FACULTAD DE INGENIERÍA

Carrera de Ingeniería de Sistemas Computacionales

“PREDICCIÓN DEL RENDIMIENTO ACADÉMICO

UTILIZANDO TÉCNICAS DE APRENDIZAJE
AUTOMÁTICO”: una revisión de la literatura
científica
Trabajo de investigación para optar al grado de:

Bachiller en Ingeniería de Sistemas Computacionales

Autores:
Jacob Israel Molina Astorayme

Asesor:
Mg. Michael Alejandro Cabanillas Carbonell

Lima - Perú

2020

Molina Astorayme, J. Pág. 1

 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

DEDICATORIA

A mis padres, Máximo Molina y Miriam Astorayme,

por el gran apoyo incondicional en todo momento.

Pág.
Molina Astorayme, J.
2
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

AGRADECIMIENTO

Agradecer a Dios por su protección

y oportunidades que nos brinda en todo momento.

Pág.
Molina Astorayme, J.
3
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

Tabla de contenido

DEDICATORIA ..................................................................................................................... 2

AGRADECIMIENTO ............................................................................................................ 3

ÍNDICE DE TABLAS ............................................................................................................ 5

ÍNDICE DE FIGURAS ........................................................................................................... 6

RESUMEN ............................................................................................................................. 7

CAPÍTULO I. INTRODUCCIÓN .......................................................................................... 8

CAPÍTULO II. METODOLOGÍA ........................................................................................ 10

1.1. Selección de datos ..................................................................................................... 10

1.2. Codificación de datos ................................................................................................ 11

CAPÍTULO III. RESULTADOS .......................................................................................... 19

CAPÍTULO IV. CONCLUSIONES ...................................................................................... 23

Pág.
Molina Astorayme, J.
4
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

ÍNDICE DE TABLAS

Table 1.Clasificación de documentos .................................................................................. 12

Pág.
Molina Astorayme, J.
5
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

ÍNDICE DE FIGURAS

Figure 1.Flujograma de selección de artículos .................................................................... 19

Figure 2. Investigaciones analizadas según base de datos ................................................ 19

Figure 3.Investigaciones analizadas según año de publicación ......................................... 20

Figure 4.Investigación analizada según disciplinas utilizadas ............................................ 21

Figure 5.Investigación analizada según técnicas de aprendizaje automático .................... 22

Figure 6.Investigación analizada según lugares donde aplicaron ...................................... 22

Pág.
Molina Astorayme, J.
6
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

RESUMEN

Considerando los problemas y desafíos que cuentan las instituciones educativas en

torno en analizar el rendimiento de sus estudiantes y mejorar así su gestión educativa, se

examinó las diversas técnicas de aprendizaje automático las cuales le permitirán generar

predicciones acertadas mediante los datos recolectados de sus estudiantes.

La presente investigación tiene como objetivo realizar una revisión sistemática

basada en artículos publicados en bancos de datos como la IEEE Xplore, Scopus, Science

Direct y Scielo en donde se encontraron 80 artículos de investigación. Observándose las

diversas técnicas utilizadas de aprendizaje automático para la elaboración de modelos

predictivos en base al rendimiento académico se puedo determinar que las técnicas más

utilizadas fueron la de clasificación.

De esta manera las técnicas de aprendizaje automático permitirán a las instituciones

educativas poder conocer el rendimiento académico de sus estudiantes con el fin de mejorar

la calidad educativa que les brindan.

PALABRAS CLAVES: Aprendizaje automático, predicción, educación

Pág.
Molina Astorayme, J.
7
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

CAPÍTULO I. INTRODUCCIÓN

En la actualidad podemos observar que cada vez más las tecnologías van

evolucionando y abarcando más espacios en nuestras vidas. Estás tecnologías han generado

diversos impactos en diferentes ámbitos como en la productividad, el entretenimiento, la

salud y ahora, cada vez más inmerso, en el sector educativo. La aplicación de estas nuevas

competencias digitales ha generado nuevas modalidades de formación en torno al proceso y

gestión educativa de las instituciones. (Merce, 2011)

(Urbina, 2017), señala que el aprendizaje automático analiza la información de

manera automática ya que se basa en la búsqueda de patrones y relaciones en los datos.

(Harvey & Kumar, 2019) menciona que en los últimos años surgieron diversos

métodos, los cuales tenían como objetivo determinar el rendimiento de los estudiantes

utilizando técnicas de aprendizaje automático.

Según (Zhuang & Gan, 2018) las técnicas de aprendizaje automático son

herramientas muy eficaces en el proceso de predecir el rendimiento académico, ya que el

método proporciona diferentes probabilidades según la información de los estudiantes.

(Du Boulay, 2016), afirma que el uso de las técnicas del aprendizaje automático en

la educación permitió a los estudiantes reconocer ciertas habilidades y a través de estas,

generar nuevos conocimientos en torno a su proceso educativo.

Desde la perspectiva de las tecnologías de la información en las instituciones

educativas, se identificaron diversos factores orientados a analizar el rendimiento de los

estudiantes gracias a que en los últimos años el uso de técnicas de aprendizaje automático

Pág.
Molina Astorayme, J.
8
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

han ido evolucionando y abarcando cada vez más áreas en el sector educativo.(Harvey &

Kumar, 2019)

(Howard, 2018) , menciona que las escuelas durante mucho tiempo han estado

recopilando datos sobre sus estudiantes desde pruebas cognitivas hasta datos de almuerzos

comprados. Sin embargo, a pesar que el aumento de datos es significativo los educadores

siguen luchando contra las complejidades del sistema educativo puesto que, la

implementación y aplicación de algoritmos de aprendizaje automático aun es escaso para

este sector.

