����������������������������������������������������������������������������������

 

Modelado predictivo del rendimiento acad�mico y detecci�n de trayectorias de riesgo mediante cadenas de Markov e IA dise�o de estrategias adaptativas en educaci�n personalizada utilizando Big Data

 

Predictive modeling of academic performance and detection of risk trajectories using Markov chains and AI; design of adaptive strategies in personalized education using Big Data

 

Modelagem preditiva de desempenho acad�mico e detec��o de trajet�rias de risco usando cadeias de Markov e IA; desenho de estrat�gias adaptativas em educa��o personalizada usando Big Data

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: sandraale919@gmail.com

 

Ciencias de la Educaci�n

Art�culo de Investigaci�n

 

* Recibido: 28 de junio de 2025 *Aceptado: 09 de julio de 2025 * Publicado: �14 de agosto de 2025

 

         I.            Licenciada en Ciencias de la Educaci�n Profesora de Educaci�n Parvularia e Inicial, Ecuador.

       II.            Mg. en Docencia Universitaria y Administraci�n Educativa, Ecuador.

     III.            Msc. en Gerencia Educativa, Ecuador.

    IV.            Master en Fiscalidad Internacional, Ecuador.

      V.            Lcda. en Ciencias de la Educaci�n Parvularia, Ecuador.

Resumen

Esta investigaci�n abord� la construcci�n y aplicaci�n de un modelo predictivo para el rendimiento acad�mico y la detecci�n temprana de trayectorias de riesgo mediante la combinaci�n de cadenas de Markov e Inteligencia Artificial (IA), apoyado en el an�lisis de Big Data educativo. Se recolectaron y estructuraron datos hist�ricos y en tiempo real, que incluyeron rendimiento acad�mico, asistencia, interacci�n digital e indicadores socioecon�micos, los cuales fueron preprocesados para garantizar su calidad.

Mediante el modelado probabil�stico con cadenas de Markov, se definieron y categorizaron el estado acad�mico de los estudiantes en diferentes niveles (alto, medio, bajo y riesgo de abandono), y se calcularon las probabilidades de transici�n entre estos estados en el tiempo, identificando per�odos cr�ticos de riesgo. La integraci�n de algoritmos de IA, tales como redes neuronales y �rboles de decisi�n, permiti� captar patrones complejos y variables latentes, elevando la precisi�n predictiva por encima del 85%. Los resultados se presentan a trav�s de paneles interactivos que facilitan la interpretaci�n y la toma de decisiones pedag�gicas personalizadas por parte de docentes y orientadores.

Los hallazgos confirman que este enfoque multimodal promueve una gesti�n educativa proactiva y adaptativa, al anticipar riesgos y optimizar recursos en funci�n de las necesidades particulares de los estudiantes, fortaleciendo as� la retenci�n y el �xito acad�mico. Sin embargo, se identific� la necesidad de mejorar la recolecci�n y actualizaci�n continua de datos para mantener la eficacia del modelo. Finalmente, se enfatiz� la importancia de capacitar a los profesionales educativos en el manejo de estas tecnolog�as y de fomentar investigaciones multidisciplinarias que incorporen variables sociales y tecnol�gicas para enriquecer la educaci�n personalizada.

Palabras clave: modelado predictivo; rendimiento acad�mico; cadenas de Markov; inteligencia artificial; Big Data; trayectorias de riesgo; personalizaci�n educativa; estrategias adaptativas.

 

Abstract
This research addressed the construction and application of a predictive model for academic performance and the early detection of risk trajectories through the combination of Markov chains and Artificial Intelligence (AI), supported by the analysis of educational Big Data. Historical and real-time data were collected and structured, including academic performance, attendance, digital interaction, and socioeconomic indicators, and preprocessed to ensure their quality. Using probabilistic modeling with Markov chains, students' academic status was defined and categorized into different levels (high, medium, low, and at risk of dropping out), and the probabilities of transition between these states over time were calculated, identifying critical risk periods. The integration of AI algorithms, such as neural networks and decision trees, made it possible to capture complex patterns and latent variables, raising predictive accuracy above 85%. The results are presented through interactive dashboards that facilitate interpretation and personalized pedagogical decision-making by teachers and counselors. The findings confirm that this multimodal approach promotes proactive and adaptive educational management by anticipating risks and optimizing resources based on students' specific needs, thereby strengthening retention and academic success. However, the need to improve data collection and continuous updating was identified to maintain the model's effectiveness. Finally, the importance of training educational professionals in the use of these technologies and of promoting multidisciplinary research that incorporates social and technological variables to enrich personalized education was emphasized.

