Análisis del rendimiento estudiantil mediante la aplicación de técnicas de minería de datos en un entorno virtual de aprendizaje

Abstract

El rendimiento académico de los estudiantes es un factor clave para las instituciones educativas y la sociedad, ya que constituye un indicador importante de la calidad del proceso de enseñanza-aprendizaje y de la apropiación del conocimiento. Su análisis permite comprender el comportamiento de estudiantes y docentes, generando conocimiento valioso para la toma oportuna de decisiones académicas. En este estudio se desarrollaron las siguientes fases: (i) identificación de factores asociados al rendimiento académico de estudiantes universitarios de ingeniería, (ii) predicción temprana del éxito académico (rendimiento estudiantil) y (iii) identificación de patrones de uso en un entorno virtual de aprendizaje (EVA). Se aplicó la metodología de Descubrimiento de Conocimiento en Bases de Datos (KDD), basada en técnicas de minería de datos predictivas y descriptivas, utilizando datos académicos y socioeconómicos, así como interacciones (recursos y actividades) con el EVA. Las herramientas y lenguajes de programación empleados fueron Pentaho Data Integration para la integración y procesamiento de datos; Jupyter Notebook, Python y Scikit-Learn para el análisis de correlación y la modelación predictiva; y R Studio para la tarea de agrupamiento (clustering). Los resultados muestran que los recursos del EVA, como archivos y enlaces, así como actividades como la participación en foros, son factores relacionados con un buen rendimiento académico. Por otro lado, fue posible realizar predicciones del éxito académico (aprobado o reprobado) con una precisión superior al 95 % e identificar los principales patrones de uso del EVA. El grupo con excelente rendimiento académico (calificaciones de 9 a 10) se caracteriza por el uso frecuente de recursos de tipo archivo y una alta participación en actividades de clase y foros.