(Waheed et al., 2020) menciona que la gran cantidad de datos educativos permiten

extraer diversos comportamientos en los alumnos y aplicando la técnica de aprendizaje

automáticos más adecuada se puedan predecir de antemano información relevante entorno a

la calidad y rendimiento académico con la finalidad de tomar las mejorar decisiones basada

en esos datos extraídos para finalmente poder optimizar diversos factores educativos

Podemos darnos cuenta que las técnicas de aprendizaje automático para predecir el

rendimiento en los estudiantes pueden ayudar a resolver las diversas complejidades del

sistema educativo y por ende optimizar el rendimiento y aprendizaje de los estudiantes.

(Ocaña, 2019)

Ante lo referido, la siguiente investigación responde la siguiente pregunta ¿Qué tipos

de técnicas de aprendizaje automáticos son las más utilizadas para predecir el rendimiento

académicos en las instituciones educativas?

Por ello el objetivo de este trabajo consistió en realizar una revisión sistemática de

los diversos estudios realizados sobre las diversas técnicas de aprendizaje automático en la

Pág.
Molina Astorayme, J.
9
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

predicción del rendimiento académico, de acuerdo a la identificación de patrones de los datos

obtenidos de los estudiantes. Se consideró diversos artículos publicados a través de un

exhaustivo análisis de publicaciones, revistas científicas, diseño de investigación y variables

de acuerdo al estudio.

CAPÍTULO II. METODOLOGÍA

1.1. Selección de datos

La recopilación de las fuentes de información se realizó en el mes de mayo del 2020

sobre estudios relacionados con la investigación “Predicción de rendimiento académico

utilizando técnicas de aprendizaje automático”. Se consideraron los siguientes criterios de

inclusión:

(1) Artículos de estudios empíricos en instituciones educativas y sus áreas

específicas en el contexto europeo, asiático y Latinoamericano. Además, todos

ellos se encuentren en versión digital en idioma inglés y otros pocos en idioma

español.

(2) El periodo de publicación comprenda entre 2012 – 2019 con el fin de identificar

las principales características e influencias sobre la predicción del rendimiento

académico con técnicas de aprendizaje automático de los últimos ochos años.

Asimismo, se excluyeron estudios referidos a la implementación de aprendizaje

automático que no comprenda las características del tema por su antigüedad y

documentos que empleen otro tipo de proceso predicción inteligente.

(3) Para iniciar la búsqueda de la investigación se consideró el título y campo de

acción del tema planteado en la investigación. Se tomaron en cuenta las palabras

Pág.
Molina Astorayme, J.
10
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

claves que abarquen un amplio aspecto del tema: aprendizaje automático,

educación, modelos predictivos. La muestra estuvo conformada por instituciones

educativas medianas y grandes. La situación socio demográfico por ingenieros,

científicos de datos y personal técnico de sistemas.

Se realizaron dos pasos para desarrollar el proceso de búsqueda de la literatura:

(1) En el primer paso, se realizó una indagación de la literatura para encontrar

estudios relacionados con el tema en la base de datos en IEEE, Science Direct,

Scopus, Proquest, Scielo, ALICIA – CONCYTEC y repositorios de distintas

universidades.

(2) En el segundo paso, con los resultados obtenidos de la indagación de la literatura,

se filtró la cadena de búsqueda considerando los títulos y bibliografía que arrojó

el primer pasó de búsqueda.

1.2. Codificación de datos

Después de extraer los artículos más importantes se elaboró la codificación de los

artículos seleccionados (Tabla 1). Los artículos fueron codificados de acuerdo con las

características de los libros y publicaciones (autor, diseño de investigación y resumen).

Pág.
Molina Astorayme, J.
11
Table 1.Clasificación de documentos

DISEÑO
AUTOR AÑO RESUMEN
METODOLÓGICO
Chung, Jae Young 2019 Se utilizó el modelo de bosques aleatorios para predecir los riesgos de abandono
Explicativa
Lee, Sunbok escolar en estudiantes de secundaria.
Se utilizó el análisis de regresión múltiple para hallar la relación entre los objetivos
Poondej, Chanut 2016
Descriptivo motivacionales de los estudiantes y la percepción del ambiente de aprendizaje en la
Lerdpornkulrat, Thanita
educación general.
Waheed, Hajra Se utilizó una red neuronal artificial profunda para obtener el comportamiento de
Hassan, Saeed Ul Explicativa 2020 aprendizaje y predecir el rendimiento académico en los estudiantes.
Aljohani, Naif Radi
Tsai, Shuo Chang Se utilizaron métodos estadísticos y redes neuronales para analizar los antecedentes
Chen, Cheng Huan Explicativa 2020 educativos en los estudiantes de Taiwán y así poder predecir la probabilidad de
Shiao, Yi Tzone abandono.

Alyahyan, Eyman 2020 Se investigó sobre las técnicas de minería de datos y se proporcionó un conjunto de
Descriptivo
Düştegör, Dilek pautas a los educadores para que sepan cómo utilizarlas.
Etemadpour, Ronak Se presentó una herramienta analítica visual para los educadores, el cual realizaba
Zhu, Yongcheng diversos análisis sobre los datos de los estudiantes de un curso determinado con el fin
Zhao, Qizhi Explicativa 2020 de comprender su rendimiento académico.
Hu, Yilun
Chen, ose Gustavo
Gonzales, Joseph G. Se desarrolló una herramienta de análisis predictivo usando el algoritmo de árbol de
Lagman, Ace C. Explicativa 2020 decisión el cual permitió crear un modelo que permitía examinar el desempeño de sus
De Angel, Roman M. estudiantes.