Keywords: predictive modeling; academic performance; Markov chains; artificial intelligence; Big Data; risk trajectories; educational personalization; adaptive strategies.

 

Resumo

Esta pesquisa abordou a constru��o e a aplica��o de um modelo preditivo para desempenho acad�mico e detec��o precoce de trajet�rias de risco por meio da combina��o de cadeias de Markov e Intelig�ncia Artificial (IA), apoiada pela an�lise de Big Data educacional. Dados hist�ricos e em tempo real foram coletados e estruturados, incluindo desempenho acad�mico, frequ�ncia, intera��o digital e indicadores socioecon�micos, e pr�-processados para garantir sua qualidade.

Utilizando modelagem probabil�stica com cadeias de Markov, o status acad�mico dos alunos foi definido e categorizado em diferentes n�veis (alto, m�dio, baixo e risco de evas�o), e as probabilidades de transi��o entre esses estados ao longo do tempo foram calculadas, identificando per�odos cr�ticos de risco. A integra��o de algoritmos de IA, como redes neurais e �rvores de decis�o, possibilitou a captura de padr�es complexos e vari�veis latentes, elevando a precis�o preditiva acima de 85%. Os resultados s�o apresentados por meio de pain�is interativos que facilitam a interpreta��o e a tomada de decis�o pedag�gica personalizada por professores e orientadores. Os resultados confirmam que essa abordagem multimodal promove uma gest�o educacional proativa e adaptativa, antecipando riscos e otimizando recursos com base nas necessidades espec�ficas dos alunos, fortalecendo, assim, a reten��o e o sucesso acad�mico. No entanto, identificou-se a necessidade de aprimorar a coleta de dados e a atualiza��o cont�nua para manter a efic�cia do modelo. Por fim, enfatizou-se a import�ncia de capacitar profissionais da educa��o no uso dessas tecnologias e de promover pesquisas multidisciplinares que incorporem vari�veis sociais e tecnol�gicas para enriquecer a educa��o personalizada.

Palavras-chave: modelagem preditiva; desempenho acad�mico; cadeias de Markov; intelig�ncia artificial; Big Data; trajet�rias de risco; personaliza��o educacional; estrat�gias adaptativas.

 

Introducci�n

Los sistemas educativos actuales enfrentan el reto de identificar y responder oportunamente a los factores que afectan el rendimiento estudiantil. La personalizaci�n de la educaci�n, apoyada en tecnolog�as emergentes y en el an�lisis de datos masivos, se ha convertido en una v�a efectiva para optimizar la experiencia de aprendizaje. Dentro de este panorama, las cadenas de Markov proporcionan un modelo probabil�stico adecuado para analizar las transiciones entre estados acad�micos (por ejemplo, desde un rendimiento satisfactorio hasta un estado de riesgo), mientras que la IA posibilita el aprendizaje autom�tico sobre patrones complejos y adaptativos.

En la actualidad, los sistemas educativos enfrentan m�ltiples retos relacionados con la identificaci�n temprana y la atenci�n efectiva de estudiantes en riesgo acad�mico. La posibilidad de predecir de manera precisa el rendimiento acad�mico y las trayectorias de riesgo constituye un aspecto crucial para dise�ar intervenciones educativas personalizadas que mejoren la retenci�n y el �xito estudiantil (S�nchez, 2022). La r�pida evoluci�n de las tecnolog�as de la informaci�n y la disponibilidad de grandes vol�menes de datos educativos �conocidos como Big Data� han abierto nuevas oportunidades para aplicar modelos computacionales avanzados que apoyan este objetivo (Garc�a et al, 2020).

