Libertad.
García, J.A.G., Magdaleno, S.L.C., & Cazarez, R.L.U. (2024). Enfoques, estudios y perspectivas teóricas sobre la deserción escolar en la educación superior: propuesta de un modelo teórico.IE Revista de Investigación Educativa de la REDIECH. https://doi.org/10.33010/ie_rie_rediech.v15i0.e1959.
Guerrero, C. E. G. (2023). Uso de la tecnología en la rehabilitación cognitiva del deterioro cognitivo leve.
Huerta, R., & Domínguez, R. (2023). Inteligencia Artificial: Sinergias entre humanos y algoritmos creativos. eari educación artística revista de investigación, 14(0), 9-25. https://doi.org/10.7203/eari.14.27945.
Jaimes, P. E. R. (2023). Diseño de plan de negocios para el desarrollo de un emprendimiento digital de consultoría en analítica de datos para PYMEs en Colombia mediante la metodología Lean Startup.
Martínez-Comesaña, M., et al. (2023). Impacto de la inteligencia artificial en los métodos de evaluación en la educación primaria y secundaria: Revisión sistemática de la literatura. Revista de Psicodidáctica, 28(2), 93-103. https://doi.org/10.1016/j.psicod.2023.06.001.
Navarro, J.A.M., & Zabala, I.D. (2021). Machine Learning para la mejora de la experiencia con MOOC: el caso de la Universitat Politècnica de València. Revista Interuniversitaria de Investigación en Tecnología Educativa. https://doi.org/10.6018/riite.466251.
Parra-Sánchez, J.S., Pardo, I.D.T., & De Merino, C.Y.M. (2023). Factores explicativos de la deserción universitaria abordados mediante inteligencia artificial.Revista Electrónica de Investigación Educativa. https://doi.org/10.24320/redie.e25.e18.
Patiño, K. P. (2021). Caracterización de entornos de aprendizaje basados en robótica en el ámbito preuniversitario de Iberoamérica y España.
Piragauta, J. D., Montaña, J. E. C., & Puente, H. Á. (2024). Optimizando el aprendizaje de los lenguajes de programación. Perspectivas, 9(24), 234-256. https://doi.org/10.26620/uniminuto.perspectivas.9.24.2024.234-256.
Portillo, P. A. C. (2020). PA163-3-SIGPLAN: Generador de escenarios de planeación para la gestión de un proyecto informático-SIGPLAN.
San Nicolás UTN. (2023). Libro de resúmenes del XVI Congreso Internacional de Ingeniería Industrial – COINI 2023. AJEA. https://doi.org/10.rtyc.utn.edu.ar/index.php/ajea/article/download/1316/1219.
Sánchez-Mendiola, M., etal. (2023). Learning analytics in medical education: a turning point? Gaceta Médica de México, 155(1). https://doi.org/10.gacetamedicademexico.com/files/gmm_1_19_090-100.pdf.
Tafur, A. T. V., & Molina, R. E. F. (2023). Incidencia de la inteligencia artificial en la educación. Educatio Siglo XXI, 41(3), 235-264.
Trujillo, D. G. F., & Masquita, M. D. G. (2020). Técnicas didácticas en alfabetización en información.
Vico, A. R. (2021). Código ictus en Salamanca: Atlas clínico descriptivo y con minería de datos.