Molina Astorayme, J. Pág. 12

 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

Fedushko, Solomia Se implementó las técnicas de análisis de regresión y el proceso de clasificación para
Explicativa 2020 predecir ciertos factores que afectan al éxito estudiantil y así mejorar la enseñanza en
Ustyianovych, Taras
las instituciones educativas.
Niemeijer, Koen Se entrenó modelos de Machine Learning como bosques aleatorios y una red neuronal
Feskens, Remco Explicativa 2020 para poder analizar las habilidades de los estudiantes y así construir un modelo de
Krempl, Georg predicción de consejos escolares.
Sharma, Ashish Se aplicaron modelos de Machine Learning como máquina de vectores simples,
Ram, Anant Explicativa 2020 regresión logística, bosques aleatorios y máquina de vectores de soporte para saber
Bansal, Archit cuál algoritmo era el más eficiente para el análisis de rendimiento del alumno.
Phanniphong, Kanakarn Se aplicaron cuatro modelos: k-means, árboles de decisión, k-optimization y métodos
Nuankaew, Pratya Explicativa 2019 de validación cruzada con el objetivo de identificar los factores que afectan a los
Teeraputon, Direk estilos de aprendizaje.

Se aplicaron algoritmos de clasificación para poder predecir la progresión académica

Jayaprakash, Sujith 2019 en los estudiantes del nivel secundario. Además, la investigación el objetivo de brindar
Explicativa
Jaiganesh, V. a la institución educativa un sistema predictivo para poder medir el desempeño de sus
estudiantes.
Se investigó sobre como el aprendizaje automático se está involucrando cada vez más
Jalil, Nasir Abdul
2019 en la industria de la educación, puesto que unos de sus objetivos es poder fortalecer
Hwang, Ha Jin Descriptivo
la educación y el aprendizaje, lo que permitirá la mejora el desempeño de los
Dawi, Norazryana Mat
estudiantes.
Se aplicaron algoritmos de clasificación y regresión a los datos del resultado de un
Ochilbek, Rakhmanov Explicativa 2019 examen especifico en 650 estudiantes de diversas regiones de Nigeria con el fin de
establecer un método de evaluación en las escuelas de nivel secundaria.
Se desarrollo un método de aprendizaje automática que permitía el reconocimiento de
Mariescu-Istodor, Radu 2019
Descriptivo objetos y que tenía como propósito, utilizar los conocimientos de alumnos de
Jormanainen, Ilkka
secundaria y así poder aplicarlos en sus clases de matemática.
Pág.
Molina Astorayme, J.
13
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

Vazhayil, Anu Se investigó sobre la importancia de la inclusión de conceptos de Inteligencia

Shetty, Radhika 2019 Artificial en el currículo escolar, habiéndose ya probado en países como a India para
Descriptivo
Bhavani, Rao R. mejorar las futuras formaciones académicas relacionadas a la IA.
Akshay, Nagarajan
Se aplicaron algoritmos de regresión lineal, árbol de decisión y técnicas de Naive
Harvey, Julie L. 2019
Explicativa Bayes para poder analizar un conjunto de datos y predecir el rendimiento en
Kumar, Sathish A.P.
estudiantes de la educación K-12
Se desarrollo un marco conceptual que propone el uso de redes neuronales en juegos
Wu, Chih Hung Descriptivo 2019 educativos con el objetivo de poder identificar los estilos de aprendizaje en los
estudiantes.
Ciolacu, Monica Se investigó sobre la inteligencia artificial en los campos de educación adaptativa y
Tehrani, Ali Fallah 2019 personalizada, teniendo esta investigación como objetivo predecir el puntaje final de
Descriptivo
Binder, Leon un estudiante ante de un examen.
Svasta, Paul Mugur
Se investigó sobre inteligencia artificial y ciencia cognitiva con el propósito de
Du Boulay, Benedict Descriptivo 2016 conocer la naturaleza de la enseñanza y el aprendizaje, y así, construir sistemas que
ayuden a adquirir nuevas habilidades en los estudiantes.
Se investigó sobre la relación entre la inteligencia artificial y la educación y como está
Florea, Adina Magda 2019
Descriptivo inteligencia puede contribuir en el desarrollo de la educación, ayudando a mejorar los
Radu, Serban
estilos de aprendizaje en los alumnos.
Se investigó la como la inteligencia artificial y la educación cambiaran la gestión
Luo, Shuiping Descriptivo 2019 educativa ya que esta nueva tecnología inevitablemente estará presente en todos los
ámbitos de nuestra vida, haciendo que la gestión educativa sea más progresista.
Romero, Cristobal 2020 Se investigó sobre la minera de datos en la educación, se revisó como esta técnica se
Descriptivo
Ventura, Sebastian puede aplicar en los campos de aprendizaje analítico con datos de estudiantes.

Pág.
Molina Astorayme, J.
14
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

