IMPLEMENTACIÓN DE HERRAMIENTAS DE MACHINE LEARNING EN EL ANÁLISIS DE LAS INTERRELACIONES ENTRE VARIABLES SOCIODEMOGRÁFICAS Y DE DESEMPEÑO EN ESTUDIANTES DE EDUCACIÓN MEDIA

Autores/as

  • Manuel Antonio Hoyos García
  • Eduar Ramiro Burbano Semanate

DOI:

https://doi.org/10.56219/dialctica.v2i25.4065

Palabras clave:

competencias básicas, árbol de decisión, complejidad

Resumen

En este artículo se presenta una manera de implementar herramientas machine learning en el campo de la educación; así, se muestra la importancia y potencialidad del uso de estas herramientas cuando se trata de analizar grandes volúmenes de datos y más de una variable objetivo. Conforme a lo anterior, el propósito general del trabajo consistió en el diseño de un modelo de predicción de desempeños en competencias básicas mediante técnicas de aprendizaje automático que permitieran establecer relaciones entre variables contextuales (características sociodemográficas) y niveles de rendimiento (competencias básicas) en estudiantes de décimo grado. Seguidamente, para la consecución de tal propósito, se emplea una metodología con paradigma positivista, adoptando métodos mixtos que permiten la integración de elementos cualitativos apoyados en las métricas de fiabilidad en el uso de algoritmos como árboles de decisión dentro del cruce de datos inherentes al contexto de los estudiantes de dos instituciones educativas y sus respectivos desempeños académicos en competencias básicas. Tal desarrollo, apoyado desde una perspectiva compleja, permite concluir que las interrelaciones entre las singularidades de los estudiantes y sus desempeños académicos podrán ser un referente, entre otras cosas, para empezar a adoptar nuevas y mejores herramientas computacionales en el ámbito educativo y replantear las prácticas docentes para obedecer a la heterogeneidad inevitable de las aulas antes de preponderar la uniformidad forzada en las mismas.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Ariza-López F. J., Rodríguez-Avi, J., Alba-Fernández, V. (2018). Control estricto de matrices de confusión por medio de distribuciones multinomiales, GeoFocus (Artículos), nº 21, p. 215-226. ISSN: 1578-5157. http://dx.doi.org/10.21138/GF.591 DOI: https://doi.org/10.21138/GF.591

Bausili Llamas, E. (2021). Machine Learning para el diagnóstico de COVID-19 [Trabajo de Grado]. Madrid, España. https://repositorio.comillas.edu/xmlui/handle/11531/53241

Carrion, J. (2017). Diferencia entre dato información y conocimiento. http://148.202.167.116:8080/jspui/handle/123456789/869

Castro, R. I. (2020). Aplicación de técnicas de Machine Learning para el estudio de deserción temprana y egreso oportuno en estudiantes de Ingeniería de la Facultad de Ciencias Físicas y Matemáticas [Trabajo de Grado]. Santiago de Chile, Chile. https://repositorio.uchile.cl/handle/2250/178598

Correa, M., Bielza, C., Pamies-Texeira, J., y Alique López, J. R. (2008). Redes Bayesianas vs redes neuronales en modelos para la predicción del acabado superficial. Madrid, España. https://digital.csic.es/handle/10261/13826

Joaquín, R. (2020). Gradient Boosting con Python by, available under a Attribution 4.0 International (CC BY 4.0) https://www.cienciadedatos.net/documentos/py09_gradient_boosting_python.html

Jones- Ortiz, C. V. ., & Guzmán – Seraquive, J. E. . (2022). Análisis de las técnicas de machine learning aplicadas en la detección de fraudes bancarios. Revista Científica Ciencia Y Tecnología, 22(33). https://doi.org/10.47189/rcct.v22i33.516 DOI: https://doi.org/10.47189/rcct.v22i33.516

Beunza, J. J., y Puertas, E. (2020). Tipos de algoritmos. Manual práctico de inteligencia artificial en entornos sanitarios, 35. https://books.google.com/books?hl=en&lr=&id=88nSDwAAQBAJ&oi=fnd&pg=PA35&dq=machine+learning,+tipos+de+aprendizaje&ots=6Q8dGGZ6T_&sig=wDjkify1m62oZMRtuCuJZus4kho

Bogoya, D. (2000). Resultados de la evaluación de competencias básica en lenguaje, matemáticas y ciencias. Bogotá, Secretaría de educación distrital.

