Modelo de aprendizaje automático para predecir el rendimiento académico en matemáticas en el contexto de la educación de precisión

• Autor: Tito Huaracha, Juan Carlos
• Formato: tesis de maestría
• Fecha de Publicación: 2026
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/21957
• Enlace del recurso: https://hdl.handle.net/20.500.12773/21957
• Nivel de acceso: acceso abierto
• Materia: Machine Learning; Rendimiento académico; Matemáticas; Educación de precisión; Árbol de decisión; https://purl.org/pe-repo/ocde/ford#2.11.02

Esta investigación aborda la necesidad de herramientas efectivas para la identificación temprana de estudiantes en riesgo, herramientas que contribuyan a reducir las brechas en el aprendizaje y promuevan la equidad en la educación. Dentro del marco de la educación de precisión, se desarrolló un modelo de aprendizaje automático para predecir el rendimiento académico reflejado en la calificación final en matemáticas de los estudiantes de cuarto año de secundaria en una institución educativa de Arequipa, Perú. El modelo, centrado en la etapa de diagnóstico, identifica patrones de comportamiento y rendimiento académico cuantitativo expresado en calificaciones numéricas de 0 a 20 que pueden ser beneficiosos para los docentes al formular estrategias pedagógicas personalizadas. Se realizó una investigación aplicada, no experimental, con una muestra de 100 estudiantes seleccionados mediante muestreo no probabilístico. Se recolectaron datos a través de una encuesta estructurada digitalmente, que abarcó información personal, familiar, hábitos de estudio, bienestar y calificaciones previas en la cual la variable G3 representa la calificación final del curso de matemáticas. Los datos fueron preprocesados y utilizados para entrenar diversos modelos de aprendizaje automático. El modelo optimizado de árbol de decisión demostró el mejor desempeño, con un Mean Absolute Percentage Error (MAPE) de 0.469. Las variables más influyentes fueron las calificaciones previas, el nivel educativo del padre, el rol de la madre como tutora principal, el tipo de trabajo del padre y la frecuencia de salidas con amigos. El modelo predice con precisión la calificación final en matemáticas, permitiendo identificar a los estudiantes con riesgo de bajo rendimiento, además de ser interpretable en la cual los resultados permiten a los docentes tomar decisiones pedagógicas oportunas y personalizadas, aunque se deben interpretar con cautela debido al tamaño de la muestra y el contexto específico del estudio.