MINERÍA DE DATOS EDUCATIVOS Y ALGORITMOS DE APRENDIZAJE AUTOMÁTICO APLICADOS AL ANÁLISIS DEL DESEMPEÑO ESTUDIANTIL

Introducción: La educación enfrenta el desafío de identificar a tiempo a los estudiantes en riesgo de fracaso académico. La minería de datos educativos (MDE) y el aprendizaje automático han emergido como herramientas poderosas para analizar grandes volúmenes de información académica y predecir el rendimiento estudiantil con precisión creciente. Objetivo: Analizar la evidencia científica sobre el uso de algoritmos de aprendizaje automático en la minería de datos educativos para predecir y comprender el desempeño estudiantil, identificando los modelos más efectivos y las variables de mayor poder predictivo. Métodos: Se realizó una revisión sistemática en PubMed, Scopus, Web of Science, IEEE Xplore y Google Scholar, incluyendo artículos publicados entre 2019 y 2024. Se seleccionaron 52 estudios que cumplieron los criterios de inclusión. Resultados y discusión: Random Forest y XGBoost fueron los algoritmos con mayor rendimiento predictivo (AUC-ROC de 0.93 y 0.91 respectivamente). La asistencia, las calificaciones previas y la participación en entornos virtuales emergieron como las variables de mayor poder predictivo. Los modelos basados en datos de plataformas LMS mostraron especial utilidad en contextos de educación a distancia. Conclusión: La minería de datos educativos, combinada con algoritmos de aprendizaje automático, ofrece un potencial significativo para transformar la gestión del desempeño estudiantil. Su implementación efectiva requiere calidad en los datos, marcos éticos sólidos y una integración pedagógica cuidadosa.