Analisitica Académica en La Educación

A N A L I T I C A A C A D É M I C A : N U E V A S H E R R A M I E N T A S A P L I C A D A S A L A E D U C A C I Ó N · 1 3 7 ·
RECIBIDO EL 10 DE OCTUBRE DE 2020 - ACEPTADO EL 11 DE ENERO DE 2021
ANALÍTICA ACADÉMICA: NUEVAS

HERRAMIENTAS APLICADAS A LA
EDUCACIÓN
ACADEMIC ANALYTICS: NEW TOOLS
APPLIED TO EDUCATION
Leonardo Emiro Contreras Bravo1
José Ignacio Rodríguez Molano 2
Héctor Javier Fuentes López3
Universidad Distrital Francisco José de Caldas

(Colombia)
RESUMEN plantea una metodología cuyo propósito es la

revisión referencial de los últimos cinco años
La analítica de datos es un campo nuevo que referente al campo de la analítica en educación y
ha permeado la educación superior mediante especialmente en lo que concierne a la analítica
la incursión de herramientas matemáticas, la académica, con el fin de identificar aspectos
estadística, la minería de datos y el aprendizaje relativos al crecimiento de este enfoque y
automático. Inicialmente se presenta una sus campos de aplicación, enfocados a la
fundamentación teórica relacionada con la educación superior. Los resultados muestran
analítica aplicada a la educación, analítica que los investigadores se han enfocado en
académica y sus enfoques. Posteriormente se los últimos años a trabajar en el desarrollo de
1 Ingeniero, Estudiante de doctorado en ingeniería, modelos que permitan comprender aspectos de
Docente de planta. Facultad de ingeniería. Universidad Dis-
trital Francisco José de Caldas (Colombia). lecontrerasb@
la vida académica del estudiante, docentes e
udistrital.edu.co. ORCID: https://orcid.org/0000-0003-4625- instituciones (rendimiento académico, tasa de
8835
deserción y tasa de graduación en su respectivo
2 2
Ingeniero, Doctor en Ingeniería. Docente de orden) que permitan la elaboración y toma de
planta. Facultad de ingeniería. Universidad Distrital Francis-
co José de Caldas (Colombia). [email protected]. decisiones acertadas.
co ORCID: https://orcid.org/0000-0003-2581-277X
PALABRAS CLAVE: Analítica; analítica
3 3
Economista, Estudiante de doctorado en
Economía. Docente de planta. Facultad de ingeniería. Uni- académica; aprendizaje automático; educación
versidad Distrital Francisco José de Caldas (Colombia). hj-
[email protected] ORCID: https://orcid.org/0000-
en ingeniería
0001-6899-4564
R E V I S T A B O L E T Í N R E D I P E 1 0 ( 3 ) : 1 3 7 - 1 5 8 - M A R Z O 2 0 2 1 - I S S N 2 2 5 6 - 1 5 3 6
SUMMARY performance. However, the processes and

requirements behind the beneficial application
Data analytics is a new field that has permeated of Learning and Knowledge Analytics as well as
higher education through the foray into the consequences for learning and teaching are
mathematical tools, statistics, data mining, still far from being understood. In this paper, we
and machine learning. Initially, a theoretical explore the key dimensions of Learning Analytics
foundation related to applied analytics in (LA quienes plantean las ventajas que la
education, academic analytics and their introducción de las TIC ha causado en el sector
approaches is presented. Subsequently, a educativo, de hecho, su argumento se basa en
methodology is proposed whose purpose is the la importancia de la tecnología para desarrollar
referential review of the last five years regarding procesos que antes no se podían realizar, como
the field of analytics in education and especially es el caso de la introducción de analíticas para
in what concerns academic analytics, in order determinar múltiples factores tales como el
to identify aspects related to the growth of this monitoreo del desempeño de los estudiantes,
approach and its fields application, focused información actualizada y procesada acerca del
on higher education. The results show that progreso del alumno, entre otros.
researchers have been concerned in recent
years to work on the development of models that En el campo de la educación se han estado
allow understanding aspects of the academic generando una cantidad creciente de
life of the student, teachers and institutions información (datos) producto de la iteraciones
(academic performance, dropout rate and de los diferentes actores del proceso (docente,
graduation rate in their respective order) that institucion y estudiantes) por medio del
allow the development and making of correct desarrollo de herramientas informáticas y bases
decisions. de datos (Schroeder, 2009). Datos que son
almacenados y poco son usados con el fin de
KEYWORDS: Analytics; academic analytics; mejorar los factores importantes de la eficiencia
machine learning; engineering education del proceso educativo tales como el rendimiento
académico del estudiante (indicador de éxito
INTRODUCCIÓN
o fracaso del estudiante) (Estrada & Quintero,
El sector de las tecnologías de la información 2015), parámetros de retención (diferencia entre
y comunicación (TIC) se muestra actualmente número de estudiantes que ingresan en primer
como líder en la manipulación de datos semestre y los graduados por año) (Salcedo,
provenientes de diferentes medios como 2010) y la orientación académica (factores
redes sociales, plataformas tecnológicas y que afectan la posibilidad de abandono de
dispositivos electrónicos de comunicación que un programa de educación) (L. Contreras &
requieren emplear la información capturada o Tarazona, 2018).
adquirida para ser transformada y suministrar
La analítica está siendo usada por las
informes estadísticos descriptivos o tal vez
universidades para monitorear el progreso
informes sobre modelos predictivos aplicables a
de los objetivos institucionales. Existen
diversas áreas del saber. Tal como lo plantean
diversos métodos utilizados en la predicción
(Greller & Drachsler, 2012)it is expected that
del rendimiento académico, algunos de estos
Learning Analytics will become a powerful
métodos utilizan datos de plataformas en
means to inform and support learners, teachers
línea de aprendizaje, incorporadas por las
and their institutions in better understanding
universidades (Wang et al., 2018)it is necessary
and predicting personal learning needs and
to study corresponding learning analytic methods El propósito de la revisión referencial consiste en

