Modelado predictivo del rendimiento académico y detección de trayectorias de riesgo mediante cadenas de Markov e IA diseño de estrategias adaptativas en educación personalizada utilizando Big Data
Resumen
Esta investigación abordó la construcción y aplicación de un modelo predictivo para el rendimiento académico y la detección temprana de trayectorias de riesgo mediante la combinación de cadenas de Markov e Inteligencia Artificial (IA), apoyado en el análisis de Big Data educativo. Se recolectaron y estructuraron datos históricos y en tiempo real, que incluyeron rendimiento académico, asistencia, interacción digital e indicadores socioeconómicos, los cuales fueron preprocesados para garantizar su calidad.
Mediante el modelado probabilístico con cadenas de Markov, se definieron y categorizaron el estado académico de los estudiantes en diferentes niveles (alto, medio, bajo y riesgo de abandono), y se calcularon las probabilidades de transición entre estos estados en el tiempo, identificando períodos críticos de riesgo. La integración de algoritmos de IA, tales como redes neuronales y árboles de decisión, permitió captar patrones complejos y variables latentes, elevando la precisión predictiva por encima del 85%. Los resultados se presentan a través de paneles interactivos que facilitan la interpretación y la toma de decisiones pedagógicas personalizadas por parte de docentes y orientadores.
Los hallazgos confirman que este enfoque multimodal promueve una gestión educativa proactiva y adaptativa, al anticipar riesgos y optimizar recursos en función de las necesidades particulares de los estudiantes, fortaleciendo así la retención y el éxito académico. Sin embargo, se identificó la necesidad de mejorar la recolección y actualización continua de datos para mantener la eficacia del modelo. Finalmente, se enfatizó la importancia de capacitar a los profesionales educativos en el manejo de estas tecnologías y de fomentar investigaciones multidisciplinarias que incorporen variables sociales y tecnológicas para enriquecer la educación personalizada.
Palabras clave
Referencias
García. (2020). Big Data en educación: transformando el análisis educativo. Revista de Tecnología Educativa.
Hernández, R., & María del Pilar Baptista Lucio. (2014). Metodología de la investigación. McGraw-Hill Interamericana. Recuperado el 06 de 08 de 2025, de https://www.esup.edu.pe/wp-content/uploads/2020/12/2.%20Hernandez,%20Fernandez%20y%20Baptista-metodolog%C3%ADa%20Investigacion%20Cientifica%206ta%20ed.pdf
Paucar, M. E., Paladines Verdesoto, R., & Flores Andrade, K. (2024). El enfoque de investigación una estrategia alternativa para abordar la legitimación social en la asignatura de Educación para la Ciudadanía, Historia y Filosofía". doi: https://doi.org/10.56712/latam.v5i6.3118
Pérez, J. &. (2018). Modelos de cadenas de Markov para el análisis del rendimiento académico: una revisión. . Revista Latinoamericana de Estadística.
Pérez, J., & Martínez, F. (2018). Modelos de cadenas de Markov para el análisis del rendimiento académico: una revisión. Revista Latinoamericana de Estadística, 33-50.
Ramírez , & Torres. (2019). Uso de Big Data y aprendizaje automático para la mejora de la gestión educativa. Educación y Tecnología, 77-92.
Sánchez. (2022). Técnicas de modelado predictivo para la detección temprana de riesgos en la educación. Revista Científica de Innovación Educativa, 23-38.
DOI: https://doi.org/10.23857/pc.v10i8.10210
Enlaces de Referencia
- Por el momento, no existen enlaces de referencia
Polo del Conocimiento
Revista Científico-Académica Multidisciplinaria
ISSN: 2550-682X
Casa Editora del Polo
Manta - Ecuador
Dirección: Ciudadela El Palmar, II Etapa, Manta - Manabí - Ecuador.
Código Postal: 130801
Teléfonos: 056051775/0991871420
Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com
URL: https://www.polodelconocimiento.com/