Evaluación de Algoritmos para la Predicción del Desempeño Académico de Estudiantes con Discapacidad

Resumen

Este estudio analizo las oportunidades en la predicción del rendimiento académico de estudiantes universitarios con discapacidad mediante el uso de algoritmos de aprendizaje automático. En el contexto de las Tecnologías de la Información y la Comunicación (TIC) como herramienta esencial para la inclusión educativa, el trabajo busco desarrollar un modelo predictivo confiable que permita optimizar el desempeño académico y reducir la deserción estudiantil. La investigación se basó en datos de estudiantes de la Universidad Nacional Mayor de San Marcos (2019-2023), evaluando variables sociodemográficas, académicas y contextuales. Se implementaron modelos como Support Vector Machine (SVM), Regresión Logística, Árboles de Decisión, entre otros, utilizando métricas como precisión, sensibilidad, F1-Score y AUC para su evaluación. Los hallazgos destacan a SVM como el modelo más preciso (AUC de 0.9839), seguido por la Regresión Logística, reconocido por su equilibrio entre precisión e interpretabilidad. Aunque Bosques Aleatorios y Redes Neuronales también presentaron buenos resultados, KNN mostró limitaciones significativas. El estudio concluye que los modelos predictivos representan herramientas fundamentales para identificar a estudiantes en riesgo y desarrollar estrategias personalizadas que impulsan la inclusión. Asimismo, se recomienda investigar técnicas avanzadas como el aprendizaje profundo y extender la implementación de estos modelos a diversos entornos educativos.