Esta propuesta plantea la selección de variables que influyen en la predicción del rendimiento en estudiantes de ingeniería industrial de la Universidad Distrital (Colombia) por diferentes metodologías: filtro, envoltura e integrados. Se implementaron algoritmos de clasificación a través del lenguaje de programación Python como árbol de decisión, K vecinos más cercanos, perceptrón y otros, los cuales son comparados para conocer el mejor resultado de predicción. El género y el puntaje ICFES (examen de estado en Colombia) para condición matemática se encuentran en el rango superior de todos los métodos de selección de características, y el algoritmo perceptrón arroja mejor exactitud con respecto a los otros algoritmos usados. Se concluye que las variables que más influyen en el rendimiento académico de los estudiantes de ingeniería son: edad, género, puntaje ICFES para aptitud matemática, puntaje global ICFES, valor de matrícula y puntaje ICFES para condición matemática y cohorte.

Se presenta un trabajo relacionado con la analítica del aprendizaje, la cual consiste en la recopilación y el análisis de datos generados por los estudiantes y sus iteraciones, con el fin de comprender y optimizar el aprendizaje. Se plantea una revisión referencial de los últimos cinco años a través de bases de datos con el fin de identificar aspectos relativos al crecimiento de este enfoque y sus campos de aplicación en la educación superior. El volumen de investigaciones relacionadas va en aumento debido a la necesidad de investigar modelos más acertados de predicción y de nuevos algoritmos dentro del área de la ciencia de datos.

Context: In the education sector, variables have been identified which considerably affect students’ academic performance. In the last decade, research has been carried out from various fields such as psychology, statistics, and data analytics in order to predict academic performance. Method: Data analytics, especially through Machine Learning tools, allows predicting academic performance using supervised learning algorithms based on academic, demographic, and sociodemographic variables. In this work, the most influential variables in the course of students’ academic life are selected through wrapping, embedded, filter, and assembler methods, as well as the most important characteristics semester by semester using Machine Learning algorithms (Decision Trees, KNN, SVC, Naive Bayes, LDA), which were implemented using the Python language. Results: The results of the study show that the KNN is the model that best predicts academic performance for each of the semesters, followed by Decision Trees, with precision values that oscillate around 80 and 78,5% in some semesters. Conclusions: Regarding the variables, it cannot be said that a student’s per-semester academic average necessarily influences the prediction of academic performance for the next semester. The analysis of these results indicates that the prediction of academic performance using Machine Learning tools is a promising approach that can help improve students’ academic life allow institutions and teachers to take actions that contribute to the teaching-learning process.

Se presenta un panorama de los cambios que está sufriendo el sector educativo de manera acelerada por la adopción de tecnologías y plataformas para apoyar un proceso que tradicionalmente era presencial. Esta puede ser una oportunidad para aprovechar la información disponible de los procesos educativos y mediante el uso de técnicas como el machine learning, obtener conocimiento que permita la toma de decisiones oportunas alrededor de las problemáticas que aquejan a las Instituciones de educación. Debido a la emergencia de salud ocasionada por el COVID-19 las comunidades académicas se han visto afectadas en su salud mental evidenciando factores de ansiedad y frustración ante la nueva realidad.