Garcia, Juan David Rodriguez Se investigó sobre como poder desarrollar en pensamiento computacional hoy en da
Leon, Jesus Moreno 2019 en las escuelas. Se llevo a cabo de una revisión de técnicas de Inteligencia artificial y
Descriptivo
Gonzalez, Marcos Roman aprendizaje automático con el fin de desarrollar un recurso educativo como Scratch o
Robles, Gregorio Machine Learning for Kids.
Se aplicaron técnicas de aprendizaje automático, estadísticas y minería de datos con
Jalota, Chitra 2019
Explicativa el fin de conocer los hábitos, rendimiento académico y mejora adicional en los
Agrawal, Rashmi
estudiantes de una institución.
Se investigo sobre técnicas de aprendizaje automático y minería de datos como
Jiang, Jie 2019
Descriptivo agrupamiento, clasificación, análisis de asociación y grupo específico con el objetivo
Zeng, Lei
generar una enseñanza individualiza a partir de los datos obtenidos de los estudiantes.
Se aplicó la técnica de aprendizaje automático para poder predecir el rendimiento de
Devasia, Tismy
2016 700 estudiantes de la localidad de Mysuru, dando como resultado que la técnica de
Vinushree, T. P. Explicativa
Naive Bayes proporcionaba una mejor precisión que otros métodos de como
Hegde, Vinayak
regresión, etc.
Se aplicaron técnicas de minería de datos educativos en escolares para poder examinar
Anoopkumar, M. 2016
Descriptivo y estudiar preguntas educativas, con el objetivo de generar una mejor planificación
Md Zubair Rahman, A. M.J.
educativa, mejorando el proceso pedagógico y el rendimiento de sus estudiantes.
Se investigó sobre técnicas de minería de datos en la gestión de aprendizaje, ya que
Villegas-Ch, W. 2017
Descriptivo esto permite mejorar la efectividad y eficiencia en la educación, pero sobre todo
Luján-Mora, S.
permite reconocer los patrones que mejoran el desempeño de sus estudiantes.
Kavitha, P. Se investigó sobre la importancia de la inteligencia artificial en la educación y que
Krishna Moorthy, B. 2019 poder implementar nos genera diversos beneficios como facilitar el aprendizaje y
Descriptivo
Sudharshan, P. S. mejorar el rendimiento en los estudiantes.
Aarthi, T.

Pág.
Molina Astorayme, J.
15
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

Howard, Sarah K. Se investigó como el uso de la minería de datos y el aprendizaje automático los cuales
Yang, Jie Descriptivo 2019 proporcionan diversos datos que pueden ser utilizados por los maestros de las escuelas
Ma, Jun y así explorar su aula natural.
Chassignol, Maud Se investigó sobre las tendencias que proporciona el uso de la inteligencia artificial y
Khoroshavin, Aleksandr 2018 la educación. El objetivo de esta investigación es determinar el impacto de estas
Descriptivo
Klimova, Alexandra técnicas en el proceso de estudio y cómo estás técnicas podrían cambiar el panorama
Bilyatdinova, Anna educativo en los siguientes años.
Se investigo sobre como las diversas técnicas de inteligencia artificial y aprendizaje
Bajaj, Richa 2018 automático en la educación tienen como objetivo poder personalizar la enseñanza y
Descriptivo
Sharma, Vidushi generar nuevas rutas de aprendizaje para los estudiantes, maximizando la calidad
educativa.
Se investigó la relación entre la minera de datos educativos y el análisis de
Baker, Ryan Shaun 2014
Descriptivo aprendizaje, juntos con sus enfoques y método claves para mejorar los procesos
Inventado, Paul Salvador
educativos.
Se investigó sobre como la aplicación de tecnología referente a minería de datos han
Ge, Xinkai Descriptivo 2020 generado una nueva vía y nuevas propuestas para el campo de la educación. Sobre
todo, en el ámbito la calidad educativa.
Castrillón, Omar D. Se aplicó técnicas de inteligencia artificial como clasificadores para poder predecir el
Sarache, William Explicativa 2020 rendimiento de sus estudiantes en base a factores socio demográficos como por
Ruiz-Herrera, Santiago ejemplo educación, familia, costumbres, hábitos y economía de sus estudiantes.
Nájera, Argelia Berenice Se investigó sobre aplicaciones educativas utilizando el aprendizaje automático y la
Urbina Descriptivo 2017 minera de datos y poder ver que métodos son los más utilizados y exitosos para poder
de la Calleja Mora, Jorge predecir el rendimiento académico de los estudiantes.
Se utilizó algoritmos de aprendizaje automático para poder predecir la calificación
Meier, Yannick 2016
Explicativa final de cada alumno en un curso específico. Todo ellos basado en el historial de notas
Xu, Jie
de lis alumno de la clase.

Pág.
Molina Astorayme, J.
16
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

Atan, Onur
Van Der Schaar, Mihaela
Iqbal, Zafar Se utilizó algoritmos de aprendizaje automático en la predicción de calificaciones de
Qadir, Junaid los alumnos en todos sus cursos con el fin de poder conocer y determinar los patrones
Explicativa 2017
Mian, Adnan Noor que puedan mejorar su rendimiento académico y a la vez proporcionar al docente la
Kamiran, Faisal información por alumnos e identificar aquellos que necesiten de alguna asesoría extra.

Rovira, Sergi Se utilizó algoritmos de aprendizaje automático aplicados en la educación para poder
Puertas, Eloi Explicativa 2017 conocer y predecir la tasa de abandono escolar. Además, este análisis permitió ayudar
Igual, Laura a los estudiantes con datos de una buena orientación educativas más proactiva.
Se utilizó algoritmos de aprendizaje automático para predecir con cierta precisión el
Xu, Jie
2017 rendimiento de los estudiantes en relación de su historial académico en cada uno de
Moon, Kyeong Ho Explicativa
sus cursos y así poder identificar a aquellos estudiantes con la necesidad de
Van Der Schaar, Mihaela
intervenciones pedagógicas.
Xu, Jie Se utilizó algoritmos de aprendizaje automático para poder predecir el rendimiento de
Han, Yuli 2017 los estudiantes mediante sus calificaciones obtenidas en el semestre pasado y así poder
Explicativa
Marcu, Daniel garantizar el éxito estudiantil.
Schaar, Mihaela van der
Kaur, Parneet Se utilizó técnicas de minera de datos en un grupo de estudiantes con el objetivo de
Singh, Manpreet Explicativa 2015 identificar mediante la técnica de clasificación, quienes tenían un aprendizaje más
Josan, Gurpreet Singh lento de acuerdo a los datos recogidos de su historial académico.
Se utilizó algoritmos de aprendizaje automático en la educación para un grupo de
Oviedo, Byron
2016 estudiantes con el objetivo de predecir el rendimiento académico no solo en el factor
Moral, Serafín Explicativa
de socio económico sino también en poder identificar otras variables que contribuyan
Puris, Amilkar
a medir el rendimiento de sus estudiantes.
Mohamad, Siti Khadijah 2013 Se utilizó técnicas de minera de datos para poder identificar ciertos patrones recogidos
Explicativa
Tasir, Zaidatun de los datos de sus estudiantes que afectaba al rendimiento de sus estudiantes.
Pág.
Molina Astorayme, J.
17
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

