MINERÍA DE DATOS EDUCATIVA CON WEKA:
APLICACIONES Y MODELADO PREDICTIVO
EDUCATIONAL DATA MINING WITH WEKA: APPLICATIONS
AND PREDICTIVE MODELING
Yolanda Moyao Martínez
Benemérita Universidad Autónoma de Puebla
pág. 16853
DOI: https://doi.org/10.37811/cl_rcm.v9i5.21172
Minería de datos educativa con Weka: aplicaciones y modelado predictivo.
Yolanda Moyao Martínez1
yolanda.moyao@correo.buap.mx
https://orcid.org/0000-0002-7259-3525
Benemérita Universidad Autónoma de Puebla
México
RESUMEN
El presente trabajo tiene como objetivo explorar la aplicación de la minería de datos educativa para
mejorar las técnicas de enseñanza y aprendizaje con base en el análisis de datos obtenidos por medio de
un cuestionario. Para ello, se utiliza el software libre Weka 3.8.6, que permite el preprocesamiento,
regresión y agrupamiento de datos educativos, facilitando la identificación de patrones y elementos
clave en el aprovechamiento académico. La metodología incluye la preparación del conjunto de datos
en formato compatible para su análisis, la aplicación de filtros para limpieza y transformación de los
datos, y el uso del modelo predictivo de regresión M5P de Weka basado en árboles de decisión, para
analizar variables relevantes como ausencias escolares, edad, y participación en actividades
extracurriculares. Entre los principales hallazgos, se destaca la capacidad del modelo para predecir el
rendimiento académico con una correlación moderada, lo que ayuda a identificar estudiantes que se
encuentran en riesgo y apoyar la toma de decisiones didácticas. Estos resultados evidencian que la
minería de datos puede influir significativamente a la personalización del aprendizaje y al progreso
continuo de los métodos de enseñanza. La integración de estas técnicas representa un recurso clave en
el contexto educativo de México, para reforezar la toma de decisiones didácticas y también para impulsar
la equidad de oportunidades académicas.
Palabras clave: minería de datos educativa, modelado predictivo, weka, rendimiento académico
1 Autor principal
Correspondencia: yolanda.moyao@correo.buap.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i5.21172
Minería de datos educativa con Weka: aplicaciones y modelado predictivo.
Yolanda Moyao Martínez1
yolanda.moyao@correo.buap.mx
https://orcid.org/0000-0002-7259-3525
Benemérita Universidad Autónoma de Puebla
México
RESUMEN
El presente trabajo tiene como objetivo explorar la aplicación de la minería de datos educativa para
mejorar las técnicas de enseñanza y aprendizaje con base en el análisis de datos obtenidos por medio de
un cuestionario. Para ello, se utiliza el software libre Weka 3.8.6, que permite el preprocesamiento,
regresión y agrupamiento de datos educativos, facilitando la identificación de patrones y elementos
clave en el aprovechamiento académico. La metodología incluye la preparación del conjunto de datos
en formato compatible para su análisis, la aplicación de filtros para limpieza y transformación de los
datos, y el uso del modelo predictivo de regresión M5P de Weka basado en árboles de decisión, para
analizar variables relevantes como ausencias escolares, edad, y participación en actividades
extracurriculares. Entre los principales hallazgos, se destaca la capacidad del modelo para predecir el
rendimiento académico con una correlación moderada, lo que ayuda a identificar estudiantes que se
encuentran en riesgo y apoyar la toma de decisiones didácticas. Estos resultados evidencian que la
minería de datos puede influir significativamente a la personalización del aprendizaje y al progreso
continuo de los métodos de enseñanza. La integración de estas técnicas representa un recurso clave en
el contexto educativo de México, para reforezar la toma de decisiones didácticas y también para impulsar
la equidad de oportunidades académicas.
Palabras clave: minería de datos educativa, modelado predictivo, weka, rendimiento académico
1 Autor principal
Correspondencia: yolanda.moyao@correo.buap.mx
pág. 16854
Educational Data Mining with Weka: Applications and Predictive Modeling
ABSTRACT
The present work aims to explore the application of educational data mining to improve teaching and
learning techniques based on the analysis of data obtained through a questionnaire. For this purpose, the
free software Weka 3.8.6 is used, which allows preprocessing, regression, and clustering of educational
data, facilitating the identification of patterns and key elements in academic achievement. The
methodology includes preparing the dataset in a compatible format for analysis, applying filters for data
cleaning and transformation, and using Weka’s M5P regression predictive model based on decision trees
to analyze relevant variables such as school absences, age, and participation in extracurricular activities.
Among the main findings, the model's ability to predict academic performance with moderate
correlation stands out, helping to identify students at risk and support educational decision-making.
These results show that data mining can significantly influence the personalization of learning and the
continuous improvement of teaching methods. The integration of these techniques represents a key
resource in Mexico's educational context to strengthen educational decision-making and also to promote
equity in academic opportunities.
Keywords: educational data mining, predictive modeling, weka, academic performance
Artículo recibido 02 setiembre 2025
Aceptado para publicación: 29 setiembre 2025
Educational Data Mining with Weka: Applications and Predictive Modeling
ABSTRACT
The present work aims to explore the application of educational data mining to improve teaching and
learning techniques based on the analysis of data obtained through a questionnaire. For this purpose, the
free software Weka 3.8.6 is used, which allows preprocessing, regression, and clustering of educational
data, facilitating the identification of patterns and key elements in academic achievement. The
methodology includes preparing the dataset in a compatible format for analysis, applying filters for data
cleaning and transformation, and using Weka’s M5P regression predictive model based on decision trees
to analyze relevant variables such as school absences, age, and participation in extracurricular activities.
Among the main findings, the model's ability to predict academic performance with moderate
correlation stands out, helping to identify students at risk and support educational decision-making.
These results show that data mining can significantly influence the personalization of learning and the
continuous improvement of teaching methods. The integration of these techniques represents a key
resource in Mexico's educational context to strengthen educational decision-making and also to promote
equity in academic opportunities.
