Machine Learning Prediction of Undergraduate Academic Performance for Early Identification of At-Risk Students: Evidence from Nnamdi Azikiwe University
Este estudio demuestra que los modelos de aprendizaje automático, particularmente las Máquinas de Vectores de Soporte, pueden predecir eficazmente el riesgo académico de los estudiantes de pregrado en la Universidad Nnamdi Azikiwe utilizando registros rutinarios como el promedio de calificaciones del primer semestre y las asignaturas reprobadas, permitiendo así intervenciones oportunas para los estudiantes en riesgo.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Las universidades de hoy se enfrentan a un desafío silencioso pero creciente: están educando a más estudiantes que nunca, pero a menudo carecen del tiempo o las herramientas para notar cuándo un estudiante específico comienza a tener dificultades antes de que sea demasiado tarde. En el pasado, un educador podía esperar a una calificación reprobatoria o a un examen perdido para darse cuenta de que un estudiante estaba en problemas, pero para entonces, la brecha en el aprendizaje a menudo se ha vuelto demasiado amplia como para cerrarla fácilmente. Para resolver esto, los investigadores están recurriendo a un campo llamado aprendizaje automático (machine learning), que es esencialmente una forma de que las computadoras aprendan de patrones en los datos en lugar de seguir un conjunto estricto de reglas escritas por un humano. Al alimentar estos sistemas con registros históricos de rendimiento estudiantil, asistencia y antecedentes, la computadora puede aprender a detectar las señales sutiles que preceden al fracaso académico. El objetivo no es reemplazar a los profesores con algoritmos, sino darles un sistema de alerta temprana: una forma de ver qué estudiantes podrían necesitar ayuda antes de que se queden atrás, permitiendo un apoyo oportuno que pueda cambiar toda la trayectoria académica de un estudiante.
En la Universidad Nnamdi Azikiwe en Nigeria, un equipo de investigadores decidió probar si este enfoque podría funcionar en su contexto específico. Recopilaron los registros académicos de 400 estudiantes de pregrado, observando una amplia gama de detalles que incluían sus puntajes en los exámenes de ingreso, sus calificaciones del primer semestre, la frecuencia con la que asistían a las clases, sus puntajes en las evaluaciones continuas e incluso si habían reprobado alguna asignatura en el pasado. Luego, los investigadores pidieron a cuatro modelos computacionales diferentes que analizaran esta información y predijeran qué estudiantes estarían en riesgo de un bajo rendimiento académico. Definieron "en riesgo" como aquellos estudiantes cuyo desempeño caía por debajo de un cierto estándar, creando efectivamente dos grupos: los que les iba bien y los que estaban teniendo dificultades. El equipo quería ver si las computadoras podían identificar al grupo con dificultades de manera temprana, utilizando solo los datos disponibles al inicio del semestre, y determinar qué factores específicos eran los indicadores más fuertes de problemas.
Los resultados revelaron un panorama claro de lo que separa a un estudiante próspero de uno que está en peligro. De los 400 estudiantes estudiados, casi uno de cada cuatro fue identificado como estando en riesgo. Cuando los investigadores analizaron de cerca los datos, encontraron que los estudiantes que tenían dificultades compartían un perfil muy específico. Habían ingresado a la universidad con puntajes más bajos en los exámenes de ingreso, pero lo más importante, su desempeño durante el primer semestre fue una señal mucho más fuerte de problemas futuros. El predictor más poderoso fue el promedio de calificaciones del primer semestre; los estudiantes en riesgo tenían un promedio de 2.43, mientras que aquellos a los que les iba bien promediaban 3.24. El número de cursos que un estudiante había reprobado anteriormente, conocidos como cursos de arrastre (carryover courses), fue el segundo factor más importante. Los estudiantes en riesgo habían reprobado un promedio de 2.5 cursos, en comparación con solo uno de sus compañeros. Otros factores como los puntajes de evaluación continua y la asistencia a clase también jugaron un papel, ya que los estudiantes con dificultades asistían a menos clases y obtenían puntajes más bajos en los exámenes parciales. Curiosamente, los datos mostraron que el género del estudiante o la forma específica en que ingresaron a la universidad no ayudaron a predecir quién tendría dificultades, lo que sugiere que el comportamiento académico importa mucho más que los datos demográficos de fondo en este entorno.
Para encontrar la mejor manera de realizar estas predicciones, los investigadores compararon cuatro técnicas diferentes de aprendizaje automático, cada una de las cuales aborda el problema de una manera ligeramente distinta. Un método, llamado bosque de decisión (decision forest), construye muchos árboles de decisión simples para hacer una suposición colectiva. Otro, conocido como máquina de vectores de soporte (support vector machine), intenta trazar una línea compleja que separe a los estudiantes con dificultades de los exitosos. Cuando los modelos fueron probados con nuevos datos que nunca habían visto, los resultados fueron sorprendentes. El modelo que mejor funcionó durante la fase inicial de entrenamiento no se mantuvo tan bien cuando se enfrentó a nuevos estudiantes. En cambio, la máquina de vectores de soporte y un método llamado regresión logística resultaron ser los más confiables. La máquina de vectores de soporte identificó correctamente a 16 de los 20 estudiantes con dificultades en el grupo de prueba, fallando solo con cuatro, mientras que también mantuvo relativamente bajos los falsos positivos (estudiantes señalados como con dificultades cuando en realidad les iba bien). Los modelos computacionales pudieron distinguir entre los dos grupos con un alto grado de precisión, demostrando que los patrones en los datos eran reales y consistentes.
El estudio también analizó profundamente por qué los modelos tomaban las decisiones que tomaban, asegurando que los resultados no fueran solo un truco estadístico sino que reflejaran dinámicas educativas reales. El análisis confirmó que lo que un estudiante hace durante su primer semestre es mucho más revelador que dónde comenzó. Si bien los puntajes de los exámenes de ingreso importaban, fueron eclipsados por cómo el estudiante se desempeñó una vez que estuvo realmente en el aula. La computadora aprendió que un promedio de calificaciones bajo, un alto número de cursos reprobados y una asistencia deficiente eran las señales más fuertes de que un estudiante estaba en problemas. Esto concuerda con la idea de que el aprendizaje es un proceso activo; los estudiantes que no se involucran con sus estudios, faltan a clases o no logran comprender el material al principio, son los que necesitan ayuda más. Los investigadores señalaron que, si bien los modelos fueron altamente efectivos para detectar estos patrones, deben verse como una herramienta para apoyar el juicio humano, no para reemplazarlo. Una computadora puede señalar a un estudiante para recibir atención, pero son los consejeros y profesores de la universidad quienes deben brindar la comprensión y el apoyo que sigue.
En última instancia, esta investigación demuestra que las universidades pueden utilizar los datos que ya recopilan para construir una red de seguridad para sus estudiantes. Al centrarse en indicadores tempranos como las calificaciones del primer semestre y la asistencia a clase, las instituciones pueden identificar a los estudiantes que probablemente tendrán dificultades mucho antes de que reprueben un examen final. El estudio sugiere que la Universidad Nnamdi Azikiwe, y otras como ella, podrían implementar estos sistemas de alerta temprana para guiar su asesoría académica. En lugar de esperar a que se desarrolle una crisis, el personal podría contactar a los estudiantes en el momento en que los datos muestren que se están desviando del camino. Los hallazgos ofrecen un camino práctico: usar los patrones en los registros para activar una intervención oportuna, asegurando que los estudiantes que más necesitan ayuda la reciban antes de que sus dificultades académicas se vuelvan imposibles de superar.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.