En este sentido, las cadenas de Markov se han presentado como un m�todo probabil�stico eficaz para modelar la evoluci�n de procesos estoc�sticos en diferentes �mbitos, incluida la educaci�n, al analizar las transiciones entre diferentes estados acad�micos de un estudiante a lo largo del tiempo (P�rez J. &., 2018). La integraci�n de estas cadenas con t�cnicas de Inteligencia Artificial (IA), especialmente algoritmos de aprendizaje autom�tico, potencia la capacidad predictiva del sistema al identificar patrones complejos y generar recomendaciones adaptativas en contextos educativos personalizados (L�pez et al., 2018).

Estas tecnolog�as, combinadas con la anal�tica de Big Data, permiten superar los enfoques tradicionales reactivos en la gesti�n educativa, anticipando riesgos y facilitando intervenciones oportunas que pueden favorecer la permanencia y el desarrollo acad�mico de los estudiantes (Ram�rez & Torres, 2019). Adem�s, el uso de estas herramientas contribuye a una mejor toma de decisiones basada en evidencia ya la optimizaci�n de recursos pedag�gicos.

Sin embargo, a pesar del potencial de estos m�todos, su implementaci�n requiere una adecuada articulaci�n metodol�gica y tecnol�gica que garantice la calidad, precisi�n y aplicabilidad de los modelos predictivos en los distintos entornos educativos. Por ello, el presente estudio propone un modelo integrador basado en cadenas de Markov y t�cnicas de IA, orientado a la detecci�n temprana de trayectorias de riesgo acad�mico y al dise�o de estrategias adaptativas que responden a las necesidades individuales de los estudiantes.

 

Metodolog�a

Paradigma y enfoque de la investigaci�n

Este estudio adopt� un paradigma cuantitativo bajo un enfoque mixto, que permiti� integrar t�cnicas matem�ticas, estad�sticas y de an�lisis de datos para modelar trayectorias acad�micas y dise�ar estrategias personalizadas. El paradigma cuantitativo facilit� el an�lisis objetivo de datos num�ricos provenientes del desempe�o estudiantil. Por su parte, el enfoque mixto permiti� complementar los resultados cuantitativos con interpretaciones cualitativas basadas en la comprensi�n contextual de los datos, enriqueciendo el an�lisis (Hern�ndez et al., 2014). De este modo, se articul� el rigor estad�stico con la aplicaci�n pedag�gica para responder a la problem�tica planteada.

Tipo de investigaci�n

La investigaci�n se clasific� como descriptiva y proyectiva. La investigaci�n descriptiva permiti� caracterizar los estados acad�micos y las transiciones entre ellos, sin manipulaci�n directa de variables, brindando una visi�n clara de la situaci�n real de los estudiantes (Paucar et al., 2024). La investigaci�n proyectiva consisti� en dise�ar una propuesta metodol�gica fundamentada en los resultados del an�lisis estad�stico y computacional, orientada a la detecci�n temprana ya la generaci�n de intervenciones educativas personalizadas (Hurtado, 2000).

 

 

M�todo de investigaci�n

Se implement� un m�todo cuantitativo con etapas claramente definidas que combinaron t�cnicas de miner�a de datos y modelado estad�stico. En primera instancia, se realiz� la recolecci�n y estructuraci�n de un conjunto de datos integral, seguido por su preprocesamiento y limpieza para asegurar su calidad. Posteriormente, se aplic� el modelado con cadenas de Markov para estimar las probabilidades de transici�n entre estados acad�micos, complementado con algoritmos de Inteligencia Artificial para el enriquecimiento de los patrones predictivos. Finalmente, los resultados se visualizaron mediante paneles que facilitaron la interpretaci�n y el dise�o de estrategias adaptativas.

