Estudio comparativo de modelos de clasificación basados en elo, glicko-2 y trueskill en la detección de estudiantes con bajo rendimiento en el periodo post-covid de la Universidad Nacional de San Antonio Abad del Cusco

• Autor: Macedo Gheiler, Sebastian Israel
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de San Antonio Abad del Cusco
• Repositorio: UNSAAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsaac.edu.pe:20.500.12918/11924
• Enlace del recurso: https://hdl.handle.net/20.500.12918/11924
• Nivel de acceso: acceso abierto
• Materia: Elo; Glicko-2; TrueSkill; Bajo rendimiento académico; https://purl.org/pe-repo/ocde/ford#1.02.01

La investigación evalúa la efectividad y aplicación de los algoritmos de emparejamiento ELO, Glicko-2 y TrueSkill para clasificar a estudiantes con bajo rendimiento académico en la UNSAAC durante el periodo postpandemia (2023-I al 2024-II), contexto en el cual las brechas tecnológicas, sociales y pedagógicas intensificaron esta problemática. El objetivo principal fue determinar en qué medida dichos algoritmos pueden proporcionar una clasificación precisa de los estudiantes con bajo rendimiento según su desempeño académico. Bajo un enfoque cuantitativo, con alcance descriptivo y experimental, se recopilaron 413791 registros académicos de 25162 estudiantes, correspondientes a los semestres 2023-I al 2024-II, los cuales fueron sometidos a procesos de limpieza, verificación de consistencia (99,76 % de registros válidos), imputación de datos y simulación de competencias académicas. Los resultados muestran que los tres modelos presentan correlaciones positivas y estadísticamente significativas con el Cumulative Grade Point Average (CGPA). En el modelo ELO, se obtuvo r = 0.7970 y ρ = 0.4630, destacando por su capacidad para identificar casos críticos (67.6 % de estudiantes con promedios inferiores a 5.0). El algoritmo Glicko-2 alcanzó la mejor correlación con CGPA (r = 0.8213 y ρ = 0.7948), combinando precisión y estabilidad, mientras que TrueSkill mostró una mayor sensibilidad en rangos limítrofes (9.5–13.5), identificando un 8.9 % de estudiantes en incertidumbre académica procesando aproximadamente 1.86 cursos por segundo. En conjunto, los algoritmos identificaron tasas similares de bajo rendimiento (73.5 %–73.7 %) y a 841 alumnos de forma unánime, siendo ELO más eficaz en casos extremos, TrueSkill más sensible en rangos intermedios y tuvo una mayor correlación con CGPA y; Glicko-2 el más robusto y eficiente en tiempo de ejecución. Concluyendo, Glicko-2 y TrueSkill demuestran ser los mejores algoritmos en la detección de estudiantes con bajo rendimiento en el periodo post-covid de la Universidad Nacional de San Antonio Abad del Cusco.