Student success is a multifaceted outcome influenced by academic, behavioral, contextual, and socio-environmental factors. With the growing availability of educational data, machine learning (ML) offers promising tools to model complex, nonlinear relationships that go beyond traditional statistical methods. However, the lack of interpretability in many ML models remains a major obstacle for practical adoption in educational contexts. In this study, we apply explainable artificial intelligence (XAI) techniques—specifically SHAP (SHapley Additive exPlanations)—to analyze a synthetic dataset simulating diverse student profiles. Using LightGBM, we identify variables such as hours studied, attendance, and parental involvement as influential in predicting exam performance. While the results are not generalizable due to the artificial nature of the data, this study reframes its purpose as a methodological exploration rather than a claim of real-world actionable insights. Our findings demonstrate how interpretable ML can be used to build transparent analytic pipelines in education, setting the stage for future research using empirical datasets and real student data.
1 January 2024 in Pixel-Bit- Revista De Medios Y Educacion
El sentido de autoeficacia del profesorado en formación (PSTs) se estudia cada vez más por su impacto en el desarrollo profesional. Métodos como la microenseñanza han demostrado mejorar la autoeficacia del PSTs. Este estudio examina el impacto de la microenseñanza, grabada con cámaras de realidad virtual inmersiva (iVR), en la autoeficacia del PSTs. Se exploran los niveles de autoeficacia de los PSTs antes y después de la microenseñanza y sus percepciones posteriores. Utilizando un enfoque de método mixto, realizamos un diseño cuasi-experimental de pretest-postest con la Escala de Autoeficacia del Profesor (TSES) y grupos focales. El estudio involucró a 27 PSTs de inglés de un programa de máster en la Universidad de Las Palmas de Gran Canaria. El análisis cuantitativo mostró alta fiabilidad en las tres dimensiones de la TSES: estrategias de instrucción, gestión del aula y compromiso de los estudiantes, con mejoras significativas postest con respecto a las estrategias de enseñanza. El análisis cualitativo destacó la importancia de estas dimensiones junto con el uso innovador de iVR. Nuestros hallazgos sugieren que comprender las interacciones que afectan la autoeficacia puede mejorar el diseño de programas de formación docente, promover el crecimiento profesional y la confianza de los futuros educadores.