to assist instructors. However, little research has examinar la literatura de los últimos cinco años
investigated analyzing hidden state in class, referente al campo de la analítica en educación y
which is an important analysis work. Therefore, especialmente en lo que concierne a la analítica
focusing on the interactive learning through académica, con el fin de identificar aspectos
individual Pad devices, we propose a Learning relativos al crecimiento de este enfoque y sus
Analytic Model to analyze hidden state with campos de aplicación, enfocados a la educación
students’ sequential behaviors that automatically superior.
recorded by devices. The model segments
FUNDAMENTACIÓN
the class’ process into multiple phases and
construct a Hidden Markov Model (HMM.Otros Para comprender esta temática se describen
toman los datos históricos en la utilización de a continuación los principales conceptos
algunos métodos de estudio ya que muchas relacionados en esta investigación referencial:
veces estos no se tienen, es por ello que estos analítica y analítica académica.
se deben recolectar, depurar y analizar, en los
cuales toma mucha relevancia el tamaño de la ANALÍTICA EN EDUCACIÓN
muestra (Lasarte et al., 2020).
La analítica de datos es un campo nuevo que
En el presente documento se estudiaran ha surgido en la educación superior a raíz de
aspectos relacionados con la analítica la incursión de una serie de herramientas
académica, es por ello que es importante matemáticas y estadísticas inicialmente, que
diferenciarla de la analítica del aprendizaje, la junto con el desarrollo de las ciencias de la
principal diferencia que presentan estos dos computación y de la inteligencia artificial han
campos, es que la primera de estas (analítica permitido la toma de decisiones basadas en
académica) se centra en el apoyo para los datos con fines operativos en los diversos
procesos relacionados con la institución niveles de la educación (Baepler & Murdoch,
educativa a través del estudio del rendimiento 2010a), aplicándose no solo a los problemas de
académico de los estudiantes, niveles de enseñanza y aprendizaje de los estudiantes sino
deserción estudiantil, entre otras variables; también a problemas de retención, graduación
mientras que la analítica del aprendizaje se y deserción. Incursión que puede mostrarse
centra en la comprensión, estudio y predicción en diferentes etapas según (Murnion & Helfert,
del aprendizaje de los estudiantes apoyados en 2013) quienes manifiestan que la analítica puede
el estudio virtual (Viberg et al., 2018) generar valor a partir del análisis realizado
(Figura 3).
Descriptiva Informes, cuadros, tablas, graficas

estadisticas
(Desempeño del total de las actividades)
Pregunta Clave: ¿Que pasó?
Herramienta: Sofware pra analisis
general, hojas de cálculo
Diagnóstica Tendencias o relaciones causales entre las
variables y los resultados
(Desempeño pasado para analizar la
Pregunta Clave: ¿Porrque sucedió?
información)
Analítica Herramienta: Estadistica, matematicas,

ciencias computacionales
Predictiva Predicciones, segmentaciones,
optimizaciones, simulaciones
(Anticiparse a los comportamientos
Pregunta Clave: ¿Que podria pasar?
basándose en relaciones históricas entre
las variables ) Herramienta: Mineria de datos,
aprendizaje automático
Figura 1. Panorama de analítica de datos. Fuente: Adaptado de (Brownlee, 2020)

Figura 1. Panorama de analítica de datos. Fuente: Adaptado de (Brownlee, 2020)
La analítica de datos educativos se puede Al hablar de analítica hay que tener claridad
sintetizar según (Clow, 2013) y (Siemens, 2013) que este término involucra diversas técnicas,
en los siguientes pasos: herramientas y métodos que por lo general se
traslapan, tales como como son la estadística
• Pregunta de investigación: Consiste en (Baepler & Murdoch, 2010b), inteligencia de
definir el problema y en tener claridad de negocios (Argonza, 2016), minería de datos
que es lo que se pretende resolver, a quien (García-González et al., 2019) y aprendizaje
o quienes beneficiará dicha solución. automático (Burman & Som, 2019). Métodos
que tiene por tarea desafiante el recopilar,
• Recolección de datos: los datos pueden
limpiar, transformar y analizar múltiples datos
proceder de diferentes fuentes (sistema
provenientes de diversas fuentes contribuyendo
académico, de bibliotecas, de gestión de
al futuro, con especial referencia al contexto
aprendizaje) y en múltiples formatos (hojas
de la educación desarrollando modelos
de cálculo, registros en papel, bases de
predictivos para abordar problemas críticos
datos).
en la educación superior (Figura 2). El uso
• Reportar información: plantea el desarrollo de Analítica en educación posee dos grandes
de informes y análisis de la información con enfoques: la Analítica del Aprendizaje que se
el fin de identificar tendencias, patrones y orienta al proceso de enseñanza y aprendizaje
correlaciones éntrelas variables analizadas. y sus diferentes actores (Ferguson, 2012) ; y
la Analítica Académica que se centra en los
• Análisis y Predicción: es una etapa indicadores que permiten optimizar la labor
importante de la analítica que involucra el social de la educación permitiendo comparar
desarrollo de modelos usando herramientas resultados entre instituciones (Daniel, 2015b).
estadísticas, de minería de datos o de Involucra análisis en diferentes niveles de la
aprendizaje automático. institución superior tales como: departamentos,
proyectos curriculares, facultades y hasta
• Acción/ realimentación: conlleva a la
universidades
toma de decisiones por parte de docentes,
estudiantes e instituciones basadas en la
evidencia (datos).
Figura 2. Influencia de herramientas tecnológicas en la analítica de datos educativos. Fuente: Autor
DEFINICIÓN DE ANALÍTICA ACADÉMICA ENFOQUE DE ANALÍTICA ACADÉMICA
Diferentes autores han tratado de definir el El proceso de la analítica académica, se

concepto de analítica académica. (Norris & puede describir en 5 pasos fundamentales:
Lefrere, 2011) manifiestan que la analítica 1) inicialmente se recolecta información, que
académica consiste en diversos procesos de puede ser de fuentes externos o internas de
evaluación y análisis de datos que permiten la institución educativa, por ejemplo el historial
medir, mejorar y comparar el desempeño de académico de los estudiantes, 2) se identifican
individuos, programas o instituciones. Es un los datos buscando tendencias 3) se realizan
análisis enfocado en aspectos académicos, modelos predictivos teniendo en cuenta la
relativos al éxito de los estudiantes según (Norris información recolectada, 4) dada la información
& Lefrere, 2011). obtenida de los modelos, la instituciones actúan
y por último, 5) se perfecciona o mejora el
La analítica académica parte de la recopilación proceso educativo. (García Tinisaray, 2015)
de la información y su análisis por medio de
un enfoque denominado minería de datos que En resumen, (Gómez, 2015) conceptúa que la
posee diversos métodos de aplicación, entre los medición del rendimiento educativo por medio
cuales algunos de ellos se tratan de la búsqueda de la analítica incluye dos aspectos importantes
de patrones sobre el conjunto de datos que se que se complementan. Por un lado, debe
desea analizar (Daniel, 2015a). Por tanto (Iten considerarse el rendimiento operativo (sistemas
et al., 2008) son autores que manifiestan que la administrativos y de apoyo) y por otro el
minería de datos aplica al campo de la educación rendimiento académico (diseño y ejecución de
en el sentido de aplicar una serie de algoritmos estrategias académicas para lograr experiencias
que permiten fortalecer el cumplimiento de los de aprendizaje, los resultados y las competencias
objetivos de las instituciones de educación de la vida real). Pero que así mismo el éxito de
superior, cuya finalidad es lograr los aspectos la analítica académica se ve influenciada por
como la mejora de rendimiento académico, aspectos claves tales como; armar un equipo líder
disminuir la tasa de deserción e incrementar la del proceso comprometido en tomar acciones
tasa de graduación (Iten et al., 2008). sobre la base de los resultados encontrados;
la conformación de un equipo que posea el
La analítica académica tiene por objetivo permitir conocimiento y manejo de las herramientas
a las instituciones educativas, profesores, necesarias para recopilar, transformar los datos
estudiantes y demás entes involucrados en el y crear modelos predictivos; y por ultimo poseer
proceso educativo monitorear y medir el logro la tecnología adecuada para el desarrollo de la
de los objetivos institucionales, a través de la analítica, dentro de lo cual se considera no solo
identificación de variables relacionadas con los se consideran las bases y almacenes de datos,
logros de los estudiantes (créditos cursados, sino también las herramientas que permiten la
promedio académico, porcentaje de asistencia generación de modelos como por ejemplo Weka
a clases, entre muchas otras), que permita o Python.
estudiar y predecir el comportamiento de los
estudiantes con respecto a otras variables de Debido al auge de los datos y la analítica, las
resultado, tales como: nivel de deserción y instituciones de educación superior han iniciado
riesgo. (García Tinisaray, 2015), (Lauría et al., investigaciones en este campo. Así pues, la
2013). analítica del aprendizaje surge dentro de este
panorama como la medición, recolección,
análisis y divulgación de datos sobre los y reorganizar eficientemente sus recursos,