Hamsa, Hashmia Se utilizo técnicas de aprendizaje automático y de minería en los datos de sus
Indiradevi, Simi Explicativa 2016 estudiantes con el objetivo de descubrir conocimiento o patrones ocultas para así
Kizhakkethottam, Jubilant J. poder crear un modelo de predicción.
Se investigó sobre las distintas técnicas existentes para la predicción del rendimiento
Shahiri, Amirah Mohamed
2015 académico para instituciones de Malasia, ya que se observó que estos estudios son
Husain, Wahidah Descriptivo
insuficientes en el territorio y por eso no permiten identificar los métodos más
Rashid, Nur'Aini Abdul
adecuados a implementar en sus alumnos.

Pág.
Molina Astorayme, J.
18
 CAPÍTULO III. RESULTADOS

El total de documentos recolectados para esta revisión fueron 80 artículos científicos.

Cabe señalar que se descartaron 20 investigaciones ya que el contenido no abarcaba en su

totalidad el tema propuesto. Además, se tuvo que eliminar otros 13 por estar fuera del rango

de fechas establecidas. A continuación, se mostrará los criterios de elegibilidad y exclusión

que se tomó del total de artículos revisados.

80 Artículos encontrados

60 Articulos disponibles

47 Artículos revisados

Figure 1.Flujograma de selección de artículos

Los 47 artículos elegidos contemplan los criterios de inclusión indicados y fueron

encontrados en las siguientes bases de datos: IEEE Explore, 18 artículos; ScienceDirect, 16

artículos; Scopus 6, artículos; Scielo, 5artículos y Proquest, 2 artículos. (Véase figura 2)

Base de Datos

2
5
6 18

16

IEEE Science Direct Scopus Scielo Proquest

Figure 2. Investigaciones analizadas según base de datos

Molina Astorayme, J. Pág. 19

 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

Los artículos seleccionados comprenden desde el año 2013 hasta el presente año

2020, observándose que el tema propuesto se desarrolló con más auge los últimos años.

Además, el periodo de tiempo de las publicaciones que se analizaron indica que la cantidad

de investigaciones con respecto a la aplicación de aprendizaje automático aumentaron

considerablemente en los últimos años. A continuación, se mostrará la cantidad de artículos

publicados referente a la aplicación de aprendizaje automático en la educación en últimos 7

años.

Artículos recogidos por año

2013

2014

2015

2016

2017

2018

2019

2020

0 2 4 6 8 10 12 14 16 18

Artículos

Figure 3.Investigaciones analizadas según año de publicación

En el análisis de información de las revistas seleccionadas se indica que el 54% se

enfocaron en la aplicación de técnicas de aprendizaje automático y otros 48% artículos

emplearon técnicas de minera de datos previamente a implementar las de aprendizaje

Pág.
Molina Astorayme, J.
20
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

automático para poder identificar patrones que influyan en la predicción del rendimiento

académico. (Véase figura 4)

Disciplinas utilizadas en los articulos recogidos para la

predicción del rendimineto académico

46%
54%

Solo Machine Learning Machine Learning & Data mining

Figure 4.Investigación analizada según disciplinas utilizadas

Además de las investigaciones escogidas se encontraron que se utilizaron 9 diferentes

técnicas de aprendizaje automático clasificados en aprendizaje supervisado y no

supervisado. Los algoritmos supervisados incluyen técnicas para desarrollar modelos

predictivos como bosques aleatorios, regresión múltiple, redes neuronales, regresiones

logísticas, máquina de vectores y Naive Bayes. Por otro lado, las técnicas de aprendizaje

automático con algoritmos no supervisados incluyen clustering con el algoritmo K-Means.

Pág.
Molina Astorayme, J.
21
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

Técnicas utilizadas de aprendizaje automático de los

artículos analizados
7
6
5
4
3
2
1
0
Técnicas

Bosques Aleatorios Regresión Multiple Red neuronal Regresion logistica

Máquina de Vectores K-Means Naive Bayes

Figure 5.Investigación analizada según técnicas de aprendizaje automático

De los 47 artículos, se identificaron que 32 de ellos van dirigido al ambiento escolar, otros 12 al

universitario y, por último, unos 3 a institutos superiores. Observándose que las escuelas son

lugares más tentativos para realizar investigaciones sobre predicción del rendimiento académico.

Aplicación de modelos predictivos de los artículos

analizados
35

30

25

20

15

10

0
Instituciones académicas

Escuelas Universidades Institutos

Figure 6.Investigación analizada según lugares donde aplicaron

Pág.
Molina Astorayme, J.
22
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

CAPÍTULO IV. CONCLUSIONES

DISCUSIÓN

En esta investigación se determinó el estudio de las diversas técnicas de aprendizaje

automático que se pueden implementar en el ámbito de la educación con el objetivo de

predecir el rendimiento académico de los estudiantes. De acuerdo a los artículos revisados,

estás técnicas fueron implementadas y aplicadas en diversas instituciones educativas como

colegios, institutos y universidades.

