Modelo predictivo del rendimiento académico en estudiantes de primer año de secundaria a través del aprendizaje automático

Abstract

Actualmente, muchas instituciones educativas enfrentan dificultades para monitorear de forma integral el rendimiento académico de sus estudiantes, lo que limita la detección oportuna de patrones de desempeño, especialmente en aquellos con bajo rendimiento, dificultando así la implementación de acciones preventivas o correctivas eficaces. La carencia de herramientas tecnológicas para el análisis de grandes volúmenes de datos, junto al uso de registros manuales o digitales no especializados, ha generado diagnósticos tardíos o imprecisos. Esto incide negativamente en la calidad del proceso educativo. Para superar estos desafíos, se propone el proyecto “Modelo Predictivo del Rendimiento Académico en Estudiantes de Primer Año de Secundaria mediante Aprendizaje Automático”, cuyo objetivo es anticipar el desempeño académico estudiantil y generar información relevante para la toma de decisiones basadas en datos. El desarrollo del modelo empleó tecnologías como Python, y bibliotecas de ciencia de datos y machine learning como Scikit-learn, Matplotlib, Pandas, Numpy, entre otras. Los resultados obtenidos, diferenciados según asignatura y nivel de logro, evidenciaron que el algoritmo Random Forest fue el más efectivo, alcanzando un 50% de los casos (20 instancias). XGBoost mostró un rendimiento relevante con un 30% de efectividad (12 instancias), mientras que la Regresión Lineal Múltiple se posicionó con un 20% (8 instancias). En función de estos resultados, se decidió implementar el modelo predictivo en instituciones educativas del estudio, con el propósito de optimizar la gestión académica, mitigar riesgos de bajo rendimiento, y mejorar la calidad del sistema educativo, beneficiando tanto a estudiantes como a docentes y administrativos.