Aplicación de modelos de inteligencia artificial para la predicción del rendimiento académico en estudiantes universitarios de tecnología de la información

Resumen

El rendimiento académico en carreras tecnológicas representa un desafío crítico debido a las altas tasas de deserción en instituciones ecuatorianas. Este estudio tuvo como objetivo desarrollar un modelo predictivo basado en inteligencia artificial para identificar estudiantes en riesgo académico mediante el análisis de factores demográficos, académicos y de recursos tecnológicos. Se empleó un enfoque cuantitativo con una muestra de 48 estudiantes de la carrera de Tecnología de la Información de la Universidad Laica Eloy Alfaro de Manabí, recolectando datos mediante un cuestionario estructurado. Los datos fueron procesados mediante un clasificador Random Forest implementado en Python con la biblioteca scikit-learn. El modelo alcanzó una precisión del 92 %, sensibilidad del 86 % y especificidad del 93 % en validación cruzada de 10 pliegues. El hallazgo más relevante fue que las variables más influyentes en la predicción fueron el promedio académico previo (41.2 %), la asistencia a clases (33.5 %) y las horas de estudio autónomo (15.8 %). Se concluye que la inteligencia artificial constituye una herramienta eficaz para la identificación temprana de estudiantes en riesgo, permitiendo intervenciones pedagógicas oportunas en el contexto universitario ecuatoriano.

Abstract

Academic performance in technological programs represents a critical challenge due to high dropout rates in Ecuadorian institutions. This study aimed to develop an artificial intelligence-based predictive model to identify students at academic risk through the analysis of demographic, academic, and technological resource factors. A quantitative approach was employed with a sample of 48 Information Technology students from Laica Eloy Alfaro University of Manabí, collecting data through a structured questionnaire. Data were processed using a Random Forest classifier implemented in Python with the scikit-learn library. The model achieved 92% accuracy, 86% sensitivity, and 93% specificity in 10-fold cross-validation. The most relevant finding was that the most influential variables in prediction were previous academic average (41.2%), class attendance (33.5%), and autonomous study hours (15.8%). It is concluded that artificial intelligence constitutes an effective tool for early identification of at-risk students, enabling timely pedagogical interventions in the Ecuadorian university context.