Como señalan los artículos encontrados para poder predecir el rendimiento de los

estudiantes se utilizaron técnicas de aprendizaje automático clasificados en aprendizaje

supervisado y no supervisado. Dentro de los supervisados pudimos observar técnicas como

bosques aleatorios, regresión múltiple, redes neuronales, regresiones logísticas, máquina de

vectores y Naive Bayes. Por otra parte, dentro los no supervisados se encontraron la técnica

del clustering con el algoritmo K-Means.

Podemos indicar de las investigaciones seleccionadas que estás técnicas se basan en

el entrenamiento de algoritmos de aprendizaje automático a partir de patrones obtenidos de

los datos de los estudiantes. Como se mencionan, en los últimos años esta información

estudiantil se ha estado almacenando las distintas bases de datos de las instituciones

educativas sin poder ser explotadas.

Además, puesto que existen diversas técnicas a aplicar, el objetivo es escoger que

técnica se ajusta más el propósito de la investigación y proporciona una mayor precisión en

el pronóstico de la predicción, puesto que estas predicciones ayudarán a las instituciones

Pág.
Molina Astorayme, J.
23
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

educativas a generar nuevas ideas y tomar mejores decisiones en torno al rendimiento y

calidad académica de sus estudiantes.

CONCLUSIÓN

De acuerdo a nuestra investigación realizada, podemos confirmar que en la

actualidad existen diversas técnicas de aprendizaje automático para la predicción del

rendimiento académico siendo las más utilizadas las técnicas de clasificación. Estás técnicas

deberán ser escogidas y aplicadas de acuerdo al objetivo de cada estudio, ya que no todas las

técnicas mencionadas podrán ajustarse y proporcionar un resultado alta probabilidad de

exactitud.

Existen evidencias que en los últimos años esté tipo de tecnólogas predictivas han

estado en aumento debido a la gran cantidad de datos que las instituciones generan

diariamente de sus estudiantes. Como se pudo determinar ya no solo las grandes instituciones

como universidades e institutos utilizan estás técnicas predictivas, sino que ahora también

los colegios tienen la capacidad de implementarlo en sus estudiantes con el objetivo de poder

determinar patrones que puedan mejorar el rendimiento de sus estudiantes y por ende,

proporcionar una mejor gestión educativa.

Se espera que en un futuro más instituciones educativas puedan sumarse a utilizar

estas herramientas tecnológicas predictivas del aprendizaje automático y sea una parte

fundamental del servicio que ofrecen las instituciones educativas a sus estudiantes, ya que

al obtener datos de sus actividades y notas generarían predicciones acertadas sobre su

rendimiento y así podrían evitar posibles fracasos académicos.

Pág.
Molina Astorayme, J.
24
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

Podemos concluir que la innovación de las técnicas de aprendizaje automático en el

sector educativo es una gran herramienta con mucho potencial y que las futuras

investigaciones deberían enfocarse en la siguiente pregunta ¿Qué otras áreas deberían ser

evaluadas utilizando técnicas de aprendizaje automático para generar más pronósticos que

ayuden a los estudiantes a tener mejores experiencias académicas? ¿Podrían estas técnicas

aprendizaje automático ser implementadas en un sistema tutoría inteligente y predictiva para

ayudar a los estudiantes a lograr el éxito académico? Los siguientes estudios deberán aplicar

técnicas de aprendizaje automático que garanticen una adecuada gestión educativa tanto para

las instituciones como para los alumnos que lo comprenden.

REFERENCIAS

Alyahyan, E., & Düştegör, D. (2020). Predicting academic success in higher education: literature
review and best practices. In International Journal of Educational Technology in Higher
Education (Vol. 17, Issue 1). Springer. https://doi.org/10.1186/s41239-020-0177-7

Anoopkumar, M., & Md Zubair Rahman, A. M. J. (2016). A Review on Data Mining techniques and
factors used in Educational Data Mining to predict student amelioration. Proceedings of 2016
International Conference on Data Mining and Advanced Computing, SAPIENCE 2016, 122–
133. https://doi.org/10.1109/SAPIENCE.2016.7684113

Bajaj, R., & Sharma, V. (2018). Smart Education with artificial intelligence based determination of
learning styles. Procedia Computer Science, 132, 834–842.
https://doi.org/10.1016/j.procs.2018.05.095

Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. In Learning
Analytics: From Research to Practice (pp. 61–75). Springer New York.
https://doi.org/10.1007/978-1-4614-3305-7_4

Castrillón, O. D., Sarache, W., & Ruiz-Herrera, S. (2020). Prediction of academic performance using
artificial intelligence techniques. Formacion Universitaria, 13(1), 93–102.
https://doi.org/10.4067/S0718-50062020000100093

Chassignol, M., Khoroshavin, A., Klimova, A., & Bilyatdinova, A. (2018). Artificial Intelligence

Pág.
Molina Astorayme, J.
25
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

trends in education: A narrative overview. Procedia Computer Science, 136, 16–24.

https://doi.org/10.1016/j.procs.2018.08.233

Chung, J. Y., & Lee, S. (2019). Dropout early warning systems for high school students using
machine learning. Children and Youth Services Review, 96, 346–353.
https://doi.org/10.1016/j.childyouth.2018.11.030

Ciolacu, M., Tehrani, A. F., Binder, L., & Svasta, P. M. (2019). Education 4.0 - Artificial Intelligence
Assisted Higher Education: Early recognition System with Machine Learning to support
Students’ Success. 2018 IEEE 24th International Symposium for Design and Technology in
Electronic Packaging, SIITME 2018 - Proceedings, 23–30.
https://doi.org/10.1109/SIITME.2018.8599203

Devasia, T., Vinushree, T. P., & Hegde, V. (2016). Prediction of students performance using
Educational Data Mining. Proceedings of 2016 International Conference on Data Mining and
Advanced Computing, SAPIENCE 2016, 91–95.
https://doi.org/10.1109/SAPIENCE.2016.7684167