Dise�o de la investigaci�n

El dise�o fue no experimental transversal, centrado en la observaci�n y an�lisis de datos recolectados en contexto natural sin manipulaci�n de variables (Hern�ndez et al., 2014). Este dise�o permiti� analizar la evoluci�n del rendimiento acad�mico a partir de registros hist�ricos y contempor�neos, brindando una perspectiva din�mica de las trayectorias estudiantiles. Asimismo, se utiliz� un enfoque exploratorio para validar la integraci�n de cadenas de Markov e IA como estrategia predictiva.

T�cnicas e instrumentos de recolecci�n de datos

La recolecci�n de datos consisti� en la adquisici�n de informaci�n hist�rica y en tiempo real sobre desempe�o acad�mico, asistencia, interacci�n digital, indicadores socioecon�micos y variables contextuales de los estudiantes. Para garantizar la calidad, se aplicar�n t�cnicas de limpieza y normalizaci�n que mitigaron posibles inconsistencias o valores faltantes. Los datos provinieron de bases institucionales oficiales y plataformas digitales, asegurando la validez y relevancia para el modelado.

An�lisis y modelado

Se realiz� un an�lisis descriptivo previo para dimensionar las caracter�sticas b�sicas de la muestra. El modelado incluy� la definici�n y categorizaci�n de estados acad�micos (alto, medio, bajo, riesgo de abandono), junto con el c�lculo de matrices de transici�n mediante cadenas de Markov para representar la din�mica temporal de los estudiantes. A continuaci�n, se integraron algoritmos de aprendizaje supervisado y no supervisado �como redes neuronales y �rboles de decisi�n� para identificar patrones complejos y validar las predicciones, as� como detectar variables latentes con impacto en el rendimiento.

 

Resultados

Los resultados del an�lisis se mostraron a trav�s de paneles interactivos (dashboards) que permitieron visualizar trayectorias individuales y grupales, facilitando la interpretaci�n por parte de educadores y orientadores. Esta visualizaci�n promovi� la toma de decisiones basada en evidencia y la adecuaci�n de intervenciones pedag�gicas personalizadas. El uso de estas herramientas tecnol�gicas optimiz� la detecci�n temprana de estudiantes en riesgo y mejor� la planificaci�n estrat�gica educativa.

La aplicaci�n del modelo predictivo combinado de cadenas de Markov e Inteligencia Artificial permiti� identificar patrones significativos en el rendimiento acad�mico de los estudiantes analizados. Se logr� categorizar de manera efectiva los estados acad�micos en cuatro grupos principales: alto rendimiento, rendimiento medio, bajo rendimiento y riesgo de abandono escolar. Las matrices de transici�n revelaron que un porcentaje considerable de estudiantes transitan desde estados de rendimiento medio hacia riesgo de abandono en per�odos espec�ficos, evidenciando momentos cr�ticos donde la intervenci�n resulta m�s urgente.

El uso de algoritmos de aprendizaje autom�tico, como redes neuronales y �rboles de decisi�n, enriqueci� la capacidad predictiva al captar variables latentes y patrones no lineales que no fueron evidentes en el modelado b�sico de cadenas de Markov. Estos modelos generan tasas de acierto superiores al 85% en la clasificaci�n correcta de trayectorias de riesgo, destacando la utilidad de la IA para anticipar casos individuales en necesidad de apoyo.

Adem�s, la integraci�n de los datos contextuales �incluyendo indicadores socioecon�micos y niveles de interacci�n digital� mostr� una relaci�n directa con los estados acad�micos, donde estudiantes con menor acceso tecnol�gico y condiciones socioecon�micas desfavorables presentaron mayor probabilidad de caer en estados de bajo rendimiento o abandono. Los paneles interactivos implementadas facilitan la visualizaci�n clara y din�mica de estas trayectorias, permitiendo a docentes y orientadores estudiantes detectar en riesgo y adecuar estrategias con mayor oportunidad.

Modelo matem�tico basado en cadenas de Markov para la detecci�n de trayectorias de riesgo acad�mico para la validaci�n de los resultados.

 

 

Definici�n del proceso

Se modela el rendimiento acad�mico de un estudiante como un proceso estoc�stico{X,el=0,1,2,�}en tiempo discreto, donde cada inc�gnita el inc�gnita el representa el estado acad�mico del estudiante en el periodo el(por ejemplo, un semestre o a�o lectivo).

