Page 52 - 32FEGLININmar25

© FEGLININ ISSN 2594-2298

| Año 8, No 32, enero - marzo 2025 |

como herramienta para analizar estos factores está en línea con lo propuesto por autores como López
et al. (2020), quienes abogan por la utilización de modelos predictivos en educación.
La investigación comenzó con un proceso de observación minuciosa, acompañado del registro
sistemático de información en un diario de campo y el empleo de instrumentos diseñados para
recopilar datos relevantes. Como parte del análisis, se realizaron entrevistas orientadas a explorar
factores como los hábitos de estudio, las horas de sueño, el uso de redes sociales, los niveles de estrés
y la participación en clase, entre otros elementos clave. Posteriormente, se aplicaron herramientas de
ciencia de datos como son los modelos de Machine Learning para identificar patrones y predecir
resultados académicos. Entre los modelos utilizados se incluyó la Regresión Lineal (Linear
Regression), que evaluó las relaciones entre las variables independientes (hábitos y condiciones) y la
variable dependiente (aprobado o reprobado). También se emplearon Árboles de Decisión (Decision
Tree Regressor), que capturaron interacciones no lineales entre las variables, y Bosques Aleatorios
(Random Forest Regressor), que mejoraron las predicciones al combinar múltiples árboles de
decisión. Además, el modelo de K-Vecinos Más Cercanos (K-Nearest Neighbors) permitió evaluar
patrones basados en la similitud con otros estudiantes.
Este proyecto tiene como objetivo comprender de manera integral los desafíos que enfrentan los
estudiantes, así como establecer un fundamento para implementar soluciones innovadoras y efectivas
que promuevan tanto su aprendizaje como su desarrollo personal y académico.

METODOLOGÍA
Recopilación de Datos
La investigación inició con una observación preliminar que identificó una alta tasa de reprobación en
los exámenes de diversas materias. A partir de esta observación, se desarrolló un cuestionario
electrónico implementado en una página web, lo que facilitó la recopilación de datos. Este enfoque
es coherente con estudios previos que destacan el uso de encuestas digitales como herramienta eficaz
para obtener información relevante de los estudiantes (González et al., 2021). El cuestionario incluyó
aspectos clave, como hábitos de estudio, horas de sueño, uso de redes sociales, niveles de estrés,
participación en clase, apoyo familiar y recursos económicos. Los datos recopilados fueron
almacenados en un archivo CSV, alcanzando un total de 2000 registros listos para su análisis véase
tabla 1. Además, la selección de herramientas de Machine Learning refleja la creciente tendencia en
la investigación educativa hacia el uso de modelos matemáticos para predecir el rendimiento
académico (Rodríguez & Torres, 2018).

Tabla 1. Registro de aspectos clave en el desempeño académico.

El objetivo principal es identificar los factores que influyen en el bajo rendimiento académico para
diseñar estrategias de mejora.
Preguntas clave:
• ¿Qué factores afectan más el rendimiento académico?

Prefijo DOI: 10.70417

Pág. 52