Du Boulay, B. (2016). Artificial intelligence as an effective classroom assistant. IEEE Intelligent

Systems, 31(6), 76–81. https://doi.org/10.1109/MIS.2016.93

Etemadpour, R., Zhu, Y., Zhao, Q., Hu, Y., Chen, B., Sharier, M. A., Zheng, S., & S. Paiva, J. G.
(2020). Role of absence in academic success: an analysis using visualization tools. Smart
Learning Environments, 7(1). https://doi.org/10.1186/s40561-019-0112-3

Fedushko, S., & Ustyianovych, T. (2020). Predicting Pupil’s Successfulness Factors Using Machine
Learning Algorithms and Mathematical Modelling Methods. Advances in Intelligent Systems
and Computing, 938, 625–636. https://doi.org/10.1007/978-3-030-16621-2_58

Florea, A. M., & Radu, S. (2019). Artificial intelligence and education. Proceedings - 2019 22nd
International Conference on Control Systems and Computer Science, CSCS 2019, 381–382.
https://doi.org/10.1109/CSCS.2019.00069

Garcia, J. D. R., Leon, J. M., Gonzalez, M. R., & Robles, G. (2019). Developing Computational
Thinking at School with Machine Learning: An exploration. 2019 International Symposium on
Computers in Education, SIIE 2019, 1–6. https://doi.org/10.1109/SIIE48397.2019.8970124

Ge, X. (2020). Some applications of big data mining technology on education system in big data era.
Advances in Intelligent Systems and Computing, 1117 AISC, 368–374.
https://doi.org/10.1007/978-981-15-2568-1_51
Pág.
Molina Astorayme, J.
26
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

Gonzales, J. G., Lagman, A. C., & De Angel, R. M. (2020). Predictive analytics assessment tool for
information communication technology (Ict) courses of technical and vocational education and
training (TVET) school in the Philippines. International Journal of Scientific and Technology
Research, 9(4), 1282–1287.

Hamsa, H., Indiradevi, S., & Kizhakkethottam, J. J. (2016). Student Academic Performance
Prediction Model Using Decision Tree and Fuzzy Genetic Algorithm. Procedia Technology,
25, 326–332. https://doi.org/10.1016/j.protcy.2016.08.114

Harvey, J. L., & Kumar, S. A. P. (2019). A Practical Model for Educators to Predict Student
Performance in K-12 Education using Machine Learning. 2019 IEEE Symposium Series on
Computational Intelligence, SSCI 2019, 3004–3011.
https://doi.org/10.1109/SSCI44817.2019.9003147

Howard, S. K., Yang, J., Ma, J., Ritz, C., Zhao, J., & Wynne, K. (2019). Using Data Mining and
Machine Learning Approaches to Observe Technology-Enhanced Learning. Proceedings of
2018 IEEE International Conference on Teaching, Assessment, and Learning for Engineering,
TALE 2018, 788–793. https://doi.org/10.1109/TALE.2018.8615443

Iqbal, Z., Qadir, J., Mian, A. N., & Kamiran, F. (2017). Machine Learning Based Student Grade
Prediction: A Case Study. http://arxiv.org/abs/1708.08744

Jalil, N. A., Hwang, H. J., & Dawi, N. M. (2019). Machines learningJalil, N. A., Hwang, H. J., &
Dawi, N. M. (2019). Machines learning trends, perspectives and prospects in education sector.
ACM International Conference Proceeding Series, 201–205.
https://doi.org/10.1145/3345120.3345147 trends, perspecti. ACM International Conference
Proceeding Series, 201–205. https://doi.org/10.1145/3345120.3345147

Jalota, C., & Agrawal, R. (2019). Analysis of Educational Data Mining using Classification.
Proceedings of the International Conference on Machine Learning, Big Data, Cloud and
Parallel Computing: Trends, Prespectives and Prospects, COMITCon 2019, 243–247.
https://doi.org/10.1109/COMITCon.2019.8862214

Jayaprakash, S., & Jaiganesh, V. (2019). Predicting academic performance of tertiary students using
classification algorithm. International Journal of Recent Technology and Engineering, 8(2),
6558–6561. https://doi.org/10.35940/ijrte.B2716.078219

Jiang, J., & Zeng, L. (2019). Research on individualized teaching based on big data mining. 14th
International Conference on Computer Science and Education, ICCSE 2019, 56–59.

Pág.
Molina Astorayme, J.
27
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

https://doi.org/10.1109/ICCSE.2019.8845054

Kaur, P., Singh, M., & Josan, G. S. (2015). Classification and Prediction Based Data Mining
Algorithms to Predict Slow Learners in Education Sector. Procedia Computer Science, 57,
500–508. https://doi.org/10.1016/j.procs.2015.07.372

Kavitha, P., Krishna Moorthy, B., Sudharshan, P. S., & Aarthi, T. (2019). Mapping artificial
intelligence and education. Proceedings of the 2018 International Conference On
Communication, Computing and Internet of Things, IC3IoT 2018, 165–168.
https://doi.org/10.1109/IC3IoT.2018.8668123

Luo, S. (2019). Research on the change of educational management in the era of artificial
intelligence. Proceedings - 2019 12th International Conference on Intelligent Computation
Technology and Automation, ICICTA 2019, 442–445.
https://doi.org/10.1109/ICICTA49267.2019.00101

Mariescu-Istodor, R., & Jormanainen, I. (2019, November 21). Machine learning for high school
students. ACM International Conference Proceeding Series.
https://doi.org/10.1145/3364510.3364520