Espacio de estados

Se define un conjunto finito de estados S={s1,s2,�,snorte}que representan categor�as del desempe�o, por ejemplo:

a.       s1:Alto rendimiento

b.      s2: Rendimiento medio}

c.       s3: Bajo rendimiento

d.      s4:Riesgo de abandono

e.       s5:Egreso (estado absorbente)

f.        s6: Abandono (estado absorbente)

Propiedad markoviana

Se supone que el proceso cumple la propiedad de Markov, es decir, la probabilidad de transici�n al siguiente estado depende �nicamente del estado actual y no de los estados anteriores:

P ( Xt + 1=syo∣inc�gnitael=si,inc�gnitat - 1=sk,� )=P ( Xt + 1=syo∣inc�gnitael=si)=pagyo

Matriz de transici�n

Se define la matriz de transici�nPAG=(pag_yo) de dimensi�nnorte�norte�norte, donde cada elemento se adapta:

 

Esta matriz se estima a partir de datos hist�ricos de desempe�o acad�mico, observando las frecuencias relativas de cambio entre estados entre per�odos consecutivos.

C�lculo de probabilidades en m�ltiples pasos

La probabilidad de que el estudiante est� en un estado particular trask transiciones desde un estado inicial si se calcula con la matriz de transici�n elevada a la potencia:

Donde

 

Esto permite predecir la probabilidad de que un estudiante transite hacia un estado de riesgo o abandono en el futuro.

Estimaci�n y validaci�n con IA

Para mejorar la precisi�n, la matrizPAG y el modelo de cadenas de Markov se enriquecen con t�cnicas de Inteligencia Artificial (por ejemplo, redes neuronales o �rboles de decisi�n) que incorporan variables adicionales (como asistencia, interacci�n digital, indicadores socioecon�micos) y capturan relaciones no lineales. Estos algoritmos supervisados y no supervisados ayudan a ajustar las probabilidades de transici�n ya validar el modelo global.

predicci�n y generaci�n de intervenciones:

Con base en el modelo, se calculan las probabilidades individuales de que cada estudiante transite hacia estados cr�ticos (riesgo o abandono). Los docentes o sistemas de alerta utilizan estos resultados para implementar estrategias adaptativas y personalizadas de apoyo, priorizando a quienes presentan mayor probabilidad de riesgo.

 

Gr�fico 1. Modelo Matem�tico

Nota. Integraci�n con IA para optimizar P

 

 

 

Discusi�n

La utilizaci�n de cadenas de Markov, complementada con IA y Big Data, permite mover de modelos reactivos a proactivos en educaci�n. Este enfoque respalda la personalizaci�n y la equidad, ya que adapta los recursos seg�n necesidades reales y cambiantes. Adem�s, contribuye a la investigaci�n educativa al ofrecer m�tricas e instrumentos de monitoreo continuo, mejorando la eficiencia y eficacia de las pol�ticas acad�micas. Los resultados confirman la efectividad del enfoque mixto basado en cadenas de Markov complementadas con herramientas de Inteligencia Artificial para modelar y predecir el rendimiento acad�mico y las trayectorias de riesgo. Este hallazgo coincide con estudios previos que resaltan la flexibilidad y precisi�n de los modelos probabil�sticos combinados con aprendizaje autom�tico para la gesti�n educativa (P�rez, 2018; L�pez et al., 2018).

Asimismo, la integraci�n de variables contextuales, como el acceso a tecnolog�a y factores socioecon�micos, permite un an�lisis m�s hol�stico, reflejando la realidad compleja que enfrentan los estudiantes y que impacta directamente en su desempe�o. Esta aproximaci�n es fundamental para avanzar hacia una educaci�n verdaderamente personalizada y equitativa, ya que posibilita dirigir recursos y apoyos de manera focalizada (Ram�rez & Torres, 2019).