Bunk, G. (1994). La transmisión de las competencias en la formación y perfeccionamiento profesionales de la RFA. Revista europea de formación profesional, (1), 8-14. https://dialnet.unirioja.es/descarga/articulo/131116.pdf

Florez, C. y Pulido, K. (2020). Estrategia Didáctica mediada por Técnicas de Machine Learning para Potenciar la Habilidad de Pensamiento Crítico Interdisciplinar en Procesos Académicos y Actitudinales. https://repositoriotesiscomplejidad.blogspot.com/

Hernández-Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2018). Metodología de la investigación (Vol. 4, pp. 310-386). México: McGraw-Hill Interamericana. https://dspace.scz.ucb.edu.bo/dspace/bitstream/123456789/21401/1/11699.pdf

Méndez, A. (2007). Terminología pedagógica específica al enfoque por competencias: el concepto de competencia. Innovación educativa. https://redined.educacion.gob.es/xmlui/handle/11162/75735

Méndez, O. y López, J. (2019). Técnicas de Machine Learning para la predicción de desempeño académico en el Desarrollo del espacio proyectivo del Pensamiento Espacial. [Tesis de maestría, Universidad Pedagógica Nacional]. Bogotá, Colombia.

https://docs.google.com/document/d/11-pYeDpzAg3Y9wRbczjyEENjtQXo2cJH/edit#

Piaget, J. (1981). La teoría de Piaget. Infancia y aprendizaje, 4(sup2), pp. 13-54. https://www.tandfonline.com/doi/pdf/10.1080/02103702.1981.10821902 DOI: https://doi.org/10.1080/02103702.1981.10821902

Ramírez, D. (2021). Análisis del Machine Learning como estrategia didáctica para el mejoramiento de Competencias Básicas en Educación Secundaría en Entornos Virtuales de Aprendizaje. https://gredos.usal.es/handle/10366/146077

Sucar, L. E., y Tonantzintla, M. (2006). Redes bayesianas. Aprendizaje Automático: conceptos básicos y avanzados, 77, 100. https://ccc.inaoep.mx/~esucar/Clases-mgp/caprb.pdf

Tobón, S. (2003). Las competencias en el sistema educativo: de la simplicidad a la complejidad. Bogotá: CIFE. http://files.nathalyeismenia.webnode.com.ve/200000134-bff07c1e3d/LAS%20COMPETENCIAS%20Y%20EL%20PENSAMIENTO%20COMPLEJO.doc

UNESCO (2015). Replantear la educación ¿Hacia un bien común mundial? París: UNESCO. 93 pp. ISBN-978-92-3-300018.6. Journal of Supranational Policies of Education. https://repositorio.uam.es/bitstream/handle/10486/671277/-JOSPOE_4_15.pdf?s

Vigotsky, L. (1988). El desarrollo de los procesos psicológicos superiores. México: Editorial Crítica, Grupo Editorial Grijalbo. https://www.bibliopsi.org/docs/carreras/obligatorias/CFP-/educacional/erausquin/Unidad%202/Vigotsky%2%20el%20desarrollo%20de%20los%20p.%20cap%204.pdf

Descargas

Publicado

2025-07-20

Cómo citar

Manuel Antonio Hoyos García, & Eduar Ramiro Burbano Semanate. (2025). IMPLEMENTACIÓN DE HERRAMIENTAS DE MACHINE LEARNING EN EL ANÁLISIS DE LAS INTERRELACIONES ENTRE VARIABLES SOCIODEMOGRÁFICAS Y DE DESEMPEÑO EN ESTUDIANTES DE EDUCACIÓN MEDIA. DIALÉCTICA, 2(25). https://doi.org/10.56219/dialctica.v2i25.4065

Número

Sección

Portafolio de Investigación