Keywords: educational data mining, predictive modeling, weka, academic performance
Artículo recibido 02 setiembre 2025
Aceptado para publicación: 29 setiembre 2025
pág. 16855
INTRODUCCIÓN
La Minería de Datos (MD) es un campo de la estadística y las ciencias de la computación que ayuda a
identificar patrones, tendencias y relaciones significativas, las cuales no son inmediatamente visibles en
grandes volúmenes de conjuntos de datos, la minería de datos ayuda a desarrollar modelos capaces de
descubrir conexiones entre millones o miles de millones de registros, con el objetivo de transformar
estos datos en "bruto" en conocimiento práctico (Romero y Ventura, 2024).
Esta disciplina se utiliza en diversas áreas como, investigación científica, detección de fraude,
educación, salud, ciencia, ingeniería, entre otras. En particular, en el contexto educativo, la minería de
datos tiene por objetivo el desarrollo de métodos que utilicen datos de plataformas educacionales para
comprender mejor a los estudiantes y el entorno en el que aprenden (Romero y Ventura, 2024).
Figura1. Proceso de la Minería de Datos Educativa.
Fuente: Adaptada de https://www.researchgate.net/figure/Figura-1-Proceso-de-la-mineria-de-datos-
educativa_fig1_351055258.
La Minería de Datos Educativa es una disciplina emergente que se enfoca en técnicas, herramientas y
la investigación diseñadas para extraer automáticamente conocimiento a partir de grandes volúmenes
de datos educativos en el ámbito de la enseñanza, con el objetivo de descubrir información nueva y útil
para mejorar los procesos educativos (Bhatt, Sajja, y Liyanage, 2020). Este proceso se muestra en la
figura 1. En la última década esta disciplina ha evolucionado a gran velocidad y gracias a ello han
surgido diferentes términos, como Analítica Académica, Analítica Institucional, Analítica de la
Enseñanza, Educación Basada en Datos, Toma de Decisiones Basada en Datos en Educación, Big Data
INTRODUCCIÓN
La Minería de Datos (MD) es un campo de la estadística y las ciencias de la computación que ayuda a
identificar patrones, tendencias y relaciones significativas, las cuales no son inmediatamente visibles en
grandes volúmenes de conjuntos de datos, la minería de datos ayuda a desarrollar modelos capaces de
descubrir conexiones entre millones o miles de millones de registros, con el objetivo de transformar
estos datos en "bruto" en conocimiento práctico (Romero y Ventura, 2024).
Esta disciplina se utiliza en diversas áreas como, investigación científica, detección de fraude,
educación, salud, ciencia, ingeniería, entre otras. En particular, en el contexto educativo, la minería de
datos tiene por objetivo el desarrollo de métodos que utilicen datos de plataformas educacionales para
comprender mejor a los estudiantes y el entorno en el que aprenden (Romero y Ventura, 2024).
Figura1. Proceso de la Minería de Datos Educativa.
Fuente: Adaptada de https://www.researchgate.net/figure/Figura-1-Proceso-de-la-mineria-de-datos-
educativa_fig1_351055258.
La Minería de Datos Educativa es una disciplina emergente que se enfoca en técnicas, herramientas y
la investigación diseñadas para extraer automáticamente conocimiento a partir de grandes volúmenes
de datos educativos en el ámbito de la enseñanza, con el objetivo de descubrir información nueva y útil
para mejorar los procesos educativos (Bhatt, Sajja, y Liyanage, 2020). Este proceso se muestra en la
figura 1. En la última década esta disciplina ha evolucionado a gran velocidad y gracias a ello han
surgido diferentes términos, como Analítica Académica, Analítica Institucional, Analítica de la
Enseñanza, Educación Basada en Datos, Toma de Decisiones Basada en Datos en Educación, Big Data
pág. 16856
en Educación y Ciencia de Datos Educativos (Romero y Ventura, 2024).
Esta disciplina tiene diferentes aplicaciones como el análisis de datos de estudiantes, de docentes, de las
evaluaciones, de plataformas virtuales, entre otras. Las dependencias educativas en basa a los resultados
obtenidos pueden llegar a conclusiones y tomar decisiones bien informadas, como la actualización o el
diseño de nuevos contenidos temáticos o atender a estudiantes con problemas de rendimiento y así
prevenir la deserción escolar.
Los docentes pueden mejorar sus prácticas profesionales, diseñarlas o adaptarlas a las necesidades en
base a los contenidos temáticos. También pueden identificar conceptos de aprendizaje complejo para
los estudiantes y así planear una mejor práctica de enseñanza o incluso personalizar la enseñanza según
las necesidades de cada alumno (Bhatt, Sajja, y Liyanage, 2020).
Este campo de estudio tiene por objetivo contar con información suficiente para la toma de decisiones
en los procesos educativos, mediante la identificación de factores clave que influyen en el rendimiento
académico de los estudiantes, en la deserción escolar, en los estilos de aprendizaje, o en el uso de
recursos, contribuyendo así a mejorar las prácticas y resultados educativos en las escuelas de cualquier
nivel educativo (Lampropoulos, 2023; Cedillo Arce et al., 2024).
La aplicación de minería de datos en la educación permite obtener múltiples beneficios, entre los que
destacan la disminución de la deserción escolar a través del análisis de los resultados y de la
identificación de patrones de riesgo, la mejora de la práctica docente a partir del análisis de resultados
obtenidos y de las necesidades educativas particulares del alumnado, y la personalización del
aprendizaje adaptado a las necesidades y ritmo personal de aprendizaje de cada estudiante (Ordoñez-
Avila et al., 2023).
