Vol. 10 (2026): Identidad Bolivariana: 2da Edición Especial
Artículos originales

Sistema de Inteligencia Artificial para la Predicción del Rendimiento Académico Universitario: Comparativa de Metodologías

PDF
Diana Carolina Chuquizala Erazo
Universidad Bolivariana del Ecuador
Damian Esteban Cabascango Cáceres
Universidad Bolivariana del Ecuador
Manuel Reyes Wagnio
Universidad Bolivariana del Ecuador
Rangel Dayron Rumbau
Universidad Bolivariana del Ecuador

Publicado 2026-09-11

Palabras clave

  • Inteligencia artificial,
  • rendimiento académico,
  • educación superior,
  • aprendizaje automático

Cómo citar

Sistema de Inteligencia Artificial para la Predicción del Rendimiento Académico Universitario: Comparativa de Metodologías. (2026). Identidad Bolivariana, 10, 169-176. https://doi.org/10.37611/IB10ol169-176

Resumen

La educación superior enfrenta limitaciones en el seguimiento del rendimiento académico debido al predominio de metodologías tradicionales, lo que ha impulsado la incorporación de la inteligencia artificial (IA) como herramienta para optimizar los procesos educativos. En este contexto, la presente investigación tuvo como propósito diseñar y evaluar un sistema basado en IA para predecir el rendimiento académico de estudiantes universitarios mediante el análisis de datos educativos y la comparación entre metodologías tradicionales y estrategias apoyadas en IA. Se desarrolló un estudio cuantitativo con diseño experimental en una muestra de 80 estudiantes distribuidos en un grupo control y un grupo experimental. La recolección de datos se realizó mediante evaluaciones académicas, formularios digitales y registros de actividad, mientras que el procesamiento se efectuó con algoritmos de aprendizaje automático como regresión logística, árboles de decisión y redes neuronales. Los resultados evidenciaron un mayor rendimiento académico en el grupo experimental (M=8,3) frente al grupo control (M=7,2), con diferencias estadísticamente significativas (p < 0,001), además de mayores niveles de participación y uso de recursos educativos. El modelo predictivo alcanzó una exactitud del 85 %, demostrando una adecuada capacidad para anticipar el desempeño estudiantil. Se concluye que la IA constituye una herramienta clave para fortalecer el rendimiento académico y apoyar la toma de decisiones pedagógicas basadas en datos en el contexto de la educación superior.

PDF

Descargas

Los datos de descarga todavía no están disponibles.

Referencias

  1. Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. In J. A. Larusson & B. White (Eds.), Learning analytics: From research to practice (pp. 61–75). Springer.
  2. Biggs, J., Tang, C. & Kennedy, G. (2022). Teaching for quality learning at university (5th ed.). McGraw-Hill.
  3. Boettcher, J. V., & Conrad, R. M. (2021). The Online Teaching Survival Guide: Simple and Practical Pedagogical Tips (3rd ed.). Jossey-Bass.
  4. Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. IEEE Access, 8, 75264–75278. https://doi.org/10.1109/ACCESS.2020.2988510
  5. Hellas, A., Ihantola, P., Petersen, A., Ajanovski, V. V., Gutica, M., Hynninen, T., Knutas, A., Leinonen, J., Messom, C., & Liao, S. N. (2018). Predicting academic performance: A systematic literature review. En Proceedings Companion of the 23rd Annual ACM Conference on Innovation and Technology in Computer Science Education (ITiCSE ’18 Companion) (pp. 175–199). Association for Computing Machinery. https://doi.org/10.1145/3293881.3295783
  6. Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
  7. Ifenthaler, D., & Schumacher, C. (2016). Student perceptions of privacy principles for learning analytics. Educational Technology Research and Development, 69(2), 821–839. https://doi.org/10.1007/s11423-016-9477-y
  8. Khosravi, H., Buckingham Shum, S., Chen, G., Conati, C., Tsai, Y.-S., Kay, J., Knight, S., Martinez-Maldonado, R., Sadiq, S., & Gašević, D. (2022). Explainable artificial intelligence in education. Computers and Education: Artificial Intelligence, 3, 100074. https://doi.org/10.1016/j.caeai.2022.100074
  9. Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. (2016). Intelligence unleashed: An argument for AI in education. Pearson.
  10. OECD. (2019). Artificial intelligence in society. OECD Publishing. https://doi.org/10.1787/eedfee77-en
  11. Papamitsiou, Z., & Economides, A. A. (2014). Learning analytics and educational data mining in practice: A systematic literature review. Educational Technology & Society, 23(2), 1–13.
  12. Siemens, G. (2005). Connectivism: A learning theory for the digital age. International Journal of Instructional Technology and Distance Learning, 2(1), 3–10.
  13. Siemens, G., & Baker, R. (2012). Learning analytics and educational data mining. In R. K. Sawyer (Ed.), The Cambridge handbook of the learning sciences (3rd ed.). Cambridge University Press.
  14. Sweeney, M., Lester, J., & Rangwala, H. (2016). Next-term student performance prediction. Journal of Educational Data Mining, 14(1), 1–25. https://doi.org/10.5281/zenodo.3554603
  15. Waheed, H., Hassan, S. U., Aljohani, N. R., Hardman, J., & Nawaz, R. (2019). Predicting academic performance of students from VLE big data using deep learning models. Computers in Human Behavior, 104, 106189. https://doi.org/10.1016/j.chb.2019.106189

Artículos similares

También puede Iniciar una búsqueda de similitud avanzada para este artículo.