Predicción del bajo rendimiento académico en programación de computadoras mediante técnicas de minería de datos educativa en muestras reducidas
El objetivo de esta investigación fue demostrar la viabilidad de un modelo predictivo de bajo rendimiento académico aplicable en contextos con datos limitados (n=94 estudiantes en su primer ciclo académico), integrando variables psicoeducativas (rasgos de personalidad y clima escolar) y técnicas especializadas (SMOTE + ReliefF + ensambles). Mediante técnicas de minería de datos educativa (MDE), este estudio se presenta como cuantitativo y no experimental aplicándose dos instrumentos de escala Likert: uno midiendo la motivación y otro evaluando los rasgos de personalidad basado en el modelo de los Cinco Grandes (Apertura, Responsabilidad, Extraversión, Amabilidad y Neurotismo). El conjunto de datos se procesó utilizando SMOTE (para equilibrar clases minoritarias) y ReliefF (para selección de características), reduciendo de 45 variables a 16 predictores claves. Se evaluaron cuatro algoritmos base (Random Forest, XGBoost, Gradient Boosting, Extra Trees) y un clasificador de ensamble por votación. Se empleó validación cruzada (k=10) y métricas como exactitud, precisión, sensibilidad, F-measure y AUC para medir el rendimiento. Sin embargo, la sensibilidad (50%) evidenció dificultades para detectar casos positivos, probablemente debido al desbalance de clases. Estos resultados demuestran la eficacia de las técnicas del método de ensamble en la predicción del bajo rendimiento académico, proporcionando a los educadores información accionable para diseñar intervenciones tempranas y mejorar, el modelo de ensamble logró la mayor exactitud (87%), precisión (71%) y AUC (72%), superando los resultados académicos.
Palabra clave: Modelo de ensamble, Random forest, XGBoost, Bajo rendimiento académico, Minería de datos educativa.
;)
