Predicción de Reprobación de Asignaturas en Estudiantes Universitarios mediante Técnicas de Machine Learning: Comparación de Modelos Supervisados
DOI:
https://doi.org/10.70554/OBJK2026.v02n02.01Palabras clave:
Aprendizaje automático, Árbol de decisión, K-nearest neighbors, Random forest, SMOTE, Validación cruzada, Reprobación académica, Redes sociales, Importancia de característicasResumen
El uso de plataformas digitales entre universitarios colombianos sigue creciendo, y con eso ha vuelto a abrirse la pregunta de si afecta la permanencia y el rendimiento académico. En Riohacha esa relación no se había estudiado con herramientas de inteligencia artificial a nivel institucional. Para este trabajo se construyó un conjunto de datos a partir de una encuesta aplicada a 300 estudiantes de pregrado de la Universidad de La Guajira. Se capturaron 21 variables sociodemográficas, conductuales y de percepción digital organizadas bajo la metodología CRISP-DM. La variable objetivo es binaria: si el estudiante ha reprobado al menos una asignatura. Se compararon tres algoritmos de clasificación supervisada (Árbol de Decisión, KNN y Random Forest) integrados en pipelines con SMOTE y validación cruzada estratificada de cinco pliegues. Random Forest dio el mejor resultado, con 62 % de exactitud, F1-Score de 0.606 y ROC AUC de 0.682. El análisis de importancia de características señaló al nivel de concentración al estudiar, las horas diarias de uso del celular y la red social preferida como los predictores con mayor peso.
Citas
I. K. Nti and others, “Prediction of social media effects on students’ academic performance using Machine Learning Algorithms (MLAs),” Journal of Computers in Education, vol. 9, no. 2, pp. 195–223, 2022, doi: 10.1007/s40692-021-00192-3. DOI: https://doi.org/10.1007/s40692-021-00201-z
L. Al-Alawi, J. Al Shaqsi, A. Tarhini, and A. S. Al-Busaidi, “Using machine learning to predict factors affecting academic performance: the case of college students on academic probation,” Educ. Inf. Technol. (Dordr)., vol. 28, no. 10, pp. 12407–12432, 2023, doi: 10.1007/s10639-023-11700-0. DOI: https://doi.org/10.1007/s10639-023-11700-0
A. A. Deyser Gutiérrez, J. Fredy Vélez Díaz, and J. M. López, “Indicadores de deserción universitaria y factores asociados,” EducaT: Educación Virtual, Innovación Y Tecnologías, 2021, doi: 10.22490/27452115.4738.
A. D. Solano-barliza, “Quantitative analysis of the perception of using ChatGPT artificial intelligence in the teaching and learning of Colombian-Caribbean undergraduate students,” Formación Universitaria, vol. 17, no. 3, pp. 129–138, 2024. DOI: https://doi.org/10.4067/s0718-50062024000300129
H. Yu, W. Yang, N. Xu, and Y. Du, “Advertising strategy and contract coordination for a supply chain system: immediate and delayed effects,” Kybernetes, vol. 52, no. 1, pp. 235–261, Oct. 2021, doi: 10.1108/K-03-2021-0185. DOI: https://doi.org/10.1108/K-03-2021-0185
S. H. Hemal, M. A. R. Khan, I. Ahammad, M. Rahman, M. A. S. Khan, and S. Ejaz, “Predicting the impact of internet usage on students’ academic performance using machine learning techniques in Bangladesh perspective,” Soc. Netw. Anal. Min., vol. 14, no. 1, p. 66, 2024.
