Un modelo predictivo de Machine Learning para la detección temprana de áreas de dificultad en el aprendizaje de matemáticas universitarias

• Autor: Del Carpio Mendoza, Ronaldo Andre
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/26885
• Enlace del recurso: https://hdl.handle.net/20.500.12672/26885
• Nivel de acceso: acceso abierto
• Materia: Machine Learning; Aprendizaje automático; Dificultades del aprendizaje; Matemáticas – Estudio y enseñanza; Algoritmos en computadoras; https://purl.org/pe-repo/ocde/ford#2.11.02

Presenta el desarrollo de un modelo de Machine Learning para la detección temprana de dificultades en matemáticas universitarias, basado en 5,685 datos pertenecientes a estudiantes de ingeniería que cursaron la asignatura de Matemática I. El modelo analiza información académica, como notas de evaluaciones principales y una matriz de evaluación diseñada por expertos, creando datos sintéticos derivados, clasificando e identificando temas con dificultad en el curso. Utilizando Python y la librería Scikit-Learn, se implementaron y evaluaron algoritmos de regresión optimizados mediante Grid Search, logrando un modelo híbrido con una precisión del 79.8%. Los resultados destacan la limitada influencia de un examen de entrada establecido en ciertos temas, pero confirman la efectividad del enfoque para detectar patrones predictivos y guiar intervenciones educativas específicas. Este modelo constituye una propuesta innovadora para mejorar el apoyo académico en matemáticas universitarias y abre las puertas a futuras investigaciones enfocadas en la optimización de herramientas predictivas en educación.