alumnos y sus contextos, con el propósito y con el fin de mejorar aspectos tales como: el
comprender y optimizar el aprendizaje y los rendimiento académico, disminuir la tasa de
ambientes en que se produce (Avella et al., deserción e incrementar la tasa de graduación.
2016). Así mismo la analítica académica, (Mahroeian et al., 2017) establecieron a través
fortalece el cumplimiento de los indicadores de su trabajo cuales son los posibles beneficios
de las instituciones permitiéndoles trabajar del uso de la analítica en educación superior
(Figura 3).
Figura 3. Beneficios institucionales del uso de la analítica Fuente; Adaptado de

(Mahroeian et al., 2017)
Por tanto, la analítica académica y la analítica práctica educativa, pero fundamentalmente

del aprendizaje son campos emergentes, en porque existen diferentes percepciones de los
el caso de la educación colombiana que ha actores involucrados en cuanto a que constituye
traído consigo la necesidad de implementar la analítica y cuál es el papel que puede
estrategias que modifiquen la cultura de utilizar desempeñar al abordar los desafíos educativos
los datos generados por el estudiante en los (Mahroeian et al., 2017).
procesos de formación y aprendizaje con el
METODOLOGÍA
fin de que sean analizados para determinar
su influencia de diversas variables en la La metodología para realizar la revisión
determinación de fenómenos como la deserción bibliográfica se sintetiza en: (a) recopilación
académica, el rendimiento académico, y/o la de información, (b) evaluar la idoneidad de la
tasa de graduación. Este ha sido un proceso información, (c) analizar e interpretar datos
lento en la educación superior debido a la relevantes y (d) resultados.
tardía adopción de la analítica para mejorar la
RECOPILACIÓN DE LA INFORMACIÓN Analizar e interpretar datos relevantes

La búsqueda se llevó a cabo en bases de datos Los 59 artículos analizados, se centraron en
tales como: Scopus, Springer Links, IEEE aspectos relacionados con analítica académica:
Explorer, Proquest durante el periodo 2015- rendimiento académico (RA), deserción
2020 (octubre). Las palabras clave utilizadas académica (DA) y Graduación (GA). Los
fueron combinaciones de términos tales como: investigadores agotaron la bibliografía utilizando
learning, learning analytics, learning analytics el procedimiento, las palabras clave y las bases
research, educational factors, academic de datos descritos anteriormente. Por lo tanto,
analytics, academic analytics research, esta literatura puede no incluir fuentes no
E-Learning, M-learning, G-learning. academic disponibles a través de los criterios y bases de
performance prediction. datos no especificadas en este documento.
Uno de los principales obstáculos que se RESULTADOS

presentaron en la recopilación de la información
Con base en la revisión de la literatura, en
fue encontrar información referente a casos de
esta sección se proporcionan los resultados
estudio de aplicación de métodos relacionados
obtenidos para responder a las preguntas de
con la analítica académica en educación
investigación.
superior (80 artículos). Solo se tuvo en cuenta 50
artículos ya que muchos de estos son artículos
de revisión de literatura o son aplicados a la MÉTODOS Y HERRAMIENTAS DE LA
educación escolar. ANALÍTICA EN EDUCACIÓN
Es posible aplicar analítica a un conjunto de
EVALUAR LA IDONEIDAD DE LA
datos mediante el análisis estadístico, la minería
INFORMACIÓN
de datos y el aprendizaje automático. A partir
Pretende determinar las publicaciones que de la investigación referencial se ha podido
busquen establecer una predicción dentro establecer los métodos usados en los trabajos
del tema de búsqueda a través de diversos sobre este tema. Hecho que puede servir
métodos, posteriormente a esto se clasificarán como insumo para docentes, estudiantes o
las publicaciones de diversas maneras y investigadores que quieran profundizar en este
aspectos relevantes soportados en gráficas. Las campo, tal vez evitando la abrumadora tarea de
siguientes preguntas guiaron esta revisión: una búsqueda bibliográfica para familiarizarse
con los diferentes métodos de análisis (Tabla 2).
1. ¿Cuáles son los métodos para realizar
analítica en educación?
2. ¿Cuáles son los campos de acción de la

analítica académica en la educación superior?
3. ¿Cómo se ha realizado la socialización de

los trabajos realizados en torno a la analítica
académica?
4. ¿Se continúa trabajando esta temática en

los últimos años
Tabla 2 Métodos usados de acuerdo a cada enfoque de la Analítica Académica
Algoritmos y/o métodos Software

Autor Muestra Mejor resultado
utilizados utilizado
(Echegaray-calderon & Algoritmos
Algoritmos genéticos y
1271 genéticos y No especifica
redes neuronales
Barrios-aranibar, 2015) redes neuronales
JRip, OneR, , J48 y
(Pradeep et al., 2015) 670 Algoritmo PRISM Weka
ADtree.
Regresión logística,
Regresión
(Hernández et al., 2016) árboles de decisión y red 134 No especifica
logística
neuronal
Regresión
(Dixson et al., 2016) Regresión Jerárquica 609 Mplus 7.3
jerárquica
Random Forest,
Redes
(Ahamed et al., 2016) Naïve Bayes y Redes 423 No especifica
Neuronales
Neuronales
Arboles de
(Hasbun et al., 2016) Arboles de decisión 4840 R free
decisión
(Devasia et al., 2016) Naïve Bayes 700 Naïve Bayes No especifica
(Merchán-rubiano et al., Árbol de decisión J48,
7644 Árbol J48 WEKA
2017) Random Forest
(Razaque et al., 2017) Naïve Bayes 660 Naïve Bayes No especifica
Regresión lineal y
(Stanko et al., 2017) 125 ninguno No especifica
logística
(QIN et al., 2017) Random forest 250 Random forest No especifica
Árbol de decisión, SVM,
(Costa et al., 2017) Redes neuronales, Naive 423 SVM WEKA
Bayes
Correlación
Correlación estadística
estadística
(M. K. Khalil et al., 2018) 180 SPSS
Regresión
Regresión logística
(Wheeler et al., 2018) 323 logística No especifica
multivariada
multivariada
(Liu et al., 2018) Series de tiempo 325 Series de tiempo No especifica
Algoritmo de bosque Algoritmo De
(Limsathitwong et al., 2018) 2880 RapidMiner
aleatorio bosque aleatorio
(Lima et al., 2018) k-Means y C5.0 1844 k-Means y C5.0 Excel - R free
(Hirokawa, S. 2018) SVM 480 SVM WEKA
Árbol de decisión C4.5,
(Wati et al., 2018) 279 Naive Bayes RAPIDMINER
Naive Bayes
SVM, Naive Bayes,

