Un modelo predictivo de Machine Learning para la detección temprana de áreas de dificultad en el aprendizaje de matemáticas universitarias

Abstract

Presenta el desarrollo de un modelo de Machine Learning para la detección temprana de dificultades en matemáticas universitarias, basado en 5,685 datos pertenecientes a estudiantes de ingeniería que cursaron la asignatura de Matemática I. El modelo analiza información académica, como notas de evaluaciones principales y una matriz de evaluación diseñada por expertos, creando datos sintéticos derivados, clasificando e identificando temas con dificultad en el curso. Utilizando Python y la librería Scikit-Learn, se implementaron y evaluaron algoritmos de regresión optimizados mediante Grid Search, logrando un modelo híbrido con una precisión del 79.8%. Los resultados destacan la limitada influencia de un examen de entrada establecido en ciertos temas, pero confirman la efectividad del enfoque para detectar patrones predictivos y guiar intervenciones educativas específicas. Este modelo constituye una propuesta innovadora para mejorar el apoyo académico en matemáticas universitarias y abre las puertas a futuras investigaciones enfocadas en la optimización de herramientas predictivas en educación.