Actualmente las sociedades se encuentran inmersas en la era digital que crece a gran velocidad, en esta
las fuentes de datos se presentan en diversas formas y tamaños, por lo tanto, su gestión requiere de
herramientas tecnológicas que sean capaces de procesarlos. La minería de datos educativa no se queda
atrás, pues esta permite la gestión de una gran cantidad de datos educativos que requieren del uso de
herramientas digitales para ser procesados y posteriormente analizados y con ello descubrir patrones
que no son obvios, con el objetivo de proponer estrategias en aras de la mejora continua en el contexto
educativo (Cedillo Arce et al., 2024; Andrade-Girón et al., 2023).
en Educación y Ciencia de Datos Educativos (Romero y Ventura, 2024).
Esta disciplina tiene diferentes aplicaciones como el análisis de datos de estudiantes, de docentes, de las
evaluaciones, de plataformas virtuales, entre otras. Las dependencias educativas en basa a los resultados
obtenidos pueden llegar a conclusiones y tomar decisiones bien informadas, como la actualización o el
diseño de nuevos contenidos temáticos o atender a estudiantes con problemas de rendimiento y así
prevenir la deserción escolar.
Los docentes pueden mejorar sus prácticas profesionales, diseñarlas o adaptarlas a las necesidades en
base a los contenidos temáticos. También pueden identificar conceptos de aprendizaje complejo para
los estudiantes y así planear una mejor práctica de enseñanza o incluso personalizar la enseñanza según
las necesidades de cada alumno (Bhatt, Sajja, y Liyanage, 2020).
Este campo de estudio tiene por objetivo contar con información suficiente para la toma de decisiones
en los procesos educativos, mediante la identificación de factores clave que influyen en el rendimiento
académico de los estudiantes, en la deserción escolar, en los estilos de aprendizaje, o en el uso de
recursos, contribuyendo así a mejorar las prácticas y resultados educativos en las escuelas de cualquier
nivel educativo (Lampropoulos, 2023; Cedillo Arce et al., 2024).
La aplicación de minería de datos en la educación permite obtener múltiples beneficios, entre los que
destacan la disminución de la deserción escolar a través del análisis de los resultados y de la
identificación de patrones de riesgo, la mejora de la práctica docente a partir del análisis de resultados
obtenidos y de las necesidades educativas particulares del alumnado, y la personalización del
aprendizaje adaptado a las necesidades y ritmo personal de aprendizaje de cada estudiante (Ordoñez-
Avila et al., 2023).
Actualmente las sociedades se encuentran inmersas en la era digital que crece a gran velocidad, en esta
las fuentes de datos se presentan en diversas formas y tamaños, por lo tanto, su gestión requiere de
herramientas tecnológicas que sean capaces de procesarlos. La minería de datos educativa no se queda
atrás, pues esta permite la gestión de una gran cantidad de datos educativos que requieren del uso de
herramientas digitales para ser procesados y posteriormente analizados y con ello descubrir patrones
que no son obvios, con el objetivo de proponer estrategias en aras de la mejora continua en el contexto
educativo (Cedillo Arce et al., 2024; Andrade-Girón et al., 2023).
pág. 16857
A pesar de que existen múltiples investigaciones sobre minería de datos educativa, la mayoría abordan
desafíos en contextos internacionales y principlamente con un enfoque teórico. Esto deja un vacío
significativo en el desarrollo de estudios que integren estos métodos con las demandas partículares de
los sistemas educativos latinoamericanos, en partícular, del contexto mexicano. El presente estudio
responde a esa demanda al aplicar métodos de modelado predictivo como el M5P, con el objetivo de
proporcionar información clave que pueda influir en las políticas educativas y prácticas educativas.
METODOLOGÍA
El enfoque de la investigación es cuantitativo, dado que se utiliza minería de datos para el análisis y
modelado predictivo sobre datos educativos numéricos. El tipo de estudio es aplicativo y predictivo, ya
que se aplican técnicas de análisis de datos para prever el desempeño académico de estudiantes.
El diseño es observacional y transversal, pues se trabaja con un conjunto de datos recolectados en un
momento específico, sin ninguna intervención experimental. La población de estudio está conformada
por 383 estudiantes del complejo regional de Tehuacán de la Benemérita Universidad Autónoma de
Puebla, para el entrenamiento del modelo se tomaron 307 instancias.
La recolección de datos se realizó a través de un cuestionario estructurado de 31 preguntas, el cual se
diseñó de tal manera que se pudieraa recopilar información clave para el estudio, tal como, factores
académicos, personales y demográficos, familiares y sociales y contextuales con el objetivo de obtener
una visión integral de los factores que afectan el aprovechamiento académico de los estudiantes de nivel
medio superior en Puebla. Se emplearon técnicas computacionales de preprocesamiento de datos, como
limpieza y transformación mediante filtros no supervisados y supervisados, para preparar la información
para el modelado con algoritmos de regresión en la herramienta Weka.
Entre los materiales de apoyo se utilizaron los algoritmos específicos del software, como M5P para
regresión, y métricas estadísticas para la validación del modelo: coeficiente de correlación, error
absoluto medio, error cuadrático medio y error relativo.
En cuanto a consideraciones éticas, se garantizó la confidencialidad y anonimato de los datos utilizados,
respetando las normativas institucionales para el manejo de información estudiantil. Los criterios de
inclusión fueron registros completos con las variables requeridas, mientras que se excluyeron datos con
valores faltantes o inconsistentes.
A pesar de que existen múltiples investigaciones sobre minería de datos educativa, la mayoría abordan
desafíos en contextos internacionales y principlamente con un enfoque teórico. Esto deja un vacío
significativo en el desarrollo de estudios que integren estos métodos con las demandas partículares de
los sistemas educativos latinoamericanos, en partícular, del contexto mexicano. El presente estudio
responde a esa demanda al aplicar métodos de modelado predictivo como el M5P, con el objetivo de
proporcionar información clave que pueda influir en las políticas educativas y prácticas educativas.
METODOLOGÍA
El enfoque de la investigación es cuantitativo, dado que se utiliza minería de datos para el análisis y
modelado predictivo sobre datos educativos numéricos. El tipo de estudio es aplicativo y predictivo, ya
que se aplican técnicas de análisis de datos para prever el desempeño académico de estudiantes.