(Miguéis et al., 2018) Bosque aleatorio, 2459 Bosque aleatorio RAPIDMINER
Bagging, Bosting
Redes Neuronales SVM,
(Burgos et al., 2018) 104 LOGIT_ACT -
LOGIT_ACT
Árbol de decisión,
(Kaunang & Rotikan, 2018) 300 Árbol de decisión WEKA
Bosque aleatorio
Árbol de
(David & Anastasija, 2019) Árbol de clasificación 582 R free
clasificación
Naïve Bayes, árbol de
K-Vecinos más
(S. M. Ajibade et al., 2019) decisión, KNN y Análisis 500 Kalboard 360
cercano (KNN)
discriminante
Modelado de ecuaciones
(Nabizadeh et al., 2019) 380 (SEM) AMOS
estructurales (SEM)
(Martín, 2019) Regresión lineal múltiple 508 Regresión lineal No especifica
Correlación
(Kauffman et al., 2019) Correlación estadística 77 No especifica
estadística
(Kwankajonwong et al., Correlación IBM SPSS
Correlación estadística 137
2019) estadística Statistics
Naïve Bayes, árbol de
Análisis KNN y
(Herodotou et al., 2019) clasificación (CART) y 1384 No Especifica
CART
KNN
Algoritmo Ensamble Algoritmo
(Francis & Babu, 2019) - No Especifica
Ensamble
Algoritmo de
Algoritmo de clasificación
(Vora & Rajamani, 2019) 456 clasificación Java
hibrido
hibrido
Naïve Bayes, árbol J48, Árbol de decisión
(Salal et al., 2019 ) 21 WEKA
Bosque aleatorio J48
(Amazona & Hernandez, Naive Bayes, árbol de Redes Deep
300 RAPIDMINER
2019) decisión, Deep Learning Learning
Árbol de decisión ID3,
(Qowidho et al., 2019) 230 C4,5 RAPIDMINER
C4.5
(S. S. M. Ajibade et al.,
Arbol de decision, KNN,
2019)Educational Data 500 Árbol de decisión -
SVM, Bagging, Bosting
Mining (EDM
KNN, Naive Bayes, árbol
(Mohammadi et al., 2019) 230 KNN WEKA
de decisión
KNN, árbol decisión,
(Wiyono& Tegal,2019) 382 SVM WEKA
SVM
Bosque aleatorio, árbol

(Adekitan & Noma-Osaghae, de decisión, Naive Regresión KNIME,
1445
Bayes, Regresión Logística ORANGE
2019)
Logística
(Nieto et al., 2019) regresión logística, 6100 Bosque aleatorio PYTHON
bosque aleatorio
(Francis & Babu, 2019) Naive Bayes, Redes - Árbol de decisión -
neuronales, SVM
Redes neuronales,
(Hussain, Zhu, Zhang, regresión logística, MATLAB,
100 SVM
Naïve Bayes, SVM, SPSS
Abidi, & Ali, 2019
árbol de decisión
(Lasarte et al., 2020) Boostrap 1468 Boostrap AMOS 24
Regresión lineal
(Tan et al., 2020) Regresión lineal 143 No especifica
0,57
(Tenpipat & Akkarajitsakul, árbol de decisión,
bosque aleatorio y 13714 árbol de decisión No especifica
2020) aumento de gradiente.
Redes neuronales
Redes
(Medina et al., 2020) 500 SPSS
Bayesianas Y Árboles de
Bayesianas
Decisión
WEKA, R,
(Mavani, et al., 2020) Naive Bayes 200 Naïve Bayes
PYTHON
árbol de decisión, SVM, Redes
(Mengash, 2020a) 2039 WEKA
Naive Bayes neuronales
KNN, SVM, Redes
(Tomasevic et al., 2020) neuronales, Árbol de Redes
32593 MATLAB
decisión, Naive Bayes, neuronales
regresión logistica
(Bhutto et al., 2020)
Regresión logística y
480 SVM 78% WEKA
SVM
Arbol de decison,KNN,
(L. Contreras et al., 2020) 1620 Percepetrón PYTHON
SVM,perceptrón
(Viloria et al., 2020) ADTree, J48
AD tree
RandomTree, REPTree 1200 WEKA
98.6%
SimpleCart
redes neuronales
(Urteaga et al., 2020) KNN, redes neuronales - R
97%
(Castrillón et al., 2020) J48 460 91,67% WEKA
Redes neUronales,SVM, Redes
(Mengash, 2020b) arbol de decisión, Naive 2.039 neuronales WEKA
Bayes 79.22%
K vecino más cercano, Árbol de
(L. E. Contreras et al., 2020) SVC, perceptrón y árbol 2114 decisión PYTHON
de decisión 85,80%
arbol de
(Hasan et al., 2020)
decision, bosque
aleatorio,Boosting, 4413 AdaBoost PYTHON
AdaBoost, Gradient
(Hasan et al., 2020 Boosting (XGBoost)
Bosque aleatorio, árbol
de decisión, Naive Bosque
(Hassan et al., 2020) 772 PYTHON
Bayes, Regresión aleatorio
Logística, KNN,SVM
(Zacharias & Athanasios, Red
Red neuronal 76 WEKA
neuronal
2020)
CAMPOS DE APLICACIÓN DE LA son usados para determinar la eficiencia del

