Aplicaciones de la inteligencia artificial en el análisis del rendimiento académico en la educación superior: Una revisión sistemá-tica
Barra lateral del artículo
Contenido principal del artículo
Resumen
La inteligencia artificial (IA) está en constante evolución, y su aplicación en el análisis del rendimiento académico es clave para mejorar la calidad educativa y apoyar la toma de decisiones. Esta investigación realiza una revisión sistemática de la literatura sobre el uso de técnicas de IA, como machine learning y deep learning, en el análisis del rendimiento académico en universidades e institutos. Se revisaron artículos publicados entre 2020 y 2024 en bases de datos como Science Direct, Scopus e IEEE Xplore. Los estudios muestran que algoritmos como KNN, redes neuronales profundas (DNN) y árboles de decisión son efectivos para identificar patrones en grandes volúmenes de datos, con DNN alcanzando una precisión más efectiva. La IA mejora la precisión y eficiencia en la evaluación del rendimiento, y se discuten sus implicaciones, limitaciones y futuras direcciones de investigación.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los nombres y las direcciones de correo electrónico introducidos en esta revista se usarán exclusivamente para los fines establecidos en ella y no se proporcionarán a terceros o para su uso con otros fines.
Cómo citar
Referencias
B. Coppin, Artificial Intelligence Illuminated. Canada: Editorial Jones y Bartlett, 2004.
L. J. Gutiérrez Barahona, «IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN EL RENDIMIENTO ACADÉMICO DE LOS ESTUDIANTES DE LA CARRERA TECNOLÓGÍAS DE LA INFORMACIÓN N», Unesum, Jipijapa, 2022.
E. Martín, L. A. García, Á. Torbay, y T. Rodríguez, «Estrategias de aprendizaje y rendimiento académico en estudiantes universitarios», International Journal of Psychology and Psychological Therapy, pp. 401-412, 2008.
G. M. Garbanzo Vargas, «Factores asociados al rendimiento académico en estudiantes universitarios, una reflexión desde la calidad de la educación superior pública», Revista Educación, vol. 31, n.o 1, p. 43, abr. 2012, doi: 10.15517/revedu.v31i1.1252.
Y. Ocaña-Fernández, L. A. Valenzuela-Fernández, y L. L. Garro-Aburto, «Inteligencia artificial y sus implicaciones en la educación superior», Propósitos y Representaciones, vol. 7, n.o 2, pp. 536-568, ene. 2019, doi: 10.20511/pyr2019.v7n2.274.
H. Crompton y D. Burke, «Artificial intelligence in higher education: the state of the field», International Journal of Educational Technology in Higher Education, vol. 20, n.o 1, p. 22, abr. 2023, doi: 10.1186/s41239-023-00392-8.
C. S. González-González, «El impacto de la inteligencia artificial en la educación: transformación de la forma de enseñar y de aprender», Qurriculum. Revista de Teoría,Investigación y Práctica educativa, n.o 36, pp. 51-60, 2023, doi: 10.25145/j.qurricul.2023.36.03.
C. A. González-Trejo y K. J. Julián-Ortega, «La inteligencia artificial y su influencia en el rendimiento académico de los estudiantes», Revista Mexicana de Investigación e Intervención Educativa, vol. 3, n.o 1, pp. 37-44, ene. 2024, doi: 10.62697/rmiie.v3i1.69.
Horizonteeuropa.es, «Horizonte Europa: nuevo Programa Marco de la UE | Horizonte Europa».
B. Kitchenham, «Procedures for Performing Systematic Reviews», Keele, vol. 33, 2004.
F. A. Incio-Flores, D. L. Capuñay-Sanchez, y R. O. Estela-Urbina, «Modelo de red neuronal artificial para predecir resultados académicos en la asignatura Matemática II», Revista Electrónica Educare, vol. 27, n.o 1, pp. 1-19, dic. 2022, doi: 10.15359/ree.27-1.14516.
O. D. Castrillón, W. Sarache, y S. Ruiz-Herrera, «Predicción del rendimiento académico por medio de técnicas de inteligencia artificial», Formación universitaria, vol. 13, n.o 1, pp. 93-102, feb. 2020, doi: 10.4067/S0718-50062020000100093.
H. F. Mendoza Jurado, «Modelo de aplicación orientada a la Web 4.0 en el rendimiento académico del estudiante en Educación Superior», Educación Superior, vol. 8, n.o 2, pp. 39-48, sep. 2021, doi: 10.53287/tjzc9154ou50o.