El diseño es observacional y transversal, pues se trabaja con un conjunto de datos recolectados en un
momento específico, sin ninguna intervención experimental. La población de estudio está conformada
por 383 estudiantes del complejo regional de Tehuacán de la Benemérita Universidad Autónoma de
Puebla, para el entrenamiento del modelo se tomaron 307 instancias.
La recolección de datos se realizó a través de un cuestionario estructurado de 31 preguntas, el cual se
diseñó de tal manera que se pudieraa recopilar información clave para el estudio, tal como, factores
académicos, personales y demográficos, familiares y sociales y contextuales con el objetivo de obtener
una visión integral de los factores que afectan el aprovechamiento académico de los estudiantes de nivel
medio superior en Puebla. Se emplearon técnicas computacionales de preprocesamiento de datos, como
limpieza y transformación mediante filtros no supervisados y supervisados, para preparar la información
para el modelado con algoritmos de regresión en la herramienta Weka.
Entre los materiales de apoyo se utilizaron los algoritmos específicos del software, como M5P para
regresión, y métricas estadísticas para la validación del modelo: coeficiente de correlación, error
absoluto medio, error cuadrático medio y error relativo.
En cuanto a consideraciones éticas, se garantizó la confidencialidad y anonimato de los datos utilizados,
respetando las normativas institucionales para el manejo de información estudiantil. Los criterios de
inclusión fueron registros completos con las variables requeridas, mientras que se excluyeron datos con
valores faltantes o inconsistentes.
pág. 16858
Esta metodología permitió desarrollar un análisis riguroso y replicable para entender y predecir variables
educativas a través de minería de datos.
El proceso utilizado para el análisis de los datos comienza con definir el origen de los datos, que pueden
ser diversos formatos y fuentes como archivos planos, bases de datos SQL, URLs, etc. Luego, los datos
se preprocesan, lo cual incluye la limpieza y transformación de los datos mediante filtros específicos
para preparar los datos para los modelos de aprendizaje automático.
Se aplica el modelo de regresión en la herramienta Weka, utilizando algoritmos como M5P para la
regresión. El análisis se hace sobre un conjunto de datos con 383 registros y 31 variables, donde la
variable dependiente es la calificación del primer semestre, una variable numérica continua que se
pretende predecir. El modelo fue entrenado con 307 instancias. Se diseñaron modelos lineales basados
en reglas para predecir la calificación según variables como edad, ausencias escolares y materias
reprobadas, entre otras.
Los datos fueron procesados con filtros no supervisados y supervisados según el objetivo del análisis.
Se utilizaron técnicas de selección y transformación de variables para optimizar el proceso de modelado.
La evaluación del modelo incluye métricas como coeficiente de correlación, error absoluto medio, error
cuadrático medio y error relativo, con una interpretación sobre la capacidad predictiva del modelo de
estudio.
RESULTADOS Y DISCUSIÓN
Los resultados obtenidos después de aplicar el modelo de regresión M5P se muestran en la figura 2. El
modelo se basó en las siguientes características:
• Se entrenó con los datos de 307 estudiantes de una población total de 383.
• El modelo M5P construyó 3 modelos lineales (LM1, LM2 y LM3) basados en reglas.
• Para el proceso de predicción, cada nueva instancia o estudiante puede ser evaluado con alguna
de esas reglas, y su calificación de primer semestre se puede estimar en base a sus datos, como
edad, ausencias, materias reprobadas, etc.
Estructura del árbol:
El árbol que construyó el modelo M5P se compone de 3 reglas o ramas terminales, y cada una de estas
tiene su propio modelo lineal:
Esta metodología permitió desarrollar un análisis riguroso y replicable para entender y predecir variables
educativas a través de minería de datos.
El proceso utilizado para el análisis de los datos comienza con definir el origen de los datos, que pueden
ser diversos formatos y fuentes como archivos planos, bases de datos SQL, URLs, etc. Luego, los datos
se preprocesan, lo cual incluye la limpieza y transformación de los datos mediante filtros específicos
para preparar los datos para los modelos de aprendizaje automático.
Se aplica el modelo de regresión en la herramienta Weka, utilizando algoritmos como M5P para la
regresión. El análisis se hace sobre un conjunto de datos con 383 registros y 31 variables, donde la
variable dependiente es la calificación del primer semestre, una variable numérica continua que se
pretende predecir. El modelo fue entrenado con 307 instancias. Se diseñaron modelos lineales basados
en reglas para predecir la calificación según variables como edad, ausencias escolares y materias
reprobadas, entre otras.
Los datos fueron procesados con filtros no supervisados y supervisados según el objetivo del análisis.
Se utilizaron técnicas de selección y transformación de variables para optimizar el proceso de modelado.
La evaluación del modelo incluye métricas como coeficiente de correlación, error absoluto medio, error
cuadrático medio y error relativo, con una interpretación sobre la capacidad predictiva del modelo de
estudio.
RESULTADOS Y DISCUSIÓN
Los resultados obtenidos después de aplicar el modelo de regresión M5P se muestran en la figura 2. El
modelo se basó en las siguientes características:
• Se entrenó con los datos de 307 estudiantes de una población total de 383.
• El modelo M5P construyó 3 modelos lineales (LM1, LM2 y LM3) basados en reglas.
• Para el proceso de predicción, cada nueva instancia o estudiante puede ser evaluado con alguna
de esas reglas, y su calificación de primer semestre se puede estimar en base a sus datos, como
edad, ausencias, materias reprobadas, etc.
Estructura del árbol:
El árbol que construyó el modelo M5P se compone de 3 reglas o ramas terminales, y cada una de estas
tiene su propio modelo lineal:
pág. 16859
• LM1: para alumnos con materias_reprobadas = dos, una o ninguna ≤ 0.5, esto se interpreta como
que el estudiante "sí reprobó" alguna materia. De tal forma, que esta regla se aplica solamente
a aquellos alumnos que sí reprobaron.
