Sistema de predicción del rendimiento académico de estudiantes mediante técnicas de minería de datos e inteligencia artificial

Abstract

El objetivo principal de este proyecto fue desarrollar un modelo predictivo de riesgo académico que permitiera identificar a los estudiantes con alta probabilidad de bajo rendimiento escolar. Su finalidad fue apoyar la toma de decisiones institucionales para facilitar intervenciones oportunas y reducir el riesgo de deserción estudiantil asociado al rendimiento académico.

El estudio se fundamentó en metodologías de análisis de datos y aprendizaje automático. Inicialmente, se realizó la recopilación y preparación de datos académicos, incluyendo el promedio de notas, el número de inasistencias a evaluaciones y el porcentaje total de inasistencias. Posteriormente, se llevó a cabo la depuración de los datos, el análisis exploratorio y la creación de variables relevantes. Con base en esta información, se construyeron modelos predictivos utilizando algoritmos de Regresión Logística y Random Forest, cuyo desempeño fue evaluado mediante métricas como la matriz de confusión, precisión, recall, F1-score y validación cruzada. Además, se aplicó un umbral de clasificación ajustado para optimizar la identificación de estudiantes en riesgo.

Para la clasificación del riesgo académico, el modelo de Regresión Logística presentó mejores resultados, con una exactitud cercana al 92%, una precisión del 82% y un recall del 75%. Asimismo, obtuvo un AUC de 0.935, evidenciando una alta capacidad de discriminación entre estudiantes en riesgo y no en riesgo. El análisis de importancia de variables indicó que el promedio académico inicial, las inasistencias y las fallas fueron factores determinantes en la predicción del rendimiento.

En conclusión, el modelo desarrollado demostró que la analítica predictiva es una herramienta eficaz para la detección temprana del riesgo académico. Su implementación permitirá a las instituciones educativas diseñar estrategias de acompañamiento, como tutorías y seguimiento personalizado, contribuyendo a mejorar el rendimiento y la permanencia estudiantil.