Modelo de aprendizaje profundo para la detección temprana del riesgo de reprobación en asignaturas de programación mediante análisis predictivo en educación superior
Resumen
La detección del riesgo de reprobación tiene un gran impacto en el rendimiento académico para la aprobación de materias de programación y permanencia de los alumnos, lo que se convierte en un reto prioritario para las instituciones de educación superior. Con el objetivo de contribuir a esta necesidad, en este estudio se desarrolló un modelo de aprendizaje profundo para la detección temprana de riesgo de reprobación. La investigación se basó en la metodología CRISP-DM, analizando variables académicas, hábitos de estudio y factores de entorno recopilados mediante formularios digitales y cuestionarios físicos aplicados a estudiantes de Ingeniería Informática. Con esta información se conformó un conjunto de datos de 1,106 registros y 28 variables. El procesamiento y análisis exploratorio se realizó con Pandas, NumPy y Matplotlib, identificando patrones y relaciones altamente significativas. Finalmente, se alcanzó una exactitud aproximada del 99.1% en la evaluación de la red neuronal profunda implementada con TensorFlow/Keras. Se concluye que la aplicación de minería de datos y aprendizaje profundo fortalece las estrategias académicas y permite la generación de alertas tempranas eficaces.
Descargas
Citas
Baker, R. S. (2022). The state of educational data mining. Journal of Educational Data Mining, 14(1), 3-17.
Batool, S. R. (2023). Educational data mining to predict students' academic performance: A survey study. Education and Information Technologies, 28, 905-971. https://doi.org/10.1007/s10639-022-11152-y
Castro, M. (2024). Despliegue de modelos predictivos bajo el estándar CRISP-DM en la educación superior. Revista Iberoamericana de Tecnologías del Aprendizaje, 19, 45-58.
García Santamaría, C., & Román Forastelli, M. (2023). Perfil de la reprobación en las universidades públicas en Costa Rica. Estado de la Educación.
Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow (3rd ed.). O'Reilly Media.
Guerrero Vázquez, J. A., Hernández Sierra, M. G., González Álvarez, R., Santos Jiménez Aranda, J., & Pérez Salas, N. J. (2021). Estrategias efectivas para minimizar índices de reprobación en la carrera de Ingeniería informática. Ciencia Latina Revista Científica Multidisciplinar, 5(4), 5511–5522. https://doi.org/10.37811/cl_rcm.v5i4.704
Matplotlib Developers. (2025). Matplotlib documentation. Matplotlib. https://matplotlib.org/stable/
NumPy Developers. (2025). NumPy documentation. NumPy. https://numpy.org/
Rianti, A., Majid, N. W., & Fauzi, A. (2023). CRISP-DM: Metodologi Proyek Data Science. Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB), 107-114. https://www.ojs.udb.ac.id/Senatib/article/view/3015
Ross, E. G. (2023). Evaluating prediction model performance. ScienceDirect, 173, 723-723. https://doi.org/10.1016/j.surg.2023.05.023
Villegas-Espinoza, A. E.-C. (2025). Using deep learning in student performance prediction: A systematic review. TEM Journal, 14(3), 2472–2482.
Wen, X. &. (2023). Early prediction of students’ performance using a deep neural network based on online learning activity sequence. Applied Sciences, 15(13). https://doi.org/10.3390/app13158933
Yağcı, M. (2022). Educational data mining: Prediction of students' academic performance using machine learning algorithms. Smart Learning Environments, 9(11). https://doi.org/10.1186/s40561-022-00192-z
Derechos de autor 2026 Samuel Martínez Ramos , José Antonio Contreras Flores, José Alfonso Lopez Gonzalez, David Medina Hernández
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