Meier, Y., Xu, J., Atan, O., & Van Der Schaar, M. (2016). Personalized grade prediction: A data
mining approach. Proceedings - IEEE International Conference on Data Mining, ICDM, 2016-
January, 907–912. https://doi.org/10.1109/ICDM.2015.54

Mohamad, S. K., & Tasir, Z. (2013). Educational Data Mining: A Review. Procedia - Social and
Behavioral Sciences, 97, 320–324. https://doi.org/10.1016/j.sbspro.2013.10.240

Nájera, A. B. U., & de la Calleja Mora, J. (2017). Brief review of educational applications using data
mining and machine learning. Revista Electronica de Investigacion Educativa, 19(4), 84–96.
https://doi.org/10.24320/redie.2017.19.4.1305

Niemeijer, K., Feskens, R., Krempl, G., Koops, J., & Brinkhuis, M. J. S. (2020). Constructing and
predicting school advice for academic achievement: A comparison of item response theory and
machine learning techniques. ACM International Conference Proceeding Series, 462–471.
https://doi.org/10.1145/3375462.3375486

Ochilbek, R. (2019). Development of a method for evaluating quality of education in secondary

schools using ML algorithms. ACM International Conference Proceeding Series, 23–29.
https://doi.org/10.1145/3369255.3369272

Pág.
Molina Astorayme, J.
28
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

Oviedo, B., Moral, S., & Puris, A. (2016). A hierarchical clustering method: Applications to
educational data. Intelligent Data Analysis, 20(4), 933–951. https://doi.org/10.3233/IDA-
160839

Phanniphong, K., Nuankaew, P., Teeraputon, D., Nuankaew, W., Tanasirathum, P., & Bussaman, S.
(2019, January 22). The Distinction Learning Style in Learning Outcomes of the Secondary
School Learner. TIMES-ICON 2018 - 3rd Technology Innovation Management and
Engineering Science International Conference. https://doi.org/10.1109/TIMES-
iCON.2018.8621778

Poondej, C., & Lerdpornkulrat, T. (2016). Relationship between motivational goal orientations,
perceptions of general education classroom learning environment, and deep approaches to
learning. Kasetsart Journal of Social Sciences, 37(2), 100–103.
https://doi.org/10.1016/j.kjss.2015.01.001

Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated
survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3).
https://doi.org/10.1002/widm.1355

Rovira, S., Puertas, E., & Igual, L. (2017). Data-driven system to predict academic grades and
dropout. PLOS ONE, 12(2), e0171207. https://doi.org/10.1371/journal.pone.0171207

Shahiri, A. M., Husain, W., & Rashid, N. A. (2015). A Review on Predicting Student’s Performance
Using Data Mining Techniques. Procedia Computer Science, 72, 414–422.
https://doi.org/10.1016/j.procs.2015.12.157

Sharma, A., Ram, A., & Bansal, A. (2020). Feature Extraction Mining for Student Performance
Analysis. Lecture Notes in Electrical Engineering, 605, 785–797. https://doi.org/10.1007/978-
3-030-30577-2_70

Tsai, S. C., Chen, C. H., Shiao, Y. T., Ciou, J. S., & Wu, T. N. (2020). Precision education with
statistical learning and deep learning: a case study in Taiwan. International Journal of
Educational Technology in Higher Education, 17(1). https://doi.org/10.1186/s41239-020-
00186-2

Vazhayil, A., Shetty, R., Bhavani, R. R., & Akshay, N. (2019). Focusing on Teacher Education to
Introduce AI in Schools: Perspectives and Illustrative Findings. Proceedings - IEEE 10th
International Conference on Technology for Education, T4E 2019, 71–77.
https://doi.org/10.1109/T4E.2019.00021

Pág.
Molina Astorayme, J.
29
 Predicción del rendimiento académico utilizando técnicas de

aprendizaje automático. Revisión de la literatura

Villegas-Ch, W., & Luján-Mora, S. (2017). Analysis of data mining techniques applied to LMS for
personalized education. EDUNINE 2017 - IEEE World Engineering Education Conference:
Engineering Education - Balancing Generalist and Specialist Formation in Technological
Carriers: A Current Challenge, Proceedings, 85–89.
https://doi.org/10.1109/EDUNINE.2017.7918188

Waheed, H., Hassan, S. U., Aljohani, N. R., Hardman, J., Alelyani, S., & Nawaz, R. (2020).
Predicting academic performance of students from VLE big data using deep learning models.
Computers in Human Behavior, 104, 106189. https://doi.org/10.1016/j.chb.2019.106189

Wu, C. H. (2019). A Concept Framework of Using Education Game with Artificial Neural Network
Techniques to IdentiWu, C. H. (2019). A Concept Framework of Using Education Game with
Artificial Neural Network Techniques to Identify Learning Styles. Proceedings - International.
Proceedings - International Conference on Machine Learning and Cybernetics, 2019-July.
https://doi.org/10.1109/ICMLC48188.2019.8949311

Xu, J., Han, Y., Marcu, D., & Schaar, M. van der. (2017). Progressive Prediction of Student
Performance in College Programs. Undefined.

Xu, J., Moon, K. H., & Van Der Schaar, M. (2017). A Machine Learning Approach for Tracking and
Predicting Student Performance in Degree Programs. IEEE Journal on Selected Topics in
Signal Processing, 11(5), 742–753. https://doi.org/10.1109/JSTSP.2017.2692560

Zhuang, Y., & Gan, Z. (2018). A machine learning approach to enrollment prediction in Chicago
Public School. Proceedings of the IEEE International Conference on Software Engineering and
Service Sciences, ICSESS, 2017-November, 194–198.
https://doi.org/10.1109/ICSESS.2017.8342895

Pág.
Molina Astorayme, J.
30