ANALÍTICA EN EDUCACIÓN SUPERIOR proceso educativos, la analítica académica
muestra mayor tendencia a la explicación del
Los artículos fueron organizados en tres rendimiento académico.
grandes categorías: analítica académica
(Tabla 3). Dentro de cada uno de los campos
se realizó una división atendiendo el área de
investigación donde se usa la analítica, a saber:
A continuación, se presenta una tabla clasificada
por autores y años de publicación, en la cual
se muestran resultados de investigación con
respecto a analítica académica para el periodo
2015 -2020 en los cuales su objetivo principal fue,
predecir y/o estudiar indicadores institucionales
como: rendimiento académico(RA), deserción
académica (DA) y la graduación de los
estudiantes (GR). A partir de los resultados,
se puede apreciar que la analítica ha entrado
fuertemente al campo educativo en los últimos
años para intentar explicar diversos indicadores
de tipo académico en la educación superior. Así
mismo de los tres indicadores que generalmente
Tabla 3 Clasificación de trabajos según enfoque y campos de aplicación para la Analítica Académica
(M. K. Khalil et al., 2018); (Wheeler et al., 2018);(David & Anastasija, 2019); (Vora
Graduación
& Rajamani, 2019); (Kauffman et al., 2019)
(Hernández et al., 2016); (Hasbun et al., 2016); (Devasia et al., 2016); (Merchán-
rubiano et al., 2017); (Liu et al., 2018); (Limsathitwong et al., 2018); (Lima et al.,
Deserción
2018); (Lasarte et al., 2020); (Tenpipat & Akkarajitsakul, 2020); (Medina et al.,
2020), (L. Contreras et al., 2020)
(Echegaray-calderon & Barrios-aranibar, 2015); (Pradeep et al., 2015); (Dixson
et al., 2016); (Ahamed et al., 2016); (Razaque et al., 2017); (Stanko et al., 2017);
(QIN et al., 2017); (Costa et al., 2017); (Hirokawa, S. 2018); (Wati et al., 2018);
(Miguéis et al., 2018); (Burgos et al., 2018); (Kaunang & Rotikan, 2018); (S. M.
Rendimiento Ajibade et al., 2019); (Nabizadeh et al., 2019); (Martín, 2019); (Kwankajonwong
académico et al., 2019); (Herodotou et al., 2019); (Francis & Babu, 2019); (Vora & Ra-
jamani, 2019); (Salal et al., 2019 ); (Amazona & Hernandez, 2019); (Qowidho
et al., 2019); (S. S. M. Ajibade et al., 2019); (Mohammadi et al., 2019); (Wiyono,
Abidin, Bersama, Lor, & Tegal, 2019); (Adekitan & Noma-Osaghae, 2019); (Ni-
eto et al., 2019); (Francis & Babu, 2019); (Hussain, Zhu, Zhang, Abidi, & Ali,
2019); (Tan et al., 2020); (Mavani, et al., 2020); (Mengash, 2020a); (Tomasevic
et al., 2020); (Bhutto et al., 2020); (Viloria et al., 2020); (Urteaga et al., 2020);
(Castrillón et al., 2020); (Mengash, 2020b); (L. E. Contreras et al., 2020); (Hasan
et al., 2020); (Hassan et al., 2020); (Zacharias & Athanasios, 2020)
SOCIALIZACIÓN DE LA ANALÍTICA EN
10
EDUCACIÓN SUPERIOR Revista Congreso
Con el fin de identificar si los trabajos 8
relacionados con analítica académica han sido
6
publicados por medio de revistas revisadas por
pares o por medio de conferencias, se muestra 4
en la Figura 4 un comparativo de trabajo
2
publicados durante el periodo de investigación
en revistas de alto impacto y conferencias para 0
cada uno de los campos de la analítica aplicada 2015 2016 2017 2018 2019 2020
en educación. Se aprecia una fuerte tendencia Año

de los investigadores a presentar los resultados
Figura 4. Medios de socialización del
de investigaciones en revistas indexadas 20 de alto
conocimiento discriminados por tipo de evento
impacto y no tanto en congresos o simposios
para AA
investigaciones
15
internacionales. Esto en nuestro criterio es debido
Cantidad de
a que la analítica es un campo en desarrollo

10 e
inclusión para la solución de problemas de tipo CANTIDAD DE DOCUMENTOS QUE
académico en las instituciones (Lasarte 5 et al., SOPORTAN LA SOCIALIZACIÓN DEL
2020). 0 CONOCIMIENTO
2015 2016 2017
En esta 2018
sección 2019
se presentan 2020
los resultados
Año
10
Revista Congreso
8
obtenidos a partir de la revisión realizada 6 analítica en diversos campos mostrados (Figura

sobre los documentos consultados para el 5). Tanto así, que en los dos últimos años se
4
caso de Analítica académica. Los primeros nota un marcado crecimiento de investigaciones
años de la consulta (2015 - 2017) el número 2 hacia la determinación del rendimiento
10
de publicaciones para Analítica académica Revista académico en educación superior, así como
Congreso
0
son pocos. Pero se muestra 8 interés por la 2015para la determinación
2016 2017 2018 de las tasas
2019 2020 de deserción
comunidad investigativa en aplicar el uso de la académica y Año
graduación.
6
4
20
2
investigaciones
15
Cantidad de
0
10 2015 2016 2017 2018 2019 2020
Año
5
0
20
2015 2016 2017 2018 2019 2020
Año
investigaciones
15
Cantidad de
10
Figura 5. Número de documentos según la investigación referencial para la analítica académica en
5 educación superior
0
Realizando un análisis
2015
sobre
2016
cuáles
2017
son2018
los 2019
en investigaciones
2020
aplicadas a la educación
métodos o algoritmos que se han estado utilizando
20 Año
cuando de predicción de fenómenos se trata. El
para estudiar y/o predecir algunos aspectos enfoque hacia el campo de la minería de datos
Arboles de decisión
dentro del campo de la analítica académica, se y el aprendizaje
Redes automático
Neuronales se evidencia con
elaboró la Figura 6 donde se aprecia que las SVM
el uso de algoritmos como redes neuronales,
Cantidad de Métodos
13 Algoritmo De bosque aleatorio

técnicas estadísticas están dejando de usarse arboles de decisión
KNN y máquinas de vectores de
10 Correlación
soporte (SVM). estadística
10 Regresion logistica
Naive Bayesian
7 Regresión lineal
20
5 Algoritmo hibrido
Arboles
4 de4 decisión
3
Redes Neuronales
SVM 2 2 2
Cantidad de Métodos
13 1 1 1 1 1 1 1
Algoritmo De bosque aleatorio
0 KNN
10 Correlación estadística
cantidad
10 Regresion
Método usadologistica
según investigación referencial
Naive Bayesian
7 Regresión lineal
5 Algoritmo hibrido
4 4
3
2 2 2
1 1 1 1 1 1 1
0
cantidad
Método usado según investigación referencial
Figura 6. Algoritmos o métodos usados en trabajos relacionados con analítica Académica a partir de la
revisión bibliográfica
PRODUCTIVIDAD DE LOS PAÍSES el que mayor frecuencia se comparte autoría. De

Realizando un análisis sobre los países que los documentos obtenidos, un alto porcentaje
están trabajando cada una de las temáticas aprox. (65%) son de documentos desarrollados
relacionadas con analítica académica, y han en Asia y Europa para el caso de analítica
producido documentos relacionados, en la académica, seguidos de América del sur.
Figura 7 se muestra que la India es el país con
Figura 7. Países que han realizado más publicaciones de analítica académica según la revisión
bibliográfica.
CONCLUSIONES aprendizaje automático a la academia.
De acuerdo al trabajo presentado y a los 3.- El rendimiento académico, la tasa de

