| Revista: | Universita ciencia |
| Base de datos: | |
| Número de sistema: | 000577916 |
| ISSN: | 2007-3917 |
| Autores: | Santiago Martínez, Abraham2 Aguilera Rueda, Vicente Josué1 Mejía Gracia, César Augusto2 |
| Instituciones: | 1Universidad de Xalapa, 2Universidad Veracruzana, |
| Año: | 2023 |
| Volumen: | 11 |
| Número: | 32 |
| Paginación: | 3-21 |
| País: | México |
| Idioma: | Español |
| Resumen en inglés | Among other benefits, predicting school performance in higher-level students allows for the early identification of at-risk students and the recognition of areas for improvement within the educational system. With artificial intelligence algorithms, it is possible to uncover patterns in the data that indicate when a student is at academic risk and intervene on time as decision-makers deem. This research presents a descriptive and exploratory analysis of publications on school performance prediction in Ibero-America between 2018 and 2022. The following variables were analyzed: year of publication, algorithms, sample size, results, and factors related to school performance. The results show that the most commonly used algorithms are classification trees and artificial neural networks, with varied sample sizes related to the number of analyzed variables, which mostly correspond to socioeconomic and cognitive factors. |
| Resumen en español | La predicción del desempeño escolar en estudiantes de nivel superior, entre otras ventajas, permite identificar tempranamente a los estudiantes que se encuentran en riesgo y reconoer las áreas de mejora del sistema educativo. Con algoritmos de inteligencia artificial es posible encontrar patrones en los datos que indiquen cuando un estudiante está en riesgo académico e intervenir a tiempo según el tomador de decisiones considere. Esta investigación presenta un análisis descriptivo e indagatorio de las publicaciones relacionadas con la predicción del desempeño escolar en Iberoamérica entre los años 2018 a 2022. Se analizaron las siguientes variables: año de publicación, algoritmos, tamaño de la muestra, resultados y factores relacionados con el desempeño escolar. Los resultados muestran que los algoritmos más utilizados son los árboles de clasificación y las redes neuronales artificiales, con tamaños de muestra variados relacionados con el número de variables analizadas, la cuales corresponden mayormente a factores socioeconómicos y cognitivos. |
| Palabras clave: | desempeño académico, inteligencia artificial, IES |
| Keyword: | academic performance, artificial intelligence, higher educational institution |
| Texto completo: | Texto completo (Ver PDF) Texto completo (Ver HTML) |
