Modelos de aprendizaje automático para la detección temprana de factores de riesgo en el desempeño académico de estudiantes universitarios mediante variables socio-tecnológicas
DOI:
https://doi.org/10.55204/trc.v6i2.e754Palabras clave:
aprendizaje automático, riesgo académico, variables socio-tecnológicas, detección temprana, LMS, métodos de ensamble, PRISMAResumen
La presente investigación analiza los modelos de aprendizaje automático aplicados a la detección temprana de factores de riesgo en el desempeño académico de estudiantes universitarios, con énfasis en la integración de variables socio-tecnológicas derivadas de plataformas de gestión del aprendizaje (LMS). Se llevo a cabo una revisión sistemática de literatura siguiendo el protocolo PRISMA 2020, en la cual se analizaron 40 estudios publicados entre 2020 y 2026 provenientes de bases de datos internacionales y latinoamericanas. Los hallazgos principales indican que los métodos de ensamble, tales como Random Forest, XGBoost y Gradient Boosting, constituyen el estado del arte en predicción del riesgo académico, con valores de exactitud entre el 85% y el 93% y un área bajo la curva (AUC-ROC) superior a 0,90. Se determino además que la incorporación de variables de comportamiento digital frecuencia de acceso al LMS, tiempo de sesión, participación en foros y puntualidad en entregas incrementa el poder predictivo de los modelos entre 7 y 14 puntos porcentuales frente al uso exclusivo de calificaciones históricas. Se propone una arquitectura hibrida que integre modelos predictivos supervisados con agentes de aprendizaje por refuerzo para la generación de intervenciones pedagógicas personalizadas en tiempo real dentro de la infraestructura institucional.Descargas
Referencias
Abdrakhmanov, R., Zhaxanova, A., Karatayeva, M., Niyazova, G. Z., Berkimbayev, K., & Tuimebayev, A. (2024). Development of a framework for predicting students' academic performance in STEM education using machine learning methods. International Journal of Advanced Computer Science and Applications, 15(1). http://dx.doi.org/10.14569/IJACSA.2024.0150105
Achuthan, K., Raghavan, D., Shankar, B., Francis, S. P., & Kolil, V. K. (2021). Impact of remote experimentation, interactivity and platform effectiveness on laboratory learning outcomes. International Journal of Educational Technology in Higher Education, 18(1), 38. https://doi.org/10.1186/s41239-021-00272-z
Adnan, M., Habib, A., Ashraf, J., Mussadiq, S., Raza, A. A., Abid, M., Bashir, M., & Khan, S. U. (2021). Predicting at-risk students at different percentages of course length for early intervention using machine learning models. IEEE Access, 9, 7519-7539. https://doi.org/10.1109/ACCESS.2021.3049446
Afsar, M. M., Crump, T., & Far, B. (2022). Reinforcement learning based recommender systems: A survey. ACM Computing Surveys, 55(7), 145:1-145:38. https://doi.org/10.1145/3543846
Al-Ali, R., Alhumaid, K., Khalifa, M., Salloum, S. A., Shishakly, R., & Almaiah, M. A. (2024). Analyzing socio-academic factors and predictive modeling of student performance using machine learning techniques. Emerging Science Journal, 8(4), 1304-1319. https://doi.org/10.28991/ESJ-2024-08-04-05
Arroyo Saltos, J. L., Herrera Herrera, M. M., Padilla Chicaiza, V. A., Flores Ayala, E. G., & Zambrano Lamilla, L. M. (2025). Aplicacion de modelos matemáticos predictivos en la optimización de procesos educativos: Una revisión sistemica y estudio de caso en educación. ASCE Magazine, 4(3), 2206-2230. https://doi.org/10.70577/ASCE/2206.2230/2025
Baashar, Y., Alkawsi, G., Ali, N., Alhussian, H., & Bahbouh, H. T. (2021). Predicting student's performance using machine learning methods: A systematic literature review. En 2021 International Conference on Computer & Information Sciences (ICCOINS) (pp. 357-362). IEEE. https://doi.org/10.1109/ICCOINS49721.2021.9497185
Balaji, P., Alelyani, S., Qahmash, A., & Mohana, M. (2021). Contributions of machine learning models towards student academic performance prediction: A systematic review. Applied Sciences, 11(21), 10007. https://doi.org/10.3390/app112110007