resultados obtenidos, se pueden plantear las deserción y la tasa de graduación en su respectivo
siguientes conclusiones principales: orden constituyen factores imprescindibles en el
abordaje del tema de la calidad de la educación
1.- Los investigadores se han preocupado en superior, siendo el primero el más influyente
los últimos años a trabajar en el desarrollo de según las investigaciones analizadas.
modelos que permitan comprender aspectos de
la vida académica del estudiante, docentes e 4.- El uso de herramientas tecnológicas
instituciones que permitan la elaboración y toma avanzadas dentro de las ciencias de la
de decisiones acertadas. computación como lo es el aprendizaje
automático y sus algoritmos están apoyando
2.- La analítica es un campo en crecimiento y fortaleciendo la toma de decisiones desde
usado dentro del ámbito educativo que tiene el punto de vista operacional, académico y
por objetivo, estudiar cómo influyen los factores financiero.
tecnológicos y de gestión en las instituciones,
por ejemplo, aspectos relacionados con la 5.- De acuerdo con los encontrado en el análisis
organización y su área financiera. (Oblinger et de la investigación referencial, es posible utilizar
al., 2007). Busca la aplicación de los principios los algoritmos de aprendizaje automático en un
y herramientas de la minería de datos y enfoque para estimar la cantidad de estudiantes
graduados por cohorte y los mejores campos de Amazona, M. V., & Hernandez, A. A. (2019).
acción de un grupo de estudiantes al terminar la Modelling Student Performance Using Data
carrera universitaria, así como a los indicadores Mining Techniques. Proceedings of the 2019
anteriormente mencionados. Pero tal como lo 5th International Conference on Computing
menciona (Daniel, 2015a), la tecnología para and Data Engineering - ICCDE’ 19, 36–40.
entregar este potencial es aún muy joven y la https://doi.org/10.1145/3330530.3330544
investigación en la comprensión de la utilidad
Argonza, J. (2016). Big data en la educación.
pedagógica está todavía en su infancia.
Revista Digital Universitaria, 17(1), 1–16.
REFERENCIAS BIBLIOGRÁFICAS http://www.revista.unam.mx/vol.17/num1/
art06/
Adekitan, A. I., & Noma-Osaghae, E. (2019).
Data mining approach to predicting Avella, J. T., Kebritchi, M., Nunn, S. G., &
the performance of first year student Kanai, T. (2016). Learning analytics
in a university using the admission methods, benefits, and challenges in
requirements. Education and Information higher education: A systematic literature
Technologies, 24(2), 1527–1543. https:// review. Journal of Asynchronous Learning
doi.org/10.1007/s10639-018-9839-7 Network, 20(2). https://doi.org/10.24059/
olj.v20i2.790
Ahamed, A. T. M. S., Mahmood, N. T., & Rahman,
R. M. (2016). Prediction of HSC Examination Baepler, P., & Murdoch, C. (2010a). Academic
Performance using Socioeconomic , Analytics and Data Mining in Higher
Psychological and Academic Factors. Education. International Journal for the
International Conference on Electrical and Scholarship of Teaching and Learning, 4(2).
Computer Engineering, 263–266. https://doi.org/10.20429/ijsotl.2010.040217
Ajibade, S. M., Ahmad, N. B., & Shamsuddin, Baepler, P., & Murdoch, C. J. (2010b).
S. M. (2019). An Heuristic Feature International Journal for the Scholarship of
Selection Algorithm to Evaluate Academic Teaching and Learning Academic Analytics
Performance of Students. 10th Control and and Data Mining in Higher Education
System Graduate Research Colloquium Academic Analytics and Data Mining in
(ICSGRC, 2–3. Higher Education. International Journal
for the Scholarship of Teaching and
Ajibade, S. S. M., Bahiah Binti Ahmad, N., Learning, 4(2). https://doi.org/10.20429/
& Mariyam Shamsuddin, S. (2019). ijsotl.2010.040217
Educational Data Mining: Enhancement
of Student Performance model using Bhutto, S., Siddiqui, I. F., Arain, Q. A., & Anwar,
Ensemble Methods. IOP Conference M. (2020). Predicting Students’ Academic
Series: Materials Science and Engineering, Performance Through Supervised Machine
551(1). https://doi.org/10.1088/1757- Learning. ICISCT 2020 - 2nd International
899X/551/1/012061 Conference on Information Science and
Communication Technology. https://doi.
org/10.1109/ICISCT49550.2020.9080033
Brownlee, J. (2020). Machine Learning Mastery.

https://machinelearningmastery.com/
Burgos, C., Campanario, M. L., Peña, D. de 246. https://doi.org/10.4067/S0718-

la, Lara, J. A., Lizcano, D., & Martínez, 50062020000500233
M. A. (2018). Data mining for modeling
Contreras, L., & Tarazona, G. (2018). Big Data:
students’ performance: A tutoring action
An Exploration Toward the Improve of
plan to prevent academic dropout.
the Academic Performance in Higher
Computers and Electrical Engineering,
Education. Lecture Notes in Computer
66, 541–556. https://doi.org/10.1016/j.
Science, 10943, 627–637. https://doi.
compeleceng.2017.03.005
org/10.1007/978-3-319-93803-5
Burman, I., & Som, S. (2019). Predicting Students
Costa, E. B., Fonseca, B., Santana, M. A., de
Academic Performance Using Support
Araújo, F. F., & Rego, J. (2017). Evaluating
Vector Machine. Proceedings - 2019
the effectiveness of educational data
Amity International Conference on Artificial
mining techniques for early prediction of
Intelligence, AICAI 2019, 756–759. https://
students’ academic failure in introductory
doi.org/10.1109/AICAI.2019.8701260
programming courses. Computers in
Campbell, J. P., & Oblinger, D. (2007). Human Behavior, 73, 247–256. https://doi.
Learning analytics | Higher Education org/10.1016/j.chb.2017.01.047
Academy. https://www.heacademy.ac.uk/
Daniel, B. (2015a). Big Data and analytics
enhancement/starter-tools/learning-
in higher education: Opportunities and
analytics#snapshot-logo
challenges. British Journal of Educational
Castrillón, O. D., Sarache, W., & Ruiz-Herrera, Technology, 46–5(0007–1013), 904–920.
S. (2020). Prediction of academic https://www.learntechlib.org/p/151804/
performance using artificial intelligence
Daniel, B. (2015b). Big Data and analytics
techniques. Formacion Universitaria,
in higher education: Opportunities and
13(1), 93–102. https://doi.org/10.4067/
challenges. British Journal of Educational
S0718-50062020000100093
Technology, 46(5), 904–920. https://doi.
Clow, D. (2013). An overview of learning org/10.1111/bjet.12230
analytics. Teaching in Higher Education,
Daumiller, M., & Janke, S. (2019). The Impact of
18(6), 683–695. https://doi.org/10.1080/13
Performance Goals on Cheating Depends
562517.2013.827653
on How Performance Is Evaluated.
Contreras, L. E., Fuentes, H. J., & Rodríguez, AERA Open, 5(4), 1–10. https://doi.
I. (2020). ACADEMIC INTERRUPTION org/10.1177/2332858419894276
MODEL USING AUTOMATIC LEARNING
David, J., & Anastasija, G. (2019). Predicting
ALGORITHMS. International Journal of
Academic Performance Based on
Mechanical and Production Engineering
Students ’ Family Environment : Evidence
Research and Development (IJMPERD),
for Colombia Using Classification Trees.
10(3), 16075–16086. www.tjprc.org
Psychology, Society, & Education, 11(3),
Contreras, L., Fuentes, H., & Rodriguez, J. 299–311. https://doi.org/10.25115/psye.
(2020). Academic performance prediction v10i1.2056
by machine learning as a success/
Devasia, M. T., P, M. V. T., & Hegde, V. (2016).
failure indicator for engineering students.
Prediction of Students Performance using
Formacion Universitaria, 13(5), 233–
Educational Data Mining. International Francis, B. K., & Babu, S. S. (2019). Predicting
Conference on Data Mining and Advanced Academic Performance of Students Using
Computing (SAPIENCE), 91–95. a Hybrid Data Mining Approach. Journal
of Medical Systems, 43(6). https://doi.
Dixson, D. D., Worrell, F. C., Olszewski- org/10.1007/s10916-019-1295-4
Kubilius, P., & Subotnik, R. F. (2016).
Beyond perceived ability: the contribution García-González, J. R., Sánchez-Sánchez,
of psychosocial factors to academic P. A., Orozco, M., & Obredor, S. (2019).
performance. Annals of the New York Extracción de Conocimiento para la
Academy of Sciences, 1377(1), 67–77. Predicción y Análisis de los Resultados
https://doi.org/10.1111/nyas.13210 de la Prueba de Calidad de la Educación
Superior en Colombia Knowledge Capture
Dyckhoff, A. L., Zielke, D., Bültmann, M., for the Prediction and Analysis of Results
Chatti, M. A., & Schroeder, U. (2012). of the Quality Test of Higher Education in
Design and implementation of a learning Colombia. Revista Formación Universitaria,
analytics toolkit for teachers. Educational 12(4), 55–62. https://doi.org/10.4067/
Technology and Society, 15(3), 58–76. S0718-50062019000400055
Echegaray-calderon, O. A., & Barrios-aranibar, García Tinisaray, D. K. (2015). CONSTRUCCIÓN

