Descripción
Resumen:
La presente investigación propone el desarrollo de un modelo predictivo orientado a la detección temprana de estudiantes de carreras de grado en situación de riesgo académico, con el propósito de fortalecer los procesos de acompañamiento y asesoramiento académico en el ámbito universitario. El estudio se enmarca en el campo de la analítica educativa y se sustenta en la aplicación de técnicas de minería de datos y aprendizaje automático sobre información proveniente del sistema de gestión académica institucional, particularmente aquella generada durante las etapas iniciales de la trayectoria universitaria, donde suelen concentrarse mayores niveles de deserción, rezago y bajo rendimiento académico. A partir de la integración, depuración y transformación de múltiples fuentes de datos académicos, incluyendo información sobre inscripciones a materias, regularidades obtenidas, rendimiento en exámenes finales, y evolución temporal del desempeño académico, se construye un conjunto robusto de variables explicativas que permiten caracterizar el comportamiento académico de los estudiantes de manera integral. En este proceso, se aplican técnicas de ingeniería de características orientadas a capturar patrones de avance, discontinuidad, repetición de asignaturas y cercanía a instancias críticas de evaluación, lo cual contribuye a mejorar la capacidad predictiva de los modelos desarrollados. Sobre esta base, se implementan y comparan distintos algoritmos de aprendizaje automático, evaluando su desempeño mediante métricas estándar, con el objetivo de estimar la probabilidad de que un alumno presente dificultades académicas futuras, priorizando aquellos enfoques que logren un adecuado equilibrio entre precisión, robustez y capacidad de interpretación. Los resultados obtenidos evidencian que es posible identificar señales tempranas de riesgo académico con un nivel significativo de confiabilidad, lo que permite generar alertas anticipadas y facilitar la toma de decisiones informadas por parte de actores institucionales, tales como asesores académicos, coordinadores y autoridades académicas. En este sentido, el modelo desarrollado se presenta como una herramienta estratégica para el diseño de intervenciones personalizadas y oportunas, orientadas a mejorar el rendimiento académico, promover la permanencia estudiantil y optimizar la asignación de recursos institucionales en contextos educativos complejos. Asimismo, el trabajo contribuye al campo de la ciencia de datos aplicada a la educación al demostrar el valor de integrar metodologías analíticas en los procesos de gestión académica, especialmente en instituciones que enfrentan desafíos asociados a la retención y el éxito estudiantil. Finalmente, se discuten las implicancias prácticas de la implementación del modelo en entornos reales, así como sus limitaciones y posibles líneas de mejora futura, incluyendo la incorporación de nuevas fuentes de datos, la actualización periódica de los modelos y su adaptación a distintos contextos institucionales.
Palabras clave:
MODELO PREDICTIVO, RIESGO ACADÉMICO, DESERCIÓN, APRENDIZAJE AUTOMÁTICO, MINERÍA DE DATOS, EXPERIENCIA PRIMER AÑO