Benitez Mero, F. A., Barrezueta Maldonado, K. Y., Quinonez Vernaza, M. J., Carrillo Escobar, F. K., & Tenorio Merchan, C. Y. (2026). La inteligencia artificial como recurso de apoyo en la evaluación formativa universitaria: Oportunidades y limitaciones. Ciencia Latina Revista Científica Multidisciplinar. https://ciencialatina.org/index.php/cienciala/article/view/22820/32404
Cajahuanca, J. E. V., Raymundo, A. F. N., Franco, A. C. L., & Flores, J. D. J. (2022). Deserción universitaria: Evaluación de diferentes algoritmos de machine learning para su predicción. Revista de Ciencias Sociales (Ve), XXVIII(3). https://www.redalyc.org/journal/280/28071865024/html/
Chen, Y., & Zhai, L. (2023). A comparative study on student performance prediction using machine learning. Education and Information Technologies, 28(9), 12039-12057. https://doi.org/10.1007/s10639-023-11672-1
Contreas-Bravo, L. E., Nieves-Pimiento, N., & Guerrero, K. G. (2023). Prediction of university-level academic performance through machine learning mechanisms and supervised methods. Ingeniería, 28(1). https://www.redalyc.org/journal/4988/498875016004/
Del Carpio-Mendoza, R. A. (2024). Predicción del rendimiento académico utilizando modelos de aprendizaje automático: Una revisión sistemática de la literatura. 593 Digital Publisher CEIT, 9(6), 1038-1054. https://doi.org/10.33386/593dp.2024.6.2797
Gusqui, T., & Alejandro, M. (2022). Impacto del Big Data en la evaluación y optimización del rendimiento académico [Tesis de grado, Universidad Politécnica Salesiana]. Repositorio UPS. https://dspace.ups.edu.ec/bitstream/123456789/29957/1/UPS-GT006118.pdf
Hussain, K., Neggaz, N., Zhu, W., & Houssein, E. H. (2021). An efficient hybrid sine-cosine Harris hawks optimization for low and high-dimensional feature selection. Expert Systems with Applications, 176, 114778. https://doi.org/10.1016/j.eswa.2021.114778
IBM. (2024). What is reinforcement learning? IBM Think. https://www.ibm.com/think/topics/reinforcement-learning
Jiménez, I. L. L., Pindo, J. M. O., Marquez, J. O. Y., Aguilar, H. P. A., & Villa, M. A. S. (2025). Análisis de la deserción en el sistema de educación superior de la ciudad de Machala. Ciencia Latina Revista Científica Multidisciplinar, 9(3), 4762-4768. https://doi.org/10.37811/cl_rcm.v9i3.18110
Jimenez-Garcia, E., Ruiz-Lazaro, J., Martinez-Requejo, S., & Redondo-Duarte, S. (2025). Inteligencia artificial y chatbots para una educación superior sostenible: Una revisión sistemática. RIED-Revista Iberoamericana de Educación a Distancia, 28(2), 81-104. https://www.redalyc.org/journal/3314/331481521008/html/
Liu, H.-C., Shi, H., Li, Z., & Duan, C.-Y. (2022). An integrated behavior decision-making approach for large group quality function deployment. Information Sciences, 582, 334-348. https://doi.org/10.1016/j.ins.2021.09.020
Liu, X., Yan, P., Chen, M., Luo, S., Lu, A., Lu, W., Wang, G., & Huang, S. (2021). Optimization analysis of excavation procedure design of underground powerhouses under high in situ stress in China. Applied Sciences, 11(21), 10252. https://www.mdpi.com/2076-3417/11/21/10252
Miyamoto, K., Watanabe, N., & Takefuji, Y. (2021). Adaptation to other agent's behavior using meta-strategy learning by collision avoidance simulation. Applied Sciences, 11(4), 1786. https://doi.org/10.3390/app11041786
Molenaar, I. (2022). The concept of hybrid human-AI regulation: Exemplifying how to support young learners' self-regulated learning. Computers and Education: Artificial Intelligence, 3, 100070. https://doi.org/10.1016/j.caeai.2022.100070
Namoun, A., & Alshanqiti, A. (2021). Predicting student performance using data mining and learning analytics techniques: A systematic literature review. Applied Sciences, 11(1), 237. https://doi.org/10.3390/app11010237
Paez, A. R., & Ramirez, N. D. G. (2022). Predicción del rendimiento académico utilizando las primeras actividades académicas de estudiantes universitarios y técnicas de aprendizaje automático. Dilemas, 9(3). https://doi.org/10.46377/dilemas.v9i3.3177
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., ... & Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Parraga Menchaca, D. (2024). Modelos predictivos de rendimiento académico universitario mediante aprendizaje automático. Revista Científica De Salud Y Desarrollo Humano, 5(2), 974-991. https://doi.org/10.61368/r.s.d.h.v5i2.204
