Machine learning para identificar el rendimiento académico en una institución educativa Lima 2025

• Autores: Medina Balladares, Patrick Emanuel, Seminario Mezones, Jett
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/173643
• Enlace del recurso: https://hdl.handle.net/20.500.12692/173643
• Nivel de acceso: acceso abierto
• Materia: Inteligencia artificial; Rendimiento académico; Tecnología educacional; Análisis de datos; Algoritmo; https://purl.org/pe-repo/ocde/ford#2.02.04

Esta tesis tiene como objetivo predecir el rendimiento académico de los estudiantes mediante el uso del algoritmo Machine Learning Random Forest, analizando variables como el comportamiento académico, la asistencia y el desempeño cognitivo. Se utilizó un enfoque cuantitativo no experimental, con un diseño descriptivo y correlacional, analizando datos históricos de los estudiantes de instituciones educativas. Los resultados indicaron que, mientras el comportamiento académico y la asistencia tuvieron una relación débil con el rendimiento, el desempeño cognitivo explicó más del 85% de la variabilidad en el rendimiento académico. Estos hallazgos destacan la efectividad del algoritmo Random Forest como herramienta predictiva, ofreciendo una alternativa más precisa que los métodos tradicionales. Las recomendaciones incluyen la implementación de metodologías pedagógicas centradas en el desarrollo cognitivo y la integración de tecnologías de Machine Learning en la evaluación educativa, para personalizar el aprendizaje y mejorar la gestión del rendimiento académico.