Modelo estadístico computacional para el análisis predictivo del rendimiento académico en entornos educativos digitales
Contenido principal del artículo
Resumen
La presente investigación tuvo como objetivo desarrollar un modelo estadístico computacional para el análisis predictivo del rendimiento académico en entornos educativos digitales, aplicado en la asignatura Estadística aplicada a la Investigación Educativa. El estudio se desarrolló bajo un enfoque cuantitativo, con diseño no experimental y alcance predictivo, integrando técnicas de estadística inferencial y herramientas computacionales para el procesamiento de datos académicos generados en una plataforma educativa digital. El modelo fue implementado con la participación de 75 estudiantes y validado mediante métricas de precisión, estabilidad y concordancia con la evaluación docente, así como a través de la percepción de los usuarios. Los resultados evidenciaron una alta capacidad explicativa, precisión inferencial y aceptación del modelo, confirmando su utilidad como herramienta de apoyo a la toma de decisiones pedagógicas basadas en datos. La investigación aporta evidencia empírica sobre el potencial de los modelos estadísticos computacionales para mejorar el análisis del rendimiento académico y fortalecer los procesos educativos en contextos mediados por tecnologías digitales.
Detalles del artículo
Citas
Alijoyo, F. A., Janani, S., Santosh, K., Shweihat, S. N., Alshammry, N., Ramesh, J. V. N., & El-Ebiary, Y. A. B. (2024). Enhancing AI interpretation and decision-making: Integrating cognitive computational models with deep learning for advanced uncertain reasoning systems. Alexandria Engineering Journal, 99, 17-30. https://www.sciencedirect.com/science/article/pii/S1110016824004563
Gormley, A. J. (2024). Machine learning in drug delivery. Journal of Controlled Release, 373, 23-30. https://www.sciencedirect.com/science/article/pii/S0168365924004024
Khan, S., Ullah, S., & Nobanee, H. (2024). ICT diffusion, E-governance, and sustainability in the digital era. Sustainable Futures, 8, 100272. https://www.sciencedirect.com/science/article/pii/S2666188824001217
Li, Y., & Zhang, H. (2024). Big data technology for teaching quality monitoring and improvement in higher education-joint K-means clustering algorithm and Apriori algorithm. Systems and Soft Computing, 6, 200125. https://www.sciencedirect.com/science/article/pii/S2772941924000541
Msambwa, M. M., Daniel, K., & Lianyu, C. (2024). Integration of information and communication technology in secondary education for better learning: A systematic literature review. Social Sciences & Humanities Open, 10, 101203. https://www.sciencedirect.com/science/article/pii/S2590291124004005
Shoaib, M., Sayed, N., Singh, J., Shafi, J., Khan, S., & Ali, F. (2024). AI student success predictor: Enhancing personalized learning in campus management systems. Computers in Human Behavior, 158, 108301. https://www.sciencedirect.com/science/article/pii/S0747563224001699
Zhang, R., Meng, Z., Wang, H., Liu, T., Wang, G., Zheng, L., & Wang, C. (2024). Hyperscale data analysis oriented optimization mechanisms for higher education management systems platforms with evolutionary intelligence. Applied Soft Computing, 155, 111460. https://www.sciencedirect.com/science/article/pii/S1568494624002345
Zhao, L., Li, Z., Qu, L., Zhang, J., & Teng, B. (2023). A hybrid VMD-LSTM/GRU model to predict non-stationary and irregular waves on the east coast of China. Ocean Engineering, 276, 114136. https://www.sciencedirect.com/science/article/pii/S0029801823005206