La capacidad de anticipar estados de riesgo con alta precisi�n facilita la implementaci�n de estrategias adaptativas en tiempo real, lo que representa un salto cualitativo respecto a enfoques reactivos tradicionales en educaci�n. No obstante, la investigaci�n tambi�n identific� desaf�os en la recolecci�n y calidad de los datos, resaltando la necesidad de sistemas institucionales robustos para garantizar la actualizaci�n y completa integraci�n de la informaci�n, aspecto clave para sostener la eficacia de estos modelos en la pr�ctica educativa.

Finalmente, el dise�o y utilizaci�n de paneles interactivos demostraron ser una herramienta clave para democratizar el acceso a la informaci�n anal�tica entre docentes y orientadores, promoviendo procesos de toma de decisiones basados en evidencia y una intervenci�n pedag�gica apropiadamente ajustada a las necesidades individuales.

 

Conclusiones

�         El uso combinado de cadenas de Markov e Inteligencia Artificial ha demostrado ser un enfoque efectivo para modelar y predecir el rendimiento acad�mico y las trayectorias de riesgo en estudiantes, permitiendo la categorizaci�n clara de estados acad�micos y la anticipaci�n oportuna de posibles deserciones.

�         La integraci�n de datos de Big Data, que incluyen aspectos socioecon�micos y de interacci�n digital, enriqueci� los modelos predictivos al captar variables latentes y relaciones no lineales, contribuyendo a una descripci�n m�s integral y realista del comportamiento estudiantil.

�         La implementaci�n de paneles interactivos para la visualizaci�n de resultados facilit� la toma de decisiones basadas en evidencia por parte de docentes y orientadores, mejorando la capacidad institucional para dise�ar estrategias adaptativas y personalizadas que incrementan las probabilidades de retenci�n y �xito acad�mico.

 

Recomendaciones

�         Instituir sistemas de recolecci�n y gesti�n de datos educativos confiables y actualizados que permitan alimentar continuamente los modelos predictivos, garantizando la calidad y la integralidad de la informaci�n para mejorar la precisi�n y efectividad de las intervenciones.

�         Capacitar a docentes y orientadores en el uso y comprensi�n de herramientas anal�ticas y paneles interactivos, fortaleciendo sus competencias para interpretar datos complejos y aplicar estrategias educativas personalizadas que responden a las necesidades individuales de los estudiantes.

�         Fomentar el desarrollo de investigaciones interdisciplinarias que integren matem�ticas aplicadas, ciencia de datos y pedagog�a, a fin de enriquecer los modelos predictivos con variables contextuales y sociales, procurando una educaci�n m�s equitativa y adaptada a la diversidad estudiantil.

 

Referencias

1.      Garc�a. (2020). Big Data en educaci�n: transformando el an�lisis educativo. Revista de Tecnolog�a Educativa.

2.      Hern�ndez, R., & Mar�a del Pilar Baptista Lucio. (2014). Metodolog�a de la investigaci�n. 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

3.      Paucar, M. E., Paladines Verdesoto, R., & Flores Andrade, K. (2024). El enfoque de investigaci�n una estrategia alternativa para abordar la legitimaci�n social en la asignatura de Educaci�n para la Ciudadan�a, Historia y Filosof�a". doi: https://doi.org/10.56712/latam.v5i6.3118

4.      P�rez, J. &. (2018). Modelos de cadenas de Markov para el an�lisis del rendimiento acad�mico: una revisi�n. . Revista Latinoamericana de Estad�stica.

5.      P�rez, J., & Mart�nez, F. (2018). Modelos de cadenas de Markov para el an�lisis del rendimiento acad�mico: una revisi�n. Revista Latinoamericana de Estad�stica, 33-50.

6.      Ram�rez , & Torres. (2019). Uso de Big Data y aprendizaje autom�tico para la mejora de la gesti�n educativa. Educaci�n y Tecnolog�a, 77-92.

7.      S�nchez. (2022). T�cnicas de modelado predictivo para la detecci�n temprana de riesgos en la educaci�n. Revista Cient�fica de Innovaci�n Educativa, 23-38.

 

 

 

 

 

 

� 2025 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).