NUMELA: Un modelo predictivo para prevenir el abandono escolar mediante Inteligencia Artificial y Neuromarketing
DOI:
https://doi.org/10.59721/rinve.v3i1.32Palabras clave:
Inteligencia Artificial, Abandono Escolar, Modelos Predictivos, Machine Learning, Neuromarketing, Retención EstudiantilResumen
La deserción escolar representa un desafío significativo para las instituciones educativas, impactando tanto el rendimiento académico como los ingresos económicos. Este estudio presenta NUMELA, un marco teórico-práctico que integra inteligencia artificial (IA) y neuromarketing para predecir el abandono esolar y formular estrategias de retención. Utilizando el conjunto de datos “Student Dropout and Academic Success” de (4,424 registros, 35 características), se aplicaron fases clave de NUMELA: recolección de datos, análisis exploratorio, desarrollo de un modelo de aprendizaje automático y estrategies de monetización. El modelo, basado en XGBoost, alcanzó una precisión del 87% y un AUC de 0.916, identificando al 76% de los estudiantes en riesgo de abandono. Los resultados sugieren intervenciones espcíficas, como tutorías personalizadas, y oportunidades de ingresos, como la retención de 187 estudiantes adicionales, lo que generarīa $935.000 anuales para una institución promedio. NUMELA demuestra como la IA puede transformar la gestión educativa al predecir comportamientos estudiantiles y optimizar recursos, promoviendo un sistema educativo más inclusivo y eficiente.
Descargas
Citas
Abril, E., Román, R., Cubillas, M. y Moreno, I. (2008). ¿Deserción o autoexclusión? Un análisis de las causas de abandono escolar en estudiantes de educación media superior en Sonora, México. Revista Electrónica de Investigación Educativa. 10(1): 1-18.
Arnold, K. E., & Pistilli, M. D. (2012). Course signals at Purdue. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge, 267–270. https://doi.org/10.1145/2330601.2330666
Chen, T., & Guestrin, C. (2016). XGBoost. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. https://doi.org/10.1145/2939672.2939785
Delen, D. (2010). A comparative analysis of machine learning techniques for student retention management. Decision Support Systems, 49(4), 498–506. https://doi.org/10.1016/j.dss.2010.06.003
Devastator, T. (2023, January 3). Predict students’ dropout and academic success. Kaggle. https://www.kaggle.com/datasets/thedevastator/higher-education-predictors-of-student-retention
Donoso-Díaz, S., Iturrieta, T. N., & Traverso, G. D. (2018). Sistemas de Alerta Temprana para Estudiantes en Riesgo de abandono de la Educación Superior. Ensaio: Avaliação e Políticas Públicas Em Educação, 26(100), 944–967. https://doi.org/10.1590/s0104-40362018002601494
Hernández-Jácquez, L. F., & Montes-Ramos, F. V. (2020). Modelo Predictivo del Riesgo de abandono Escolar en Educación Media Superior en México. CienciaUAT, 75–85. https://doi.org/10.29059/cienciauat.v15i1.1349
Lakkaraju, H., Aguiar, E., Shan, C., Miller, D., Bhanpuri, N., Ghani, R., & Addison, K. L. (2015). A machine learning framework to identify students at risk of adverse academic outcomes. Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1909–1918. https://doi.org/10.1145/2783258.2788620
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Revista de Investigación e Innovación Educativa
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Es una revista de acceso abierto, por lo que el contenido está disponible de forma gratuita a todos los usuarios. Todos los materiales se pueden leer, descargar, copiar, imprimir, compartir o cualquier otro uso lícito; sin necesidad de pedir permiso al autor o la editorial, siempre y cuando sea para uso no comercial, no modifique la obra y el trabajo original sea citado apropiadamente. En caso de que el uso deseado se distinto a los señalados deberá pedirte autorización de los autores.
