Aplicación de Técnicas de Inteligencia Artificial para la Predicción del Rendimiento Académico en Asignaturas de Matemáticas

El bajo rendimiento en asignaturas de matemáticas en la educación superior es una causa recurrente de reprobación y deserción estudiantil, especialmente en programas de ciencias, tecnología e ingeniería. Este artículo presenta el desarrollo de un modelo predictivo basado en técnicas de aprendizaje automático que busca identificar tempranamente a los estudiantes en riesgo de no aprobar estas asignaturas. Para esto, se utilizó una base de datos institucional con información de 2932 estudiantes admitidos en la Universidad del Valle entre 2021 y 2023, que incluye variables demográficas, socioeconómicas, y el resultado de una prueba diagnóstica de matemáticas. Además, se entrenaron y evaluaron modelos de redes neuronales, árboles de decisión y máquinas de soporte vectorial, aplicando técnicas de preprocesamiento, balanceo de clases y validación cruzada. El modelo de red neuronal mostró el mejor desempeño con un área bajo la curva ROC (AUC) de 70.6%, exactitud del 64.9%, sensibilidad del 64.4% y especificidad del 65.1%, superando a los modelos de árboles de decisión (AUC de 46.7%) y SVM (AUC de 66.1%). En comparación con estudios previos, los resultados son competitivos considerando la heterogeneidad de los datos utilizados y el enfoque práctico del sistema. A diferencia de otras investigaciones que requieren registros generados durante el semestre, este modelo utiliza únicamente información disponible antes del inicio de clases, lo que permite intervenir desde etapas tempranas. La solución se integró al sistema institucional ASES a través de una API, lo que posibilita la consulta de predicciones en tiempo real y la emisión de alertas personalizadas. De este modo, se constituye en un recurso valioso para fortalecer las estrategias de acompañamiento académico y fomentar la retención estudiantil en asignaturas de alta dificultad como las matemáticas.