J. Sweller, “Cognitive load during problem solving: Effects on learning,” Cogn. Sci., vol. 12, no. 2, pp. 257–285, 1988, doi: 10.1207/s15516709cog1202_4. DOI: https://doi.org/10.1207/s15516709cog1202_4
J. Sweller, “Cognitive load theory, learning difficulty, and instructional design,” Learn. Instr., vol. 4, no. 4, pp. 295–312, 1994, doi: 10.1016/0959-4752(94)90003-5. DOI: https://doi.org/10.1016/0959-4752(94)90003-5
M. H. Goldhaber, “The attention economy and the Net,” First Monday, vol. 2, no. 4, 1997, doi: 10.5210/fm.v2i4.519. DOI: https://doi.org/10.5210/fm.v2i4.519
V. R. Bhargava and M. Velasquez, “Ethics of the Attention Economy: The Problem of Social Media Addiction,” Business Ethics Quarterly, vol. 31, no. 3, pp. 321–359, 2021, doi: DOI: 10.1017/beq.2020.32. DOI: https://doi.org/10.1017/beq.2020.32
X. Xu, J. Wang, H. Peng, and R. Wu, “Prediction of academic performance associated with internet usage behaviors using machine learning algorithms,” Comput. Human Behav., vol. 98, pp. 166–173, 2019. DOI: https://doi.org/10.1016/j.chb.2019.04.015
A. López-Garcia, O. Blasco-Blasco, M. Liern-Garc’ia, and S. E. Parada-Rico, “Early detection of students’ failure using Machine Learning techniques,” Operations Research Perspectives, vol. 11, p. 100292, 2023. DOI: https://doi.org/10.1016/j.orp.2023.100292
M. Ramzan and others, “From Social Media Reactions to Grades: A Machine Learning-Based SocialNet Analysis for Academic Performance Prediction,” EAI Endorsed Transactions on AI and Robotics, 2025, doi: 10.4108/airo.8171. DOI: https://doi.org/10.4108/airo.8171
A. Al Mamun and others, “Impact of the Use of Social Media Among University Students Using Machine Learning,” in Communication and Intelligent Systems. ICCIS 2023. Lecture Notes in Networks and Systems, Springer, 2024. doi: 10.1007/978-981-97-2082-8_15. DOI: https://doi.org/10.1007/978-981-97-2082-8_15
R. Martinez and others, “Use of machine learning to measure the influence of behavioral and personality factors on academic performance,” IEEE Latin America Transactions, vol. 17, no. 3, 2019, doi: 10.1109/TLA.2019.8871822. DOI: https://doi.org/10.1109/TLA.2019.8891928
R. Martelo and others, “Incidencia de las redes sociales en el rendimiento académico de los estudiantes de la universidad,” Revista Espacios, vol. 38, no. 51, 2017.
L. Contreras, H. Fuentes, and J. Rodríguez, “Predicción del rendimiento académico como indicador de éxito/fracaso de los estudiantes de ingeniería, mediante aprendizaje automático,” Formación universitaria, vol. 13, no. 5, pp. 233–246, 2020, doi: 10.4067/S0718-50062020000500233. DOI: https://doi.org/10.4067/S0718-50062020000500233
P. Chapman et al., “CRISP-DM 1.0: Step-by-step data mining guide,” 2000.
M. S. Gordon and C. M. Ohannessian, “Social media use and academic achievement among early adolescents,” Youth Soc., 2024, doi: 10.1177/0044118X241234567.
A. D. Solano-barliza, “Enseñanza de la analítica de datos usando aprendizaje basado en proyectos colaborativos Teaching data analytics using collaborative project-based learning,” Formación Universitaria, vol. 16, no. 6, pp. 23–32, 2023. DOI: https://doi.org/10.4067/S0718-50062023000600023
Gil-Vera, Víctor D., & Quintero-López, Catalina. (2021). Predicción del rendimiento académico estudiantil con redes neuronales artificiales. Información tecnológica, 32(6), 221-228. https://dx.doi.org/10.4067/S0718-07642021000600221 DOI: https://doi.org/10.4067/S0718-07642021000600221
Hemal, S.H., Khan, M.A.R., Ahammad, I. et al. Predicting the impact of internet usage on students’ academic performance using machine learning techniques in Bangladesh perspective. Soc. Netw. Anal. Min. 14, 66 (2024). https://doi.org/10.1007/s13278-024-01234-9 DOI: https://doi.org/10.1007/s13278-024-01234-9
Bowers, A. J., & Zhou, X. (2019). Receiver Operating Characteristic (ROC) Area Under the Curve (AUC): A Diagnostic Measure for Evaluating the Accuracy of Predictors of Education Outcomes. Journal of Education for Students Placed at Risk (JESPAR), 24(1), 20–46. https://doi.org/10.1080/10824669.2018.1523734 DOI: https://doi.org/10.1080/10824669.2018.1523734
Barliza, A. S., Gómez, I. C., Caballero, J. M., & Muñoz, S. V. (2025). Towards a National Artificial Intelligence Policy in Colombia: A Comparative Analysis of International Frameworks. OnBoard Knowledge Journal, 1-13. DOI: https://doi.org/10.70554/OBJK2025.v01n01.02
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Andrés Solano-Barliza; Inés Figueroa-Sarmiento; Fabio Romero-Gómez
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Los autores retienen los derechos de copia (copyrigth) y ceden a la revista el derecho de publicación del trabajo bajo licencia Creative Commons Attribution License, que permite a terceros utilizar lo publicado siempre que hagan referencia al autor o autores del trabajo, y a su publicación en DERROTERO.
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-Compartir Igual 4.0 Internacional. 
a 