The main purpose of this study is to examine the implementation of active methodologies in the teaching–learning process in computer science. To achieve this objective, a systematic review using the PRISMA method was performed; the search for articles was conducted through the Scopus and Web of Science databases and the scientific search engine Google Scholar. By establishing inclusion and exclusion criteria, 15 research papers were selected addressing the use of various active methodologies which have had a positive impact on students’ learning processes. Among the principal active methodologies highlighted are problem-based learning, flipped classrooms, and gamification. The results of the review show how active methodologies promote significant learning, in addition to fostering more outstanding commitment, participation, and motivation on the students’ part. It was observed that active methodologies contribute to the development of fundamental cognitive and socio-emotional skills for their professional growth.

Desarrollo de competencias digitales docentes mediante entornos virtuales: una revisión sistemática

Los problemas de bajo rendimiento académico y rezago son recurrentes en instituciones educativas de nivel superior, especialmente al inicio de los estudios universitarios. En el contexto local, análisis diagnósticos han mostrado altos índices de reprobación y bajo rendimiento académico. En este trabajo, se utilizaron datos sociodemográficos y resultados de exámenes de admisión de 415 alumnos de las carreras del área de computación de la Universidad Autónoma de Yucatán (México), inscritos entre 2016 y 2019. El objetivo es generar modelos predictivos de riesgo académico, empleando métodos de la minería de datos educativa, que sirvan como herramientas de detección temprana de condiciones de riesgo académico y faciliten el despliegue de estrategias de intervención educativa. Se siguieron las etapas del Proceso de Extracción de Conocimiento en Bases de Datos, concretamente, se aplicaron técnicas de clasificación para el análisis, obtención y validación de los modelos. Los resultados muestran que el mejor modelo corresponde al algoritmo LMT, con un valor de precisión de 75.42% y un 0.805 para el área bajo la curva ROC. Se logró identificar a los mejores atributos predictores, particularmente las pruebas del examen de ingreso a licenciatura fueron muy significativas. Se propone el desarrollo de herramientas informáticas para la detección precoz de riesgo académico y estrategias de intervención educativa oportuna. The problems of poor academic performance and lag are recurrent in higher-level educational institutions, especially at the beginning of university studies. The early detection of academic risk conditions enables the implementation of educational intervention measures to address factors of poor school performance, associated with the particular contexts of the students. The purpose of this study was to generate predictive models of academic risk, using educational data mining methods, specifically classification or prediction techniques, for the analysis, obtaining and validation of the models. The data used correspond to admission exam results and sociodemographic data of 415 students of the computer science majors at the Autonomous University of Yucatán (Mexico), enrolled between 2016 and 2019. The results show that the best model corresponding to the algorithm of LMT classification, with a precision value of 75.42% and 0.805 for the area under the ROC curve. It was possible to identify the best predictive attributes, particularly the bachelor entrance exam tests were very significant. The development of computer tools for the early detection of academic risk and strategies for timely educational intervention is proposed.

School dropout in higher education remains a significant global challenge with profound socioeconomic consequences. To address this complex issue, educational institutions increasingly rely on business intelligence (BI) and related predictive analytics, such as machine learning and data mining techniques. This systematic review critically examines the application of BI and predictive analytics for analyzing and preventing student dropout, synthesizing evidence from 230 studies published globally between 1996 and 2025. We collected literature from the Google Scholar and Scopus databases using a comprehensive search strategy, incorporating keywords such as “business intelligence”, “machine learning”, and “big data”. The results highlight a wide range of predictive tools and methodologies, notably data visualization platforms (e.g., Power BI) and algorithms like decision trees, Random Forest, and logistic regression, demonstrating effectiveness in identifying dropout patterns and at-risk students. Common predictive variables included personal, socioeconomic, academic, institutional, and engagement-related factors, reflecting dropout’s multifaceted nature. Critical challenges identified include data privacy regulations (e.g., GDPR and FERPA), limited data integration capabilities, interpretability of advanced models, ethical considerations, and educators’ capacity to leverage BI effectively. Despite these challenges, BI applications significantly enhance institutions’ ability to predict dropout accurately and implement timely, targeted interventions. This review emphasizes the need for ongoing research on integrating ethical AI-driven analytics and scaling BI solutions across diverse educational contexts to reduce dropout rates effectively and sustainably.

Los retos para mejorar los procesos educativos y la necesidad de atender problemáticas, como el bajo desempeño académico, siguen presentes en las instituciones educativas de nivel superior. El uso de nuevas tecnologías digitales resulta esperanzador para abatir tales problemáticas, sin embargo, deben ser considerados aspectos que garanticen su implementación integral y ética. Esta investigación fue desarrollada con un enfoque mixto. La primera etapa consistió en obtener modelos predictivos de riesgo académico de alumnos de primer ingreso universitario, y luego implementar un sistema informático para identificar alumnos en riesgo y dar seguimiento a los cursos impartidos en el primer semestre. En la segunda etapa, se diseñó un curso e-learning enriquecido con tecnología digital parta atender las necesidades específicas de un grupo en riesgo escolar. Los resultados muestran mejoras en los niveles de autodirección de los estudiantes, así como en el rendimiento y habilidades académicas; además de beneficios para profesores y directivos, quienes pueden identificar con oportunidad a alumnos con problemas académicos y diseñar o ajustar sus estrategias de enseñanza o de gestión académica. El diseño de esta propuesta de intervención ofrece pautas para establecer una metodología que favorezca la aplicación con enfoque holístico de las tecnologías digitales emergentes.

En las últimas décadas, la Educación Superior se ha visto en un trayecto hacia la virtualización, dando como resultado el surgimiento de nuevas modalidades formativas basadas en el Internet, como lo son la educación en línea y semipresencial. Esto ha dado lugar a la necesidad de desarrollar modelos y experiencias de evaluación con el fin de valorar la calidad de dichas modalidades, lo que a su vez ha propiciado un incremento en la literatura científica en este ámbito. Considerando este panorama, el presente estudio se planteó como propósito construir el estado del arte en el campo de la evaluación de la calidad de la educación virtual en el nivel superior, particularmente en lo que respecta la modalidad semipresencial. Para ello se implementó la metodología de la revisión sistemática de la literatura en la producción científica publicada entre 2015 y 2021. Los resultados evidencian una inclinación hacia una concepción parcial de la evaluación, enfocada en la calidad de acciones formativas concretas y aspectos específicos de la educación virtual, como lo son las asignaturas y plataformas LMS, en sustitución de una perspectiva global de la misma, orientada además en la educación en línea y sin una distinción clara entre esta y la formación mixta. In recent decades, Higher Education has been on a journey towards virtualization, resulting in the emergence of new education modalities based on the Internet, such as online and blended education. This has given rise to the need to develop evaluation models and experiences in order to assess the quality of these modalities, which in turn has led to an increase in the scientific literature in this field. Considering this scenario, the present study aimed to build the state of the art in the field of quality evaluation of virtual education in the higher level, particularly with regard to the blended modality, for which the methodology of systematic review of the literature was implemented in the scientific production published between 2015 and 2021. The results show an inclination towards a partial conception of evaluation, focused on the quality of concrete training actions and specific aspects of virtual education, as are the subjects and LMS platforms, in substitution of a global perspective, also oriented towards online education and without a clear distinction between this and the blended modality.