• LM2: para alumnos que reprobaron bajo otra condición adicional (por ejemplo, reprobar solo
“dos” o “una” materia) que define un subgrupo adicional dentro del grupo LM1. Esta regla se
aplica a un subgrupo de materias_reprobadas = dos, una, ninguna > 0.5. Para ello, WEKA
realiza una subdivisión en el grupo de alumnos que si reprobaron.
• LM3: para alumnos con materias_reprobadas = ninguna > 0.5. Esta regla se aplica a aquellos
alumnos que “no reprobaron” ninguna materia.
Se identificaron variables con impacto positivo en la calificación, como edad, nivel educativo del padre
y profesión de la madre, actividades extracurriculares, asistir a guarderías y mantener buenas relaciones
familiares. Del mismo modo se identificaron variables con impacto negativo como número de ausencias
escolares, en algunos modelos también la edad tuvo impacto negativo.
Los resultados indican que el modelo tiene una capacidad predictiva moderada, no excelente, con un
coeficiente de correlación 0.4212 y error promedio absoluto de 0.6449.
La minería de datos aplicada permitió identificar variables relevantes que influyen en el rendimiento
académico, tales como ausencias escolares, edad, materias reprobadas, nivel educativo y profesión de
los padres, así como aspectos sociales y familiares.
Estos hallazgos sugieren que la integración de datos sociodemográficos y académicos es indispensable
para comprender el rendimiento y apoyar decisiones educativas adaptadas a las necesidades de cada
alumno.
Además, se destaca la importancia de seguir explorando modelos más robustos para mejorar la
capacidad predictiva y facilitar intervenciones tempranas para reducir la deserción escolar y mejorar el
éxito académico.
• LM1: para alumnos con materias_reprobadas = dos, una o ninguna ≤ 0.5, esto se interpreta como
que el estudiante "sí reprobó" alguna materia. De tal forma, que esta regla se aplica solamente
a aquellos alumnos que sí reprobaron.
• LM2: para alumnos que reprobaron bajo otra condición adicional (por ejemplo, reprobar solo
“dos” o “una” materia) que define un subgrupo adicional dentro del grupo LM1. Esta regla se
aplica a un subgrupo de materias_reprobadas = dos, una, ninguna > 0.5. Para ello, WEKA
realiza una subdivisión en el grupo de alumnos que si reprobaron.
• LM3: para alumnos con materias_reprobadas = ninguna > 0.5. Esta regla se aplica a aquellos
alumnos que “no reprobaron” ninguna materia.
Se identificaron variables con impacto positivo en la calificación, como edad, nivel educativo del padre
y profesión de la madre, actividades extracurriculares, asistir a guarderías y mantener buenas relaciones
familiares. Del mismo modo se identificaron variables con impacto negativo como número de ausencias
escolares, en algunos modelos también la edad tuvo impacto negativo.
Los resultados indican que el modelo tiene una capacidad predictiva moderada, no excelente, con un
coeficiente de correlación 0.4212 y error promedio absoluto de 0.6449.
La minería de datos aplicada permitió identificar variables relevantes que influyen en el rendimiento
académico, tales como ausencias escolares, edad, materias reprobadas, nivel educativo y profesión de
los padres, así como aspectos sociales y familiares.
Estos hallazgos sugieren que la integración de datos sociodemográficos y académicos es indispensable
para comprender el rendimiento y apoyar decisiones educativas adaptadas a las necesidades de cada
alumno.
Además, se destaca la importancia de seguir explorando modelos más robustos para mejorar la
capacidad predictiva y facilitar intervenciones tempranas para reducir la deserción escolar y mejorar el
éxito académico.
pág. 16860
Figura 2. Resultados de la aplicación del modelo M5P.
Fuente: Tomada de Hall et al., 2019.
En base a los resultados arrojados por Weka, se puede observar que cada uno de los modelos lineales
LM1, LM2 y LM3 calculan una predicción para la calificación del primer semestre, a través de la
combinación ponderada de diferentes variables:
Para el caso de LM1 con n = 15 instancias o estudiantes del conjunto de entrenamiento fueron
clasificadas con una precisión interna del 97.02 % en esta hoja del árbol, es decir, que cumplieron las
condiciones para ser predichas por la regla lineal LM1.
Se pudo observar que la variable edad impacta de forma positiva en la calificación, es decir que a mayor
edad se tiene una mayor calificación, mientras que el número de ausencias escolares tiene un impacto
negativo, es decir a mayor número de faltas, se obtiene una menor calificación. Finalmente, se observó
que hubo otras variables con un impacto ligeramente positivo, como, por ejemplo, tiempo libre promedio
y relaciones familiares positivas.
Para cada estudiante, se identifica primero a qué regla o rama del árbol corresponde según su valor en
Figura 2. Resultados de la aplicación del modelo M5P.
Fuente: Tomada de Hall et al., 2019.
En base a los resultados arrojados por Weka, se puede observar que cada uno de los modelos lineales
LM1, LM2 y LM3 calculan una predicción para la calificación del primer semestre, a través de la
combinación ponderada de diferentes variables:
Para el caso de LM1 con n = 15 instancias o estudiantes del conjunto de entrenamiento fueron
clasificadas con una precisión interna del 97.02 % en esta hoja del árbol, es decir, que cumplieron las
condiciones para ser predichas por la regla lineal LM1.
Se pudo observar que la variable edad impacta de forma positiva en la calificación, es decir que a mayor
edad se tiene una mayor calificación, mientras que el número de ausencias escolares tiene un impacto
negativo, es decir a mayor número de faltas, se obtiene una menor calificación. Finalmente, se observó
que hubo otras variables con un impacto ligeramente positivo, como, por ejemplo, tiempo libre promedio
y relaciones familiares positivas.
