CapítuloEDUCAÇÃO
Open Access
INTELIGÊNCIA ARTIFICIAL E FORMAÇÃO DOCENTE: TECNOLOGIAS EMERGENTES NA EDUCAÇÃO - VOL. 2
Downloads
6
Views
355
CODE: 260521917
COMPARTILHE

Título

MINERÍA DE DATOS EDUCATIVOS Y ALGORITMOS DE APRENDIZAJE AUTOMÁTICO APLICADOS AL ANÁLISIS DEL DESEMPEÑO ESTUDIANTIL

10.37885/260521917

Crossref

Capítulo

8

Páginas

122-134

Publicado em

30/07/2026

Autores

  • Godofredo Quispe Mamani iD Universidad Nacional del Altiplano de Puno - UNAP
  • Teresa Paola Álvarez Rozas iD Universidad Nacional del Altiplano de Puno - UNAP
  • Fredy Heric Villasante Saravia iD Universidad Nacional del Altiplano de Puno - UNAP
  • Percy Huata Panca iD Universidad Nacional del Altiplano de Puno - UNAP
  • Hugo Yosef Gomez Quispe iD Universidad Nacional del Altiplano de Puno - UNAP
  • Robert Antonio Romero Flores iD Universidad Nacional del Altiplano de Puno - UNAP
  • Sonia Yaneth Tipula Ticona iD Universidad Nacional del Altiplano de Puno - UNAP
  • Yudy Huacani Sucasaca iD Universidad Andina Néstor Cáceres Velásquez – UANCV

Resumo

Introducción: La educación enfrenta el desafío de identificar a tiempo a los estudiantes en riesgo de fracaso académico. La minería de datos educativos (MDE) y el aprendizaje automático han emergido como herramientas poderosas para analizar grandes volúmenes de información académica y predecir el rendimiento estudiantil con precisión creciente. Objetivo: Analizar la evidencia científica sobre el uso de algoritmos de aprendizaje automático en la minería de datos educativos para predecir y comprender el desempeño estudiantil, identificando los modelos más efectivos y las variables de mayor poder predictivo. Métodos: Se realizó una revisión sistemática en PubMed, Scopus, Web of Science, IEEE Xplore y Google Scholar, incluyendo artículos publicados entre 2019 y 2024. Se seleccionaron 52 estudios que cumplieron los criterios de inclusión. Resultados y discusión: Random Forest y XGBoost fueron los algoritmos con mayor rendimiento predictivo (AUC-ROC de 0.93 y 0.91 respectivamente). La asistencia, las calificaciones previas y la participación en entornos virtuales emergieron como las variables de mayor poder predictivo. Los modelos basados en datos de plataformas LMS mostraron especial utilidad en contextos de educación a distancia. Conclusión: La minería de datos educativos, combinada con algoritmos de aprendizaje automático, ofrece un potencial significativo para transformar la gestión del desempeño estudiantil. Su implementación efectiva requiere calidad en los datos, marcos éticos sólidos y una integración pedagógica cuidadosa.

Palavras-chave

minería de datos educativos; aprendizaje automático; desempeño estudiantil; predicción académica

Licença

Este capítulo está sob a Licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional .

Licença Creative Commons

O conteúdo do capítulo, seus dados, forma, correção e confiabilidade são de responsabilidade exclusiva do(s) autor(es). É permitido o download e o compartilhamento, desde que pela origem e no formato Acesso Livre (Open Access), com os devidos créditos e a citação atribuídos ao(s) respectivo(s) autor(es). Não é permitida qualquer alteração, catalogação em plataformas de acesso restrito ou utilização para fins comerciais. O(s) autor(es) mantém os direitos autorais do texto.

PlumX