Application of predictive algorithms to improve retention and academic success in higher education
Abstract
This study examines the application of predictive algorithms to improve retention and academic success in higher education. The main objective is to evaluate the effectiveness of various algorithms in early identification of students at risk of dropout or poor academic performance. The methodology employed consists of a systematic literature review and documentary analysis, exploring recent studies on the use of academic, socioeconomic, and interaction data in educational platforms. The results reveal a trend towards more sophisticated machine learning models, with emphasis on neural networks and decision trees. It was found that multidimensional approaches, integrating academic, socioeconomic, and online behavior data, achieve up to 85% accuracy in predicting academic risk. Additionally, a positive correlation was evidenced between participation in practical and interdisciplinary activities and academic success. The conclusions underscore the significant potential of predictive algorithms to improve retention and academic success in higher education, while pointing out the need for a multifaceted approach that considers academic, socioeconomic, technological, and ethical factors in their implementation.
Downloads
References
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.