D. (2015). Optimal selection of factors using DE UN MODELO PARA DETERMINAR
Genetic Algorithms and Neural Networks EL RENDIMIENTO ACADÉMICO DE
for the prediction of students ’ academic LOS ESTUDIANTES BASADO EN
performance. Congreso Latinoamericano LEARNING ANALYTICS (ANÁLISIS DEL
de Inteligencia Computacional, 1–6. APRENDIZAJE), MEDIANTE EL USO
DE TÉCNICAS MULTIVARIANTES.
Estrada, J., & Quintero, R. (2015). Bajo
Universidad de Sevilla.
rendimiento académico en la Universidad
Distrital Francisco José de Caldas Goldstein, P. J., & Katz, R. N. (2005). Academic
(Universidad Distrital (ed.); Primera). Analytics : The Uses Of Management
Editorial UD. Information And Technology In Higher
Education. EDUCAUSE Quarterly,
Ferguson, R. (2012). Learning analytics: drivers,
8(December), 113. https://library.educause.
developments and challenges. International
edu/resources/2005/12/academic-
Journal of Technology Enhanced Learning
analytics-the-uses-of-management-
Int. J. Technology Enhanced Learning
information-and-technology-in-higher-
Int. J. Technology Enhanced Learning,
education
4(x), 304–317. https://doi.org/10.1504/
IJTEL.2012.051816 Gómez, D. (2015). Analítica visual en eLearning
[Universdiad de Salamanca]. https://
Fournier, H. ;, Kop, R. ;, & Sitlia, H. (2011). The
gredos.usal.es/handle/10366/125950
Value of Learning Analytics to Networked
Learning on a Personal Learning Greller, W., & Drachsler, H. (2012). Translating
Environment. LAK ’11 Proceedings of the learning into numbers: A generic framework
1st International Conference on Learning for learning analytics. Educational
Analytics and Knowledge, 104–109. https:// Technology and Society, 15(3), 42–57.
doi.org/10.1145/2090116.2090131
Hasan, R., Palaniappan, S., Mahmood, S., Iten, L., Arnold, K., & Pistilli, M. (2008). Mining
Abbas, A., Sarker, K. U., & Sattar, M. U. Real-Time Data to Improve Student
(2020). Predicting student performance Success in a Gateway Course. Eleventh
in higher educational institutions using Annual TLT Conference.
video learning analytics and data mining
Janani, P., Verma, S., Natarajan, S., & Sinha,
techniques. Applied Sciences , 10(11).
A. K. (2019). Communication Using
https://doi.org/10.3390/app10113894
IoT. In Information and Communication
Hasbun, T., Araya, A., & Villalon, J. (2016). Technology for Sustainable Development,
Extracurricular activities as dropout Advances in Intelligent Systems and
prediction factors in higher education Computing. Springer Singapore. https://
using decision trees. 16th International doi.org/10.1007/978-981-13-7166-0
Conference on Advanced Learning
Kauffman, C., Derazin, M., Asmar, A., &
Technologies Extracurricular, 3–5. https://
Kibble, J. (2019). Patterns of medical
doi.org/10.1109/ICALT.2016.66
student engagement in a second-year
Hassan, H., Ahmad, N. B., & Anuar, S. (2020). pathophysiology course: relationship to
Improved students’ performance prediction USMLE Step 1 performance. Advances in
for multi-class imbalanced problems Physiology Education, 43(01), 512–518.
using hybrid and ensemble approach in https://doi.org/10.1152/advan.00082.2019
educational data mining. Journal of Physics,
Kaunang, F. J., & Rotikan, R. (2018). Students’
1529(5). https://doi.org/10.1088/1742-
academic performance prediction using
6596/1529/5/052041
data mining. Proceedings of the 3rd
Hernández, A. G., Meléndez, R. A., Morales, L. International Conference on Informatics
A., García, A., Tecpanecatl, J. L., & Algredo, and Computing, ICIC 2018, 1–5. https://
I. (2016). Comparative Study of Algorithms doi.org/10.1109/IAC.2018.8780547
to Predict the Desertion in the Students
Khalil, M. K., Hawkins, H. G., Crespo, L. M.,
at the ITSM-Mexico. LATIN AMERICA
& Buggy, J. (2018). The Design and
TRANSACTIONS, 14(11), 4573–4578.
Development of Prediction Models
Herodotou, C., Rienties, B., Boroowa, A., for Maximizing Students ’ Academic
& Zdrahal, Z. (2019). A large ‑ scale Achievement. Medical Science Educator,
implementation of predictive learning 111–117.
analytics in higher education : the teachers
Khalil, M., Khalil, M., & Ebner, M. (2015).
’ role and perspective. In Educational
Learning Analytics: Principles and
Technology Research and Development
Constraints. EdMedia: World Conference
(Vol. 67, Issue 5). Springer US. https://doi.
on Educational Media and Technology,
org/10.1007/s11423-019-09685-0
2015(1), 1789–1799. https://www.
Hirokawa, S. (2018). Key attribute for predicting learntechlib.org/p/151455/
student academic performance. ACM
Kwankajonwong, N., Ongprakobkul, C., Qureshi,
International Conference Proceeding
S. P., Watanatada, P., Thanprasertsuk, S.,
Series, 308–313. https://doi.
& Bongsebandhu-phubhakdi, S. (2019).
org/10.1145/3290511.3290576
Attitude, but Not Self-Evaluated Knowledge,
Correlates with Academic Performance
in Physiology in Thai Medical Students. Journal of Educational Technology in

