El rendimiento académico universitario es un indicador clave del éxito educativo, pero también un desafío constante para instituciones y estudiantes. Un reciente estudio publicado en la Revista Comunicar aborda cómo el uso de Machine Learning puede transformar la manera en que se identifican y abordan los factores que influyen en el desempeño estudiantil.
La investigación y su enfoque
El estudio, realizado en Ecuador, analizó datos de 12,211 estudiantes universitarios para predecir y explicar el rendimiento académico. Utilizando un enfoque cuantitativo y no experimental, los investigadores aplicaron algoritmos de clasificación supervisada como Random Forest, XGBoost y CatBoost. Este último demostró ser el más efectivo, alcanzando un recall del 70% para identificar a estudiantes con riesgo de reprobación.
Además, se utilizó el método SHAP (Shapley Additive Explanations) para interpretar los resultados y comprender cómo las variables influyen en el rendimiento. Entre los factores más determinantes se encontraron aspectos académicos-institucionales como la facultad, carrera y nivel de estudios, seguidos por variables emocionales y socioeconómicas.
Principales hallazgos
1. Factores influyentes:
El rendimiento académico está condicionado principalmente por variables institucionales (como la atención docente y el desempeño previo), así como por factores emocionales (estado emocional) y sociodemográficos.
2. Impacto del Machine Learning:
La capacidad predictiva de los modelos utilizados demuestra el potencial de estas herramientas para identificar estudiantes en riesgo y diseñar intervenciones personalizadas.
3. Interpretación de datos:
El uso de SHAP permitió a los investigadores no solo predecir resultados, sino también entender las razones detrás de ellos, facilitando la toma de decisiones informadas en el ámbito educativo.
El Machine Learning no solo predice resultados, sino que explica las razones detrás de ellos, transformando la educación.
Implicaciones para la educación
El estudio destaca la importancia de integrar tecnologías avanzadas como el Machine Learning en la gestión educativa. Estas herramientas no solo mejoran la precisión en la identificación de problemas, sino que también ofrecen una base sólida para implementar estrategias de apoyo más efectivas.
Por otro lado, los hallazgos subrayan la necesidad de considerar factores emocionales y sociales en el diseño de políticas educativas. La atención integral al estudiante, que combine apoyo académico y emocional, es clave para mejorar los índices de retención y éxito universitario.
Continúa tu carrera profesional
Si te interesa explorar cómo la tecnología puede transformar la educación, la Maestría en Educación de FUNIBER te brinda las herramientas necesarias para liderar proyectos innovadores en este campo. Aprende a aplicar soluciones tecnológicas para enfrentar los desafíos educativos del siglo XXI. ¡Inscríbete ahora y marca la diferencia!
Fuente:
Revista Comunicar