Para cada estudiante, se identifica primero a qué regla o rama del árbol corresponde según su valor en
pág. 16861
"materias_reprobadas" (si reprobaron o no, y si reprobaron cuántas). Posteriormente, se calcula la
variable a predecir “calificación”, de atal forma que para cada regla, se usa una fórmula lineal que asigna
coeficientes a las variables relevantes para ese grupo
calificación = +1.11* edad - 4.70 * ausencias_escolares + otros coeficientes pequeños
Para el caso de LM2 con n = 58 instancias o estudiantes del conjunto de entrenamiento fueron
clasificadas con una precisión interna del 68.31 % en esta hoja del árbol, es decir, que cumplieron las
condiciones para ser predichas por la regla lineal LM2.
Se pudo observar que las variables como nivel educativo del padre y profesión de la madre impactan de
forma positiva en la calificación, mientras que la edad tiene un impacto positivo, pero menos fuerte que
el que tuvo en LM1. Mientras que el número de ausencias escolares sigue teniendo un impacto negativo,
pero mucho menos fuerte que el que tuvo en LM1. Finalmente, se observó que hubo otras variables con
un impacto ligeramente negativo, por ejemplo, clases particulares.
calificación = + 0.4572 * edad - 0.3675 * ausencias_escolares + otros coeficientes pequeños
Para el caso de LM3 con n = 234 instancias o estudiantes del conjunto de entrenamiento fueron
clasificadas con una precisión interna del 62.25 % en grupo del árbol, es decir, que cumplieron las
condiciones para ser predichas por la regla lineal LM3.
Se pudo observar que las variables como actividades extracurriculares, asistir a guarderías y mantener
buenas relaciones familiares impactan de forma positiva en la calificación, mientras que la edad tiene
un impacto negativo. Mientras que el número de ausencias escolares sigue teniendo un impacto negativo,
pero mucho menos fuerte que el que tuvo en LM1. También se detectó que este modelo representa
adecuadamente el impacto combinado de factores sociales y académicos además del rendimiento previo
obtenido. Finalmente, se identificaron otras variables con un impacto ligeramente positivo, por ejemplo,
sexo = femenino, direccion = urbana, convivencia de los padres = juntos, nivel educativo de la madre,
profesiones del padre y la madre, tutor = madre u otro, participación en actividades extraescolares,
asistencia o no a guardería, calidad de la relación familiar y frecuencia de interacción social con amigos.
calificación = -0.6852 * edad - 0.0637 * ausencias_escolares + otros coeficientes pequeños.
Esto se puede interpretar como que a mayor edad del estudiante, se espera una disminución moderada
en la calificación. Este efecto negativo puede reflejar posibles rezagos escolares. Por otro lado, el
"materias_reprobadas" (si reprobaron o no, y si reprobaron cuántas). Posteriormente, se calcula la
variable a predecir “calificación”, de atal forma que para cada regla, se usa una fórmula lineal que asigna
coeficientes a las variables relevantes para ese grupo
calificación = +1.11* edad - 4.70 * ausencias_escolares + otros coeficientes pequeños
Para el caso de LM2 con n = 58 instancias o estudiantes del conjunto de entrenamiento fueron
clasificadas con una precisión interna del 68.31 % en esta hoja del árbol, es decir, que cumplieron las
condiciones para ser predichas por la regla lineal LM2.
Se pudo observar que las variables como nivel educativo del padre y profesión de la madre impactan de
forma positiva en la calificación, mientras que la edad tiene un impacto positivo, pero menos fuerte que
el que tuvo en LM1. Mientras que el número de ausencias escolares sigue teniendo un impacto negativo,
pero mucho menos fuerte que el que tuvo en LM1. Finalmente, se observó que hubo otras variables con
un impacto ligeramente negativo, por ejemplo, clases particulares.
calificación = + 0.4572 * edad - 0.3675 * ausencias_escolares + otros coeficientes pequeños
Para el caso de LM3 con n = 234 instancias o estudiantes del conjunto de entrenamiento fueron
clasificadas con una precisión interna del 62.25 % en grupo del árbol, es decir, que cumplieron las
condiciones para ser predichas por la regla lineal LM3.
Se pudo observar que las variables como actividades extracurriculares, asistir a guarderías y mantener
buenas relaciones familiares impactan de forma positiva en la calificación, mientras que la edad tiene
un impacto negativo. Mientras que el número de ausencias escolares sigue teniendo un impacto negativo,
pero mucho menos fuerte que el que tuvo en LM1. También se detectó que este modelo representa
adecuadamente el impacto combinado de factores sociales y académicos además del rendimiento previo
obtenido. Finalmente, se identificaron otras variables con un impacto ligeramente positivo, por ejemplo,
sexo = femenino, direccion = urbana, convivencia de los padres = juntos, nivel educativo de la madre,
profesiones del padre y la madre, tutor = madre u otro, participación en actividades extraescolares,
asistencia o no a guardería, calidad de la relación familiar y frecuencia de interacción social con amigos.
calificación = -0.6852 * edad - 0.0637 * ausencias_escolares + otros coeficientes pequeños.
Esto se puede interpretar como que a mayor edad del estudiante, se espera una disminución moderada
en la calificación. Este efecto negativo puede reflejar posibles rezagos escolares. Por otro lado, el
pág. 16862
impacto de las ausencias es negativo, pero más leve.
En la tabla 1, se muestra el resumen de la aplicación del modelo M5P.
Tabla 1. Resumen de las métricas obtenidas.
Fuente: Elaboración propia.
CONCLUSIONES
Se puede concluir que las variables más significativas por su aporte en el proceso de predicción en las
diferentes ramas del modelo M5P fueron: edad, materias reprobadas, ausencias escolares, tiempo libre
semanal, nivel educativo del padre o madre, profesión del padre o madre, relación familiar y actividades
extraescolares.
El modelo M5P mostró un rendimiento moderado para la predicción del desempeño académico,
identificando patrones relevantes, aunque con limitaciones en precisión. Por ejemplo, la edad y el
número de ausencias influyen significativamente en las calificaciones estimadas. Además, la integración
de variables sociodemográficas junto con datos académicos resultó crucial para mejorar la capacidad
predictiva del modelo M5P, resaltando la multifactorialidad del rendimiento estudiantil y la necesidad
Métrica Valor Interpretación
Coeficiente de Correlación 0.4212 El resultado muestra que hay
una correlación moderada, lo
cual indica que el modelo tiene
algo de poder predictivo.
