Estudio comparativo de técnicas de analítica del aprendizaje para predecir el rendimiento académico de los estudiantes de educación superior

Abstract

La deserción escolar involucra diversos factores, entre ellos, el compromiso del estudiante, a través del cual se puede predecir su éxito en la escuela. Ese compromiso tiene varios componentes, tales como conductual, emocional y cognitivo. La motivación y el compromiso están fuertemente relacionadas, ya que la primera es un precursor del compromiso. El objetivo de este estudio fue comparar la eficacia de la regresión lineal contra dos técnicas de minería de datos para predecir el rendimiento académico de los estudiantes en la educación superior. Se hizo un estudio transversal explicativo en el que se encuestó a 222 estudiantes universitarios de una institución pública de la Ciudad de México. Se realizó un análisis de regresión lineal jerárquico (RL) y de técnicas de analítica del aprendizaje, como redes neuronales (RN) y máquinas de vector soporte (SVM). Para evaluar la exactitud de las técnicas de analítica del aprendizaje se realizó un análisis de varianza (ANOVA). Se compararon las técnicas de analítica del aprendizaje y de regresión lineal usando la validación cruzada. Los resultados mostraron que el compromiso conductual y la autoeficacia tuvieron efectos positivos en el desempeño del estudiante, mientras que la pasividad mostró un efecto negativo. Asimismo, las técnicas de RL y de SVM pronosticaron igualmente el desempeño académico de los estudiantes. La RL tuvo la ventaja de producir un modelo simple y de fácil interpretación. Por el contrario, la técnica de SVM generó un modelo más complejo, aunque, si el modelo tuviese como objetivo el pronóstico del desempeño, la técnica SVM sería la más adecuada, ya que no requiere la verificación de ningún supuesto estadístico.

Perspectives and Opportunities for Learning Analytics Integration

“…Different efforts to promote LA have been made at Mexican institutions, with the development of applications like predictive models (Talamás-Carvajal & Ceballos Cancino, 2023), prevention of student dropout (Alvarado-Uribe et al, 2022), as well as other initiatives regarding prediction of student performance (Acosta-Gonzaga & Ramirez-Arellano, 2020;Monteverde-Suárez et al, 2021;Rincon-Flores et al, 2022). Similarly, there are studies of diagnostic assessment with large-scale standardized exams (Sánchez-Mendiola et al, 2023).…”

Students’ Emotions and Engagement in the Emerging Hybrid Learning Environment during the COVID-19 Pandemic

“…Both instruments, the SED and the MSLQ, have been validated previously in the educational context [29,57,58].…”