Abstract:
Este proyecto de tesis se centra en la predicción temprana del rendimiento académico en el
contexto universitario, específicamente en el curso de Cálculo 1. Se utilizaron técnicas de Educational
Data Mining (EDM) y Learning Analytics (LA) para analizar grandes volúmenes de datos educativos
y predecir el éxito o fracaso de los estudiantes.
EDM emplea técnicas de minería de datos para datos educativos y tiene como objetivo pronosticar
el rendimiento estudiantil, incluyendo el abandono escolar. Por su parte, LA se enfoca en medir,
recopilar y analizar datos para mejorar los resultados académicos y entornos educativos.
La predicción temprana es crucial para intervenir a tiempo y brindar apoyo a estudiantes en
riesgo, mejorando sus posibilidades de éxito académico. Mediante análisis exploratorios y algoritmos
de aprendizaje automático como Regresión Logística y Máquinas de Soporte Vectorial, se buscó
identificar las características influyentes en el rendimiento de los estudiantes.
Este proyecto tiene como objetivo mejorar la toma de decisiones en el proceso educativo, proporcionar recomendaciones personalizadas y promover un ambiente de aprendizaje enriquecedor y
equitativo. La combinación de EDM y LA presenta un potencial significativo para transformar la
manera en que se aborda el rendimiento estudiantil en entornos universitarios. (LA)