Error absoluto medio 0.6449 Representa el error promedio
absoluto en las calificaciones.
Raíz del error cuadrático
medio
0.9003 Penaliza los errores grandes.
Error absoluto relativo 88.1% Es mejor que predecir con el
promedio (menos de 100%)
Error cuadrático relativo 92.68% Es mejor esto que predecir con
la media.
impacto de las ausencias es negativo, pero más leve.
En la tabla 1, se muestra el resumen de la aplicación del modelo M5P.
Tabla 1. Resumen de las métricas obtenidas.
Fuente: Elaboración propia.
CONCLUSIONES
Se puede concluir que las variables más significativas por su aporte en el proceso de predicción en las
diferentes ramas del modelo M5P fueron: edad, materias reprobadas, ausencias escolares, tiempo libre
semanal, nivel educativo del padre o madre, profesión del padre o madre, relación familiar y actividades
extraescolares.
El modelo M5P mostró un rendimiento moderado para la predicción del desempeño académico,
identificando patrones relevantes, aunque con limitaciones en precisión. Por ejemplo, la edad y el
número de ausencias influyen significativamente en las calificaciones estimadas. Además, la integración
de variables sociodemográficas junto con datos académicos resultó crucial para mejorar la capacidad
predictiva del modelo M5P, resaltando la multifactorialidad del rendimiento estudiantil y la necesidad
Métrica Valor Interpretación
Coeficiente de Correlación 0.4212 El resultado muestra que hay
una correlación moderada, lo
cual indica que el modelo tiene
algo de poder predictivo.
Error absoluto medio 0.6449 Representa el error promedio
absoluto en las calificaciones.
Raíz del error cuadrático
medio
0.9003 Penaliza los errores grandes.
Error absoluto relativo 88.1% Es mejor que predecir con el
promedio (menos de 100%)
Error cuadrático relativo 92.68% Es mejor esto que predecir con
la media.
pág. 16863
de abordajes integrales en las políticas educativas.
Por otro lado, los resultados reflejan que el modelo M5P, aunque tiene un desempeño moderado, ofrece
una base útil para identificar estudiantes en riesgo, lo que abre oportunidades para desarrollar estrategias
de intervención temprana y personalización del aprendizaje que puedan reducir la deserción y mejorar
el éxito académico.
Con este estudio se abre la posibilidad de continuar con la investigación en diferentes direcciones. En
primer lugar, se pueden explorar otros modelos predictivos más robustos, como Random Forest y redes
neuronales, los cuales podrían mejorar la habilidad para predecir en comparación con el modelo M5P.
También, es conveniente llevar a cabo estudios longitudinales, pues esto permitiría analizar el
comportamiento del aprovechamiento académico a lo largo del tiempo.
Otro trabajo a futuro es considerar datos cualitativos, por ejemplo, cuestionarios abiertos con el objetivo
de enriquecer el enfoque estadístico para tener una comprensión más a fondo de variables
socioemocionales. Finalmente se propone, el desarrollo de sistemas didácticas virtuales que utilicen los
modelos predictivos en tiempo real, para proporcionar información anticipada y significativa a docentes
y alumnos, con el propósito de influir en la prevensión de la decersión escolar y al progreso en el
desarrollo de estrategias educativas.
De acuerdo con los aportes de Cerón Garnica et al. (2025) acerca del impacto de Recursos Educativos
Abiertos (REA) en el bachillerato en la etapa posterior a la pandemia, los resultados obtenidos en este
trabajo de investigación sugieren que combinar técnicas de minería de datos con el uso de REA podría
influir significativamente en la detección anticipada de rezagos y la planeación de estrategias
individualizadas en el contexto educativo mexicano.
REFERENCIAS BIBLIOGRÁFICAS
Andrade-Girón, C. A., Yepes-Gómez, J. D., Toloza-Ruíz, C. J., & Durán-Moreno, A. A. (2023). Machine
and deep learning algorithms for early dropout prediction in higher education: A systematic
review. EAI Endorsed Transactions on Scalable Information Systems, 10(2), e6.
https://doi.org/10.4108/eetsis.3586.
de abordajes integrales en las políticas educativas.
Por otro lado, los resultados reflejan que el modelo M5P, aunque tiene un desempeño moderado, ofrece
una base útil para identificar estudiantes en riesgo, lo que abre oportunidades para desarrollar estrategias
de intervención temprana y personalización del aprendizaje que puedan reducir la deserción y mejorar
el éxito académico.
Con este estudio se abre la posibilidad de continuar con la investigación en diferentes direcciones. En
primer lugar, se pueden explorar otros modelos predictivos más robustos, como Random Forest y redes
neuronales, los cuales podrían mejorar la habilidad para predecir en comparación con el modelo M5P.
También, es conveniente llevar a cabo estudios longitudinales, pues esto permitiría analizar el
comportamiento del aprovechamiento académico a lo largo del tiempo.
Otro trabajo a futuro es considerar datos cualitativos, por ejemplo, cuestionarios abiertos con el objetivo
de enriquecer el enfoque estadístico para tener una comprensión más a fondo de variables
socioemocionales. Finalmente se propone, el desarrollo de sistemas didácticas virtuales que utilicen los
modelos predictivos en tiempo real, para proporcionar información anticipada y significativa a docentes
y alumnos, con el propósito de influir en la prevensión de la decersión escolar y al progreso en el
desarrollo de estrategias educativas.
De acuerdo con los aportes de Cerón Garnica et al. (2025) acerca del impacto de Recursos Educativos
Abiertos (REA) en el bachillerato en la etapa posterior a la pandemia, los resultados obtenidos en este
trabajo de investigación sugieren que combinar técnicas de minería de datos con el uso de REA podría
influir significativamente en la detección anticipada de rezagos y la planeación de estrategias
individualizadas en el contexto educativo mexicano.