Pérez, A. H. (2024). Introduccion al aprendizaje por refuerzo [Trabajo Fin de Grado, Universidad de Salamanca]. Gredos. https://gredos.usal.es/bitstream/handle/10366/163871/Memoria%20TFG.pdf
Pinzon Aparicio, L. A. (2024). Personalización del aprendizaje mediante ciencia de datos: Estrategias y aplicaciones en la educación superior. Revista Latinoamericana de Calidad Educativa. https://alumnieditora.com/index.php/ojs/es/article/view/71
Raza, A., Qazi, W., Khan, K. A., & Salam, J. (2021). Social isolation and acceptance of the learning management system (LMS) in online learning during COVID-19. Journal of Educational Computing Research, 59(5), 887-904. https://doi.org/10.1177/0735633120982127
Rethlefsen, M. L., Kirtley, S., Waffenschmidt, S., et al. (2021). PRISMA-S: An extension to the PRISMA statement for reporting literature searches in systematic reviews. Systematic Reviews, 10(1), 39. https://doi.org/10.1186/s13643-020-01542-z
Rico Paez, A. (2022). Modelos predictivos progresivos del rendimiento académico de estudiantes universitarios. RIDE. Revista Iberoamericana para la Investigacion y el Desarrollo Educativo, 12(24). https://doi.org/10.23913/ride.v12i24.1196
Rico Páez, A., & Gaytan Ramírez, N. D. (2022). Modelos predictivos del rendimiento académico a partir de características de estudiantes de ingeniería. IE Revista de Investigacion Educativa de la REDIECH, 13. https://www.redalyc.org/journal/5216/521670731008/html/
Rubio-Tobar, X. (2025). Factores de deserción estudiantil y estrategias de retención en carreras universitarias de ingeniería y áreas técnicas. Revista Científica FINIBUS, 8(15), 133-142. https://doi.org/10.56124/finibus.v8i15.014
Schurmann, L., & Quaiser-Pohl, C. (2022). Digital badges affect need satisfaction but not frustration in males in higher education. Computers & Education, 182, 104484. https://doi.org/10.1016/j.compedu.2022.104484
Segovia-Garcia, N., Said Hung, E., & Garcia-Aguilera, F. J. (2024). Abandono en la educación superior virtual colombiana: Factores de riesgo para grupos vulnerables. Revista Colombiana De Educación, (90), 259-282. https://doi.org/10.17227/rce.num90-15581
Suin Guerrero, A. R., Guerrero Lucio, N. I., Merchan Suin, R. R., & Quijije Moran, W. V. (2024). El impacto del aprendizaje automático en la educación personalizada: Hacia un aprendizaje adaptativo y eficiente. Revista Científica De Innovacion Educativa Y Sociedad Actual ALCON, 4(5), 83-92. https://doi.org/10.62305/alcon.v4i5.283
Thai-Nghe, N., & Schmidt-Thieme, L. (2021). Factorization machines for predicting student performance in online collaborative environments. Procedia Computer Science, 192, 2318-2327. https://doi.org/10.1016/j.procs.2021.08.245
Xu, Z., Yuan, H., & Liu, Q. (2023). Predicting student performance via multi-source data fusion and deep learning in blended learning environments. Education and Information Technologies, 28(1), 463-484. https://doi.org/10.1007/s10639-022-11165-5
Yagci, M. (2022). Educational data mining: Prediction of students' academic performance using machine learning algorithms. Smart Learning Environments, 9(1), 11. https://doi.org/10.1186/s40561-022-00192-z
Zaffar, M., Savita, K. S., Hashmani, M. A., & Rizvi, S. S. H. (2021). A study of feature selection algorithms for predicting students' academic performance. International Journal of Advanced Computer Science and Applications, 12(4), 635-642. https://doi.org/10.14569/IJACSA.2021.0120474
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 José Fabián Cevallos Mazón, Walter Fabian Taday Guashpa, Tatiana Paola Sánchez Gavilanes, Wilter Alexander Camacho Yunda, Carlos Santiago Ramos Vaca, Teresita Lourdes Argüello Estrella
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras. Puesto que Tesla Revista Científica es una publicación de acceso abierto, los lectores pueden reproducir total o parcialmente su contenido siempre y cuando proporcionen adecuadamente el crédito a los autores correspondientes y a la revista misma. Tesla Revista Científica se compromete a no hacer uso comercial de los textos que recibe y/o publica.
Nuestra revista se rige por las politicas internacionales SHERPA/RoMEO: Revista verde: Permiten el autoarchivo tanto del pre-print (borrador de un trabajo) como del post-print (la versión corregida y revisada por pares) y hasta de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
