Aplicación de la inteligencia artificial para predecir el rendimiento académico con el fin de evitar el abandono estudiantil en alumnos de grado superior: Revisión sistemática

• Autores: Salazar Alberto, Renzo Armando, Guzman Aquije, Elvis Henry, Lozada Flores, Rose Mary
• Formato: objeto de conferencia
• Fecha de Publicación: 2024
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/14184
• Enlace del recurso: https://hdl.handle.net/20.500.12867/14184; https://doi.org/10.18687/LACCEI2024.1.1.1426
• Nivel de acceso: acceso abierto
• Materia: Inteligencia artificial; Rendimiento académico; Abandono escolar; Aprendizaje automático; https://purl.org/pe-repo/ocde/ford#2.02.04

Este documento presenta una revisión sistemática de literatura sobre la aplicación de la inteligencia artificial para predecir el abandono estudiantil en la educación superior. Donde se destaca que, el abandono de estudiantes no solo afecta a los individuos, sino también, a los recursos institucionales y a la sociedad en general. Para abordar este problema se propuso la aplicación de la inteligencia artificial como herramienta para anticipar y potenciar el desempeño académico de los estudiantes. A través de la identificación de los factores de riesgo relacionados con el abandono y la provisión de estrategias de intervención personalizadas. Con ello, se busca mejorar la retención estudiantil y el éxito académico. En la revisión sistemática de literatura que se presenta se utilizaron las metodologías PICO y PRISMA. Para ello, se realizaron búsquedas exhaustivas en las bases de datos Scopus y se identificaron un total de 110 registros. Después de aplicar los criterios de inclusión y exclusión, se seleccionaron 18 artículos académicos para su revisión. Los resultados de la revisión sistemática indican que la aplicación de la inteligencia artificial puede ser efectiva para predecir el abandono estudiantil y mejorar la retención estudiantil. Se encontraron diferentes modelos de machine learning y Deep learning que se utilizaron para identificar a los estudiantes en riesgo y ofrecer recomendaciones personalizadas. Además, se destacó la importancia de la recopilación y análisis de datos históricos para mejorar la precisión de los modelos de predicción.