REFERENCIAS BIBLIOGRÁFICAS
Andrade-Girón, C. A., Yepes-Gómez, J. D., Toloza-Ruíz, C. J., & Durán-Moreno, A. A. (2023). Machine
and deep learning algorithms for early dropout prediction in higher education: A systematic
review. EAI Endorsed Transactions on Scalable Information Systems, 10(2), e6.
https://doi.org/10.4108/eetsis.3586.
pág. 16864
Bhatt, C., Sajja, P. S., & Liyanage, S. (Eds.). (2020). Utilizing educational data mining techniques for
improved learning: Emerging research and opportunities. IGI Global.
https://doi.org/10.4018/978-1-7998-0010-1.
Bouckaert, R. R., Frank, E., Hall, M., Kirkby, R., Reutemann, P., Seewald, A., & Scuse, D. (2018,
September 4). WEKA manual for version 3-8-3. University of Waikato.
https://user.eng.umd.edu/~austin/ence688p.d/handouts/WekaManual2018.pdf.
Cedillo Arce, J. M., Beltrán Abreo, H. M., Saltos Arce, M. I., & Soriano Barzola, F. R. (2024).
Explorando la minería de datos en la gestión educativa superior: desafíos y oportunidades en la
era digital. Reincisol, 3(5), 1368–1385. https://doi.org/10.59282/reincisol.V3(5)1367-1385.
Cerón Garnica, C., Moyao Martínez, Y., Martínez Guzmán, G., y Mila Avendaño, V. M. (2025). Análisis
de los Recursos Educativos Abiertos en el rezago de aprendizajes en el bachillerato
postpandemia. EDUCATECIENCIA, 33(2), 1-33.
https://educateconciencia.com/index.php/revistaeducate/article/view/380
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2019). WEKA 3.8.6
[Software]. Universidad de Waikato. https://www.cs.waikato.ac.nz/ml/weka/.
Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and techniques (3rd ed.). Morgan
Kaufmann. https://doi.org/10.1016/C2009-0-61819-5.
Information Resources Management Association. (2018). Information Retrieval and Management:
Concepts, Methodologies, Tools, and Applications (4 vols.). IGI Global.
https://doi.org/10.4018/978-1-5225-5191-1.
Lampropoulos, G. (2023). Educational data mining and learning analytics in the 21st century. En
Encyclopedia of data science and machine learning (pp. 1642–1651). IGI Global.
https://doi.org/10.4018/978-1-7998-9220-5.ch098.
Ordoñez-Avila, R., Salgado Reyes, N., Meza, J., & Ventura, S. (2023). Data mining techniques for
predicting teacher evaluation in higher education: A systematic literature review. Heliyon, 9(3),
e13939. https://doi.org/10.1016/j.heliyon.2023.e13939.
Romero, C., & Ventura, S. (2024). Educational data mining and learning analytics: An updated survey.
Journal of Educational Data Mining. https://doi.org/10.1002/widm.1355.
Bhatt, C., Sajja, P. S., & Liyanage, S. (Eds.). (2020). Utilizing educational data mining techniques for
improved learning: Emerging research and opportunities. IGI Global.
https://doi.org/10.4018/978-1-7998-0010-1.
Bouckaert, R. R., Frank, E., Hall, M., Kirkby, R., Reutemann, P., Seewald, A., & Scuse, D. (2018,
September 4). WEKA manual for version 3-8-3. University of Waikato.
https://user.eng.umd.edu/~austin/ence688p.d/handouts/WekaManual2018.pdf.
Cedillo Arce, J. M., Beltrán Abreo, H. M., Saltos Arce, M. I., & Soriano Barzola, F. R. (2024).
Explorando la minería de datos en la gestión educativa superior: desafíos y oportunidades en la
era digital. Reincisol, 3(5), 1368–1385. https://doi.org/10.59282/reincisol.V3(5)1367-1385.
Cerón Garnica, C., Moyao Martínez, Y., Martínez Guzmán, G., y Mila Avendaño, V. M. (2025). Análisis
de los Recursos Educativos Abiertos en el rezago de aprendizajes en el bachillerato
postpandemia. EDUCATECIENCIA, 33(2), 1-33.
https://educateconciencia.com/index.php/revistaeducate/article/view/380
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2019). WEKA 3.8.6
[Software]. Universidad de Waikato. https://www.cs.waikato.ac.nz/ml/weka/.
Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and techniques (3rd ed.). Morgan
Kaufmann. https://doi.org/10.1016/C2009-0-61819-5.
Information Resources Management Association. (2018). Information Retrieval and Management:
Concepts, Methodologies, Tools, and Applications (4 vols.). IGI Global.
https://doi.org/10.4018/978-1-5225-5191-1.
Lampropoulos, G. (2023). Educational data mining and learning analytics in the 21st century. En
Encyclopedia of data science and machine learning (pp. 1642–1651). IGI Global.
https://doi.org/10.4018/978-1-7998-9220-5.ch098.
Ordoñez-Avila, R., Salgado Reyes, N., Meza, J., & Ventura, S. (2023). Data mining techniques for
predicting teacher evaluation in higher education: A systematic literature review. Heliyon, 9(3),
e13939. https://doi.org/10.1016/j.heliyon.2023.e13939.
Romero, C., & Ventura, S. (2024). Educational data mining and learning analytics: An updated survey.
Journal of Educational Data Mining. https://doi.org/10.1002/widm.1355.
pág. 16865
University of Waikato. (s. f.). https://www.cs.waikato.ac.nz/ml/weka/.
Witten, I. H., Frank, E., & Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and
Techniques (3rd ed.). Morgan Kaufmann. https://dl.acm.org/doi/book/10.5555/1972514.
University of Waikato. (s. f.). https://www.cs.waikato.ac.nz/ml/weka/.
Witten, I. H., Frank, E., & Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and
Techniques (3rd ed.). Morgan Kaufmann. https://dl.acm.org/doi/book/10.5555/1972514.