logo

Aplicación de Técnicas de Inteligencia Artificial para la Predicción del Rendimiento Académico en Asignaturas de Matemáticas

10.24050/reia.v23i45.1933
Publicado 2026-01-01
Artículos

Resumen

El bajo rendimiento en asignaturas de matemáticas en la educación superior es una causa recurrente de reprobación y deserción estudiantil, especialmente en programas de ciencias, tecnología e ingeniería. Este artículo presenta el desarrollo de un modelo predictivo basado en técnicas de aprendizaje automático que busca identificar tempranamente a los estudiantes en riesgo de no aprobar estas asignaturas. Para esto, se utilizó una base de datos institucional con información de 2932 estudiantes admitidos en la Universidad del Valle entre 2021 y 2023, que incluye variables demográficas, socioeconómicas, y el resultado de una prueba diagnóstica de matemáticas. Además, se entrenaron y evaluaron modelos de redes neuronales, árboles de decisión y máquinas de soporte vectorial, aplicando técnicas de preprocesamiento, balanceo de clases y validación cruzada. El modelo de red neuronal mostró el mejor desempeño con un área bajo la curva ROC (AUC) de 70.6%, exactitud del 64.9%, sensibilidad del 64.4% y especificidad del 65.1%, superando a los modelos de árboles de decisión (AUC de 46.7%) y SVM (AUC de 66.1%). En comparación con estudios previos, los resultados son competitivos considerando la heterogeneidad de los datos utilizados y el enfoque práctico del sistema. A diferencia de otras investigaciones que requieren registros generados durante el semestre, este modelo utiliza únicamente información disponible antes del inicio de clases, lo que permite intervenir desde etapas tempranas. La solución se integró al sistema institucional ASES a través de una API, lo que posibilita la consulta de predicciones en tiempo real y la emisión de alertas personalizadas. De este modo, se constituye en un recurso valioso para fortalecer las estrategias de acompañamiento académico y fomentar la retención estudiantil en asignaturas de alta dificultad como las matemáticas.

Palabras clave

Autores/as

  • Mavelyn Sterling Londoño

    Universidad del Valle

  • Fabio Andrés Barbosa Gómez

    Universidad del Valle

  • Oscar Fernando Bedoya Leiva

    Universidad del Valle

Referencias

Al-Alawi, L., Al Shaqsi, J., Tarhini, A, & Al-Busaidi, Adil. (2023). Using machine learning to predict factors affecting academic performance: the case of college students on academic probation. Education and Information Technologies. 28. 12407-12432. https://doi.org/10.1007/s10639-023-11700-0.

Aulck, L., Velagapudi, N., Blumenstock, J., & West, J. (2016). Predicting student dropout in higher education. arXiv preprint arXiv:1606.06364. https://doi.org/10.48550/arXiv.1606.06364.

Bravo-Agapito, J., Romero Martínez, S. J., & Pamplona, S. (2021). Early prediction of undergraduate student’s academic performance in completely online learning: A five-year study. Computers in Human Behavior, 115, Article 106595. https://doi.org/10.1016/j.chb.2020.106595.

Carvajal, P., Mosquera, J. C., & Artamonova, I. (2009). Modelos de predicción del rendimiento académico en Matemáticas I en la Universidad Tecnológica de Pereira. Scientia et Technica, 15(43), 258–263.

Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, 16, 321–357. https://doi.org/10.1613/jair.953.

Contreras, L. E., Fuentes, H. J., & Rodríguez, J. I. (2020). Predicción del rendimiento académico como indicador de éxito/fracaso de los estudiantes de ingeniería, mediante aprendizaje automático. Formación Universitaria, 13(5), 233–246. https://doi.org/10.4067/S0718-50062020000500233.

Del Carpio-Mendoza, R. (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.

Deniz, E. (2024). Evaluating the effectiveness of machine learning models in predicting student academic achievement. ADBA Computer Science, 1(1), Article 16. https://doi.org/10.69882/adba.cs.2024072.

Elouafi, A., Tammouch, I., Eddarouich, S., & Touahni, R. (2025). Uncovering key factors of student performance in math: An explainable deep learning approach using TIMSS 2019 data. Information, 16(6), 480. https://doi.org/10.3390/info16060480.

Farhood, H., Joudah, I., Beheshti, A., & Muller, S. (2024). Evaluating and enhancing artificial intelligence models for predicting student learning outcomes. Informatics, 11(3), Article 46. https://doi.org/10.3390/informatics11030046.

Flores-Mendoza, C., Ardila, R., Gallegos, M., & Reátegui-Colareta, N. (2021). General intelligence and socioeconomic status as strong predictors of student performance in Latin American schools: Evidence from PISA items. Frontiers in Education, 6, Article 632289. https://doi.org/10.3389/feduc.2021.632289.

Kotsiantis, S. B., Pierrakeas, C., & Pintelas, P. (2010). Predicting students’ performance in distance learning using machine learning techniques. Applied Artificial Intelligence, 18(5), 411–426. https://doi.org/10.1080/08839510490442058.

Kowalski, A. (2024). Evaluating the effectiveness of deep learning models in student performance prediction. International Academic Journal of Science and Engineering, 11(4), 1–4. https://doi.org/10.71086/IAJSE/V11I4/IAJSE1162.

Lou, Y., & Colvin, K. F. (2025). Performance prediction using educational data mining techniques: A comparative study. Discover Education, 4, 112. https://doi.org/10.1007/s44217-025-00502-w.

Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. In Advances in Neural Information Processing Systems, 30, 4765–4774. https://doi.org/10.48550/arXiv.1705.07874.

OECD. (2019). Benchmarking higher education system performance. OECD Publishing. https://doi.org/10.1787/be5514d7-en.

Oppong, S. O. (2023). Predicting students’ performance using machine learning algorithms: A review. Asian Journal of Research in Computer Science, 16(3), 128–148. https://doi.org/10.9734/AJRCOS/2023/v16i3351.

Peña-Ayala, A. (2014). Educational data mining: A survey and a data mining-based analysis of recent works. Expert Systems with Applications, 41(4), 1432–1462. https://doi.org/10.1016/j.eswa.2013.08.042.

Romero, C., & Ventura, S. (2024). Educational data mining and learning analytics: An updated survey. arXiv preprint. https://arxiv.org/abs/2402.07956.

Sangsawang, T., & Yang, L. (2025). Predicting student achievement using socioeconomic and school-level factors. Artificial Intelligence in Learning, 1(1), 20–34. https://doi.org/10.63913/ail.v1i1.4.

Slater, S., & Baker, R. S. J. d. (2019). Forecasting future student mastery. Distance Education, 40(1), 25–38. https://doi.org/10.1080/01587919.2019.1632169.

Tempelaar, D. T., Rienties, B., & Giesbers, B. (2015). In search for the most informative data for feedback generation: Learning analytics in a data-rich context. Computers in Human Behavior, 47, 157–167. https://doi.org/10.1016/j.chb.2014.05.038.

UNESCO. (2020). Global education monitoring report 2020: Inclusion and education – All means all. United Nations Educational, Scientific and Cultural Organization.

Wang, S., & Luo, B. (2024). Academic achievement prediction in higher education through interpretable modeling. PLOS ONE, 19(9), e0309838. https://doi.org/10.1371/journal.pone.0309838.

World Bank. (2017). World development report 2018: Learning to realize education’s promise. The World Bank. https://doi.org/10.1596/978-1-4648-1096-1.

Estadísticas

Resumen
0
Accesos al PDF
0

Dimensions

PlumX

Descargas

Los datos de descarga aún no están disponibles.