P. Sokkhey y T. Okazaki, «Hybrid Machine Learning Algorithms for Predicting Academic Performance», International Journal of Advanced Computer Science and Applications, vol. 11, n.o 1, pp. 32-41, 2020, doi: 10.14569/IJACSA.2020.0110104.
M. Yağcı, «Educational data mining: prediction of students’ academic performance using machine learning algorithms», Smart Learning Environments, vol. 9, n.o 1, pp. 2-19, dic. 2022, doi: 10.1186/s40561-022-00192-z.
L. E. Contreras Bravo, N. Nieves-Pimiento, y K. Gonzalez-Guerrero, «Prediction of University-Level Academic Performance through Machine Learning Mechanisms and Supervised Methods», Ingeniería, vol. 28, n.o 1, p. e19514, nov. 2022, doi: 10.14483/23448393.19514.
I. O. Muraina, E. Aiyegbusi, y S. Abam, «Decision Tree Algorithm Use in Predicting Students’ Academic Performance in Advanced Programming Course», International Journal of Higher Education Pedagogies, vol. 3, n.o 4, pp. 13-23, ene. 2023, doi: 10.33422/ijhep.v3i4.274.
T. Ahajjam, M. Moutaib, H. Aissa, M. Azrour, Y. Farhaoui, y M. Fattah, «Predicting Students’ Final Performance Using Artificial Neural Networks», Big Data Mining and Analytics, vol. 5, n.o 4, pp. 294-301, dic. 2022, doi: 10.26599/BDMA.2021.9020030.
L. E. Contreras, H. J. Fuentes, y J. I. Rodríguez, «Predicción del rendimiento académico como indicador de éxito/fracaso de los estudiantes de ingeniería, mediante aprendizaje automático», Formación universitaria, vol. 13, n.o 5, pp. 233-246, oct. 2020, doi: 10.4067/S0718-50062020000500233.
J. H. Guanin-Fajardo, J. Guaña-Moya, y J. Casillas, «Predicting Academic Success of College Students Using Machine Learning Techniques», Data (Basel), vol. 9, n.o 4, p. 60, abr. 2024, doi: 10.3390/data9040060.
E. Ahmed, «Student Performance Prediction Using Machine Learning Algorithms», Applied Computational Intelligence and Soft Computing, vol. 2024, n.o 1, ene. 2024, doi: 10.1155/2024/4067721.
K. Roy y D. Md. Farid, «An Adaptive Feature Selection Algorithm for Student Performance Prediction», IEEE Access, vol. 12, pp. 75577-75598, 2024, doi: 10.1109/ACCESS.2024.3406252.
B. K. Yousafzai et al., «Student-performulator: Student academic performance using hybrid deep neural network», Sustainability (Switzerland), vol. 13, n.o 17, sep. 2021, doi: 10.3390/su13179775.
S. Sarwat et al., «Predicting Students’ Academic Performance with Conditional Generative Adversarial Network and Deep SVM», Sensors, vol. 22, n.o 13, p. 4834, jun. 2022, doi: 10.3390/s22134834.
O. Ojajuni et al., «Predicting Student Academic Performance Using Machine Learning», 2021, pp. 481-491. doi: 10.1007/978-3-030-87013-3_36.
N. A. Butt, Z. Mahmood, K. Shakeel, S. Alfarhood, M. Safran, y I. Ashraf, «Performance Prediction of Students in Higher Education Using Multi-Model Ensemble Approach», IEEE Access, vol. 11, pp. 136091-136108, 2023, doi: 10.1109/ACCESS.2023.3336987.
N. M. Alruwais, «Deep FM-Based Predictive Model for Student Dropout in Online Classes», IEEE Access, vol. 11, pp. 96954-96970, 2023, doi: 10.1109/ACCESS.2023.3312150.
A. Nabil, M. Seyam, y A. Abou-Elfetouh, «Prediction of Students’ Academic Performance Based on Courses’ Grades Using Deep Neural Networks», IEEE Access, vol. 9, pp. 140731-140746, 2021, doi: 10.1109/ACCESS.2021.3119596.
A. Rico Páez, «Modelos predictivos progresivos del rendimiento académico de estudiantes universitarios», RIDE Revista Iberoamericana para la Investigación y el Desarrollo Educativo, vol. 12, n.o 24, may 2022, doi: 10.23913/ride.v12i24.1196.
J. E. Gamboa Unsihuay y J. W. Salinas Flores, «PREDICCIÓN DE LA SITUACIÓN ACADÉMICA EN ALUMNOS DE PREGRADO USANDO ALGORITMOS DE MACHINE LEARNING.», Perfiles, vol. 1, n.o 27, pp. 4-10, feb. 2022, doi: 10.47187/perf.v1i27.142.