Analítica Inteligente de historiales académicos para la toma de decisiones en Educación Superior

Resumen

Las instituciones de educación superior generan grandes volúmenes de datos académicos que permiten analizar factores asociados a la reprobación y el abandono escolar. No obstante, muchas instituciones emplean estos registros para elaborar indicadores descriptivos de situaciones ya ocurridas y aprovechan limitadamente su capacidad para anticipar escenarios de riesgo. Este estudio tiene como objetivo desarrollar un modelo de aprendizaje automático que reconozca patrones recurrentes en historiales académicos y estimar probabilidad de reprobación o abandono. La investigación adopta un enfoque cuantitativo y un alcance predictivo mediante las etapas de comprensión, preparación, modelado y evaluación de los datos. El análisis considera variables como promedio, asignaturas reprobadas, repetición de cursos, carga académica, regularidad, avance curricular y periodos de inactividad. El estudio compara regresión logística, árboles de decisión, bosques aleatorios y máquinas de soporte vectorial. Para valorar su desempeño, utiliza exactitud, precisión, sensibilidad, especificidad, puntuación F1, matriz de confusión y área bajo la curva característica operativa del receptor. También analiza la importancia de variables para determinar su relación con los resultados académicos desfavorables. El estudio busca identificar combinaciones y secuencias de eventos que el análisis descriptivo tradicional no muestra, además de seleccionar el modelo que ofrezca el mejor equilibrio entre la detección de estudiantes en riesgo y la reducción de clasificaciones incorrectas. Los resultados permitirán transformar los historiales académicos en evidencia interpretable para apoyar la toma de decisiones institucionales mediante enfoques de analítica educativa e inteligencia artificial, favoreciendo intervenciones oportunas y estrategias de acompañamiento académico sin sustituir el juicio profesional de docentes y tutores.