Predicción del Riesgo Académico mediante Minería de Datos en una Institución Secundaria de Quevedo, Ecuador
Resumen
El rendimiento académico en educación básica se ve afectado por factores como las inasistencias, el apoyo familiar y la salud mental. Este estudio predice el riesgo académico de estudiantes de Noveno Año de una institución secundaria de Quevedo, Ecuador, durante los períodos 2020-2021 a 2025-2026, mediante técnicas de minería de datos. Se siguió la metodología KDD con un enfoque cuantitativo predictivo sobre 695 estudiantes activos de seis cohortes. Se emplearon matrices de correlación, técnicas de agrupamiento (K-Means y DBSCAN) y modelos predictivos (regresión logística, árbol de decisión y redes neuronales), evaluados mediante validación cruzada estratificada con balanceo de clases y exclusión de variables con fuga de información. Los resultados evidenciaron una asociación alta entre comportamiento, inasistencias y riesgo académico. La Regresión Logística fue el modelo más confiable (AUC-ROC = 0.94), superando al Árbol de Decisión (AUC = 0.90) y a las Redes Neuronales (AUC = 0.70). Se concluye que la minería de datos combinada con variables socioemocionales permite anticipar el riesgo académico y diseñar intervenciones oportunas, aunque se recomienda validar el modelo en otras instituciones antes de su uso operativo.
Descargas
Citas
Akçapınar, G., Altun, A., & Aşkar, P. (2019). Using learning analytics to develop early-warning system for at-risk students. International Journal of Educational Technology in Higher Education, 16(1), 40. https://doi.org/10.1186/s41239-019-0172-7
Birioukov, A. (2016). Absenteeism. Encyclopedia of Personality and Individual Differences, 1-4.
https://doi.org/10.1007/978-3-319-28099-8_725-1
Chang, Y.-H., Chen, F.-C., & Lee, C.-I. (2025). Developing an early warning system with personalized interventions to enhance academic outcomes for at-risk students in Taiwanese higher education. Education Sciences, 15(10), 1321. https://doi.org/10.3390/educsci15101321
Cornell-Farrow, S., & Garrard, R. (2020). Machine learning classifiers do not improve the prediction of academic risk: Evidence from Australia. https://doi.org/10.1080/23737484.2020.1752849
Farid, F., & Donyatalab, Y. (2023). Unlocking insights into mental health and productivity in the tech industry through KDD and data visualization. Lecture Notes in Networks and Systems, 759, 90-98. https://doi.org/10.1007/978-3-031-39777-6_11
Finning, K., Ukoumunne, O. C., Ford, T., Danielson-Waters, E., Shaw, L., Romero De Jager, I., Stentiford, L., & Moore, D. A. (2019). Review: The association between anxiety and poor attendance at school - a systematic review. Child and Adolescent Mental Health, 24(3), 205-216. https://doi.org/10.1111/CAMH.12322
Henry, K. L. (2007). Who's skipping school: Characteristics of truants in 8th and 10th grade. The Journal of School Health, 77(1), 29-35. https://doi.org/10.1111/j.1746-1561.2007.00159.x
Marcolino, M. R., Porto, T. R., Primo, T. T., Targino, R., Ramos, V., Queiroga, E. M., & Cechinel, C. (2025). Student dropout prediction through machine learning optimization: Insights from Moodle log data. Scientific Reports, 15, 9840. https://doi.org/10.1038/s41598-025-93918-1
Mohd Talib, N. I., Abd Majid, N. A., & Sahran, S. (2023). Identification of student behavioral patterns in higher education using K-Means clustering and support vector machine. Applied Sciences, 13(5), 3267. https://doi.org/10.3390/app13053267
Pan, H. (2022). Data mining framework of public sports budget performance evaluation index based on smart data transmission algorithm. 4th International Conference on Inventive Research in Computing Applications (ICIRCA 2022), 1035-1038.
https://doi.org/10.1109/ICIRCA54612.2022.9985467
Pérez Peñaranda, A., García Ortiz, L., Rodríguez Sánchez, E., Losada Baltar, A., Porras Santos, N., & Gómez Marcos, M. Á. (2009). Función familiar y salud mental del cuidador de familiares con dependencia. Atención Primaria, 41(11), 621-628. https://doi.org/10.1016/j.aprim.2009.03.005
Tsui, K. L., Chen, V., Jiang, W., Yang, F., & Kan, C. (2023). Data mining methods and applications. Springer Handbooks, 797-816. https://doi.org/10.1007/978-1-4471-7503-2_38
Yağcı, M. (2022). Educational data mining: Prediction of students' academic performance using machine learning algorithms. Smart Learning Environments, 9, 11.
https://doi.org/10.1186/s40561-022-00192-z
Zhang, Y., & Paquette, L. (2023). Sequential pattern mining in educational data: The application context, potential, strengths, and limitations. En Mining Educational Data (pp. 219-254).
Derechos de autor 2026 José Steven Cordero Bazurto , Domenica Mariella Coronado Bustos, Cristhian Danilo Briones Montalvo, Sulay Fidela Guaman Caicedo, Carmen del Rocío Bazurto Zamora
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
