Descubriendo patrones educativos en educación superior mediante Técnicas de Minería de Datos.

Vitervo López Caballero; Lucia Morales Morales; Xochitl Morales Morales

doi:10.46377/dilemas.v13i2.4838

Vitervo López Caballero Centro Nacional de Investigación y Desarrollo Tecnológico (CENIDET) https://orcid.org/0000-0002-1942-9558
Lucia Morales Morales Centro Nacional de Investigación y Desarrollo Tecnológico (CENIDET) https://orcid.org/0009-0006-6593-4762
Xochitl Morales Morales Centro Nacional de Investigación y Desarrollo Tecnológico (CENIDET)

DOI: https://doi.org/10.46377/dilemas.v13i2.4838

Palabras clave: minería de datos educativa, K-means, análisis de componentes principales, deserción estudiantil, aprendizaje automático

Resumen

La Minería de Datos Educativos (EDM) aplica métodos de ciencia de datos para analizar información académica y apoyar la toma de decisiones basada en evidencia. Este artículo de investigación, realizado en una Institución de Educación Superior en México, identifica patrones asociados con éxito o riesgo académico en estudiantes de licenciatura mediante cuatro fases: recopilación, depuración, modelado y análisis. Con técnicas no supervisadas como PCA y K-means se detectaron tres perfiles de estudiantes, uno de ellos con señales de desinterés emocional o académico. En la etapa predictiva, modelos supervisados como MLP, SVM y Regresión Logística alcanzaron precisiones del 95–96%. Los resultados muestran que el aprendizaje automático es clave para identificar estudiantes en riesgo y mejorar la intervención institucional.

Citas

Alkandari, A., & Aljaber, S. J. (2015). Principle Component Analysis algorithm (PCA) for image recognition. 2015 Second International Conference on Computing Technology and Information Management (ICCTIM), 76-80. https://doi.org/10.1109/ICCTIM.2015.7224596

Colpo, M. P., Primo, T. T., Aguiar, M. S. de, & Cechinel, C. (2024). Educational Data Mining for Dropout Prediction: Trends, Opportunities, and Challenges. Revista Brasileira de Informática Na Educação, 32, 220-256. https://doi.org/10.5753/rbie.2024.3559

Khan, A., & Ghosh, S. K. (2021). Student performance analysis and prediction in classroom learning: A review of educational data mining studies. Education and Information Technologies, 26(1), 205-240. https://doi.org/10.1007/s10639-020-10230-3

Khan, M., Naz, S., Khan, Y., Zafar, M., Khan, M., & Pau, G. (2023). Utilizing Machine Learning Models to Predict Student Performance From LMS Activity Logs. IEEE Access, 11, 86953-86962. https://doi.org/10.1109/ACCESS.2023.3305276

Kosaraju, N., Sankepally, S. R., & Mallikharjuna Rao, K. (2023). Categorical Data: Need, Encoding, Selection of Encoding Method and Its Emergence in Machine Learning Models—A Practical Review Study on Heart Disease Prediction Dataset Using Pearson Correlation. En M. Saraswat, C. Chowdhury, C. Kumar Mandal, & A. H. Gandomi (Eds.), Proceedings of International Conference on Data Science and Applications (pp. 369-382). Springer Nature Singapore. https://doi.org/10.1007/978-981-19-6631-6_26

Mamat, A. R., Mohamed, F. S., Mohamed, M. A., Rawi, N. M., & Awang, M. I. (2018). Silhouette index for determining optimal k-means clustering on images in different color models. International Journal of Engineering and Technology, 7(2.14), Article 2.14. https://doi.org/10.14419/ijet.v7i2.14.11464

Meneses Claudio, B. (2024). Application of Data Mining for the Prediction of Academic Performance in University Engineering Students at the National Autonomous University of Mexico, 2022. LatIA, 2, 4.

Mengash, H. A. (2020). Using Data Mining Techniques to Predict Student Performance to Support Decision Making in University Admission Systems. IEEE Access, 8, 55462-55470. https://doi.org/10.1109/ACCESS.2020.2981905

Merino-Soto, C. (2023). Aiken’s V Coefficient: Differences in Content Validity Judgments. MHSalud: Revista en Ciencias del Movimiento Humano y Salud, 20(1), 1-10. https://doi.org/10.15359/mhs.20-1.3

Shi, C., Wei, B., Wei, S., Wang, W., Liu, H., & Liu, J. (2021). A quantitative discriminant method of elbow point for the optimal number of clusters in clustering algorithm. EURASIP Journal on Wireless Communications and Networking, 2021(1), 31. https://doi.org/10.1186/s13638-021-01910-w

Sowmiya Narayanan, K. J., & Manimaran, A. (2024). Using Decision Risk and Decision Accuracy Metrics for Decision Making for Remote Sensing and GIS Applications. En K. R. Reddy, P. T. Ravichandran, R. Ayothiraman, & A. Joseph (Eds.), Recent Advances in Civil Engineering (pp. 125-136). Springer Nature Singapore. https://doi.org/10.1007/978-981-99-6229-7_11

Tavakol, M., & Dennick, R. (2011). Making sense of Cronbach’s alpha. International Journal of Medical Education, 2, 53-55. https://doi.org/10.5116/ijme.4dfb.8dfd

Trung, B. D., Son, N. T., Tung, N. D., Son, K. A., Anh, B. N., & Lam, P. T. (2023). Educational Data Mining: A Systematic Review on the Applications of Classical Methods and Deep Learning Until 2022. 2023 IEEE Symposium on Industrial Electronics & Applications (ISIEA), 1-15. https://doi.org/10.1109/ISIEA58478.2023.10212273

Xiao, W., Ji, P., & Hu, J. (2022). A survey on educational data mining methods used for predicting students’ performance. Engineering Reports, 4(5), e12482. https://doi.org/10.1002/eng2.12482