In recent years, there has been evidence of a growing interest on the part of universities to know in advance the academic performance of their students and allow them to establish timely strategies to avoid desertion and failure. One of the biggest challenges to predicting student performance is presented in the course “Programming Fundamentals” of Computer Science, Software Engineering, and Information Systems Engineering careers in Peruvian universities for high student dropout rates. The objective of this research was to explore the efficiency of Long-Short Term Memory Networks (LSTM) in the field of Educational Data Mining (EDM) to predict the academic performance of students during the seventh, eighth, twelfth, and sixteenth weeks of the academic semester, which allowed us to identify students at risk of failing the course. This research compares several predictive models, such as Deep Neural Network (DNN), Decision Tree (DT), Random Forest (RF), Logistic Regression (LR), Support Vector Classifier (SVM), and K-Nearest Neighbor (KNN). A major challenge machine learning algorithms face is a class imbalance in a dataset, resulting in over-fitting to the available data and, consequently, low accuracy. We use Generative Adversarial Networks (GAN) and Synthetic Minority Over-sampling Technique (SMOTE) to balance the data needed in our proposal. From the experimental results based on accuracy, precision, recall, and F1-Score, the superiority of our model is verified concerning a better classification, with 98.3% accuracy in week 8 using LSTM-GAN, followed by DNN-GAN with 98.1% accuracy.

La investigación tuvo por objetivo implementar un software educativo para el desarrollo de las competencias matemáticas en los estudiantes de primaria de un colegio de Chiclayo-Perú, teniendo por tipo de estudio básica, enfoque cuantitativo, método hipotético – deductivo, y por diseño cuasi-experimental, considerando como muestra 20 estudiantes de sexto grado de primaria. Teniendo por resultados que, el 45% de los estudiantes presentan un nivel bajo de competencias matemáticas, sobre todo porque el 55% presentó niveles bajos de razonamiento lógico, y con un 50% evidenció nivel bajo en la capacidad de resolución de problemas. Asimismo, entre las principales características de un software educativo se encuentra tener un diseño visual y llamativo, es una estrategia útil, y posee un diseño accesible, siendo una herramienta de código abierto, planteando el diseño de los procedimientos para el uso de software educativo Open Roberta Lab y el software OpenBoard. En conclusión, se obtuvo mejoras significativas en los niveles de competencias matemática después de la implementación de los softwares educativos, validando la hipótesis, mediante la prueba de Wilcoxon al encontrar diferencias estadísticamente significativas entre el pre-test y el post-test (Z = -3.846, p < 0.001) indicando que, la intervención tuvo un efecto significativo en las competencias matemáticas.