Advances in Physiology Education, 43(3), Higher Education, 14(1), 1–17. https://doi.
p324-331. org/10.1186/s41239-017-0073-y
Lasarte, O. F., Díaz, E. R., Palacios, E. G., Martín, A. N. (2019). Variables motivacionales y
& Fernández, A. R. (2020). The role cognitivas predictivas del rendimiento en
of social support in school adjustment estudiantes universitarios de ciencias de la
during Secondary Education. 32(1), salud Cognitive and motivational predictive
100–107. https://doi.org/10.7334/ variables associated with performance in
psicothema2019.125 University Students of Health Sciences.
33(1), 1–30.
Lauría, E., Moody, E., Jayaprakash, S.,
Jonnalagadda, N., & Baron, J. (2013). Medina, E. C., Chunga, C. B., Armas-aguirre,
Open academic analytics initiative: initial J., Grandón, E. E., & Bío-bío, U. (2020).
research findings. Proceedings of the Third Modelo predictivo para reducir el índice de
International Conference on Learning deserción de estudiantes universitarios en
Analytics and Knowledge, 150–154. el Perú : Redes Bayesianas vs . Árboles
de Decisión Predictive model to reduce the
Lima, J., Alves, P., Pereira, M., & Almeida, S. dropout rate of Decision Trees. 15th Iberian
(2018). Using Academic Analytics to Predict Conference on Information Systems and
Dropout Risk in Engineering Courses. Technologies (CISTI), June, 24–27.
European Conference on E-Learning.
Mengash, H. A. (2020a). Using data mining
Limsathitwong, K., Tiwatthanont, K., & techniques to predict student performance
Yatsungnoen, T. (2018). Dropout Prediction to support decision making in university
System to Reduce Discontinue Study admission systems. IEEE Access, 8,
Rate of Information Technology Students. 55462–55470. https://doi.org/10.1109/
International Conference on Business and ACCESS.2020.2981905
Industrial Research (ICBIR), 110–114.
Mengash, H. A. (2020b). Using data mining
Liu, H., Wang, Z., Benachour, P., & Tubman, P. techniques to predict student performance
(2018). A Time Series Classification Method to support decision making in university
for Behaviour-Based Dropout Prediction. admission systems. IEEE Access, 8,
18th International Conference on Advanced 55462–55470. https://doi.org/10.1109/
Learning Technologies A, 191–195. https:// ACCESS.2020.2981905
doi.org/10.1109/ICALT.2018.00052
Merchán-rubiano, S., Beltrán-gómez, A., &
Long, P., Siemens, G., Conole, G., & Gašević, Duarte-garcía, J. (2017). Engineering
D. (2011). LAK ’11. Proceedings of the Students´ Academic Performance
1st International Conference on Learning Prediction using ICFES Test Scores and
Analytics and Knowledge, 195. https:// Demo- graphic Data. Ingeniería Solidaria,
iucat.iu.edu/iub/13609333 13(21).
Mahroeian, H., Daniel, B., & Butson, R. (2017). Miguéis, V. L., Freitas, A., Garcia, P. J. V., & Silva,
The perceptions of the meaning and A. (2018). Early segmentation of students
value of analytics in New Zealand higher according to their academic performance:
education institutions. International A predictive modelling approach. Decision
Support Systems, 115, 36–51. https://doi. Higher Education, 1(2), 727–742. http://
org/10.1016/j.dss.2018.09.001 er.educause.edu/~/media/files/article-
downloads/erm0742.pdf
Mohammadi, M., Dawodi, M., Tomohisa, W., &
Ahmadi, N. (2019). Comparative study of Pradeep, A., Das, S., & Kizhekkethottam, J. J.
supervised learning algorithms for student (2015). Students Dropout Factor Prediction
performance prediction. 1st International Using EDM Techniques. International
Conference on Artificial Intelligence in Conference on Soft-Computing and
Information and Communication, ICAIIC Network Security.
2019, 124–127. https://doi.org/10.1109/
QIN, F., ZHU, L., CHENG, Z., & ZHANG, Q.
ICAIIC.2019.8669085
(2017). Research on Student Performance
Murnion, P., & Helfert, M. (2013). Academic Evaluation Based on Random Forest.
Analytics in quality assurance using DEStech Transactions on Engineering
organisational analytical capabilities and Technology Research, eeta, 387–
A User-level Usage Analytics in Cloud 393. https://doi.org/10.12783/dtetr/
Based Applications View project Insight eeta2017/7762
View project. In U. Oxford (Ed.), Annual
Qowidho, T., Zarlis, M., Nababan, E. B., Agusnady,
Conference of the UK Academy of
A., & Sembiring, B. S. (2019). Analysis
Information Systems (UKAIS). https://doi.
of c4.5 and ID3 Methods in Determining
org/10.13140/2.1.3368.1600
Student Graduation. Journal of Physics:
Nabizadeh, S., Hajian, S., Sheikhan, Z., & Conference Series, 1255(1). https://doi.
Rafiei, F. (2019). Prediction of academic org/10.1088/1742-6596/1255/1/012025
achievement based on learning strategies
Razaque, F., Soomro, N., Ahmed, S., Soomro,
and outcome expectations among medical
S., Samo, J. A., & Dharejo, H. (2017).
students. BMC Medical Education, 19(1),
Using Naïve Bayes Algorithm to Students
1–11. https://doi.org/10.1186/s12909-019-
’ bachelor Academic Performances
1527-9
Analysis. Conferencia Internacional IEEE
Nieto, Y., Garcia, V., Montenegro, C., Gonzalez, Sobre Tecnologías de Ingeniería y Ciencias
C., & Gonzalez, R. (2019). Usage of Aplicadas (ICETAS), 1–5.
Machine Learning for Strategic Decision
Salal, Y. K., Abdullaev, S. M., & Kumar, M.
Making at Higher Educational Institutions.
(2019). Educational data mining: Student
IEEE Access, 7, 75007–75017. https://doi.
performance prediction in academic.
org/10.1109/ACCESS.2019.2919343
International Journal of Engineering and
Norris, D. M., & Lefrere, P. (2011). Transformation Advanced Technology, 8(4C), 54–59.
through expeditionary change using
Salcedo, A. (2010). Desertion in Colombian
online learning and competence-building
Universities. Revista Academia y
technologies. Research in Learning
Virtualidad, 3(1), 50–60. http://www.
Technology, 19(1), 1741–1629. https://doi.
alfaguia.org/alfaguia/files/1319043663_03.
org/10.3402/rlt.v19i1.17105
pdf
Oblinger, G., Campbell, J. P., Deblois, P. B., &
Oblinger, D. G. (2007). Academic Analytics:
A New Tool for a New Era. Research in
Schroeder, U. (2009). Web-Based Learning – Urteaga, I., Siri, L., & Garófalo, G. (2020).
Yes We Can! (pp. 25–33). Springer, Berlin, Predicción temprana de deserción
Heidelberg. https://doi.org/10.1007/978-3- mediante aprendizaje automático en
642-03426-8_3 cursos profesionales en línea. RIED.
Revista Iberoamericana de Educación
Siemens, G. (2013). Learning Analytics. a Distancia, 23(2), 147. https://doi.
American Behavioral Scientist, org/10.5944/ried.23.2.26356
57(10), 1380–1400. https://doi.
org/10.1177/0002764213498851 Viberg, O., Hatakka, M., Bälter, O., & Mavroudi,
A. (2018). The current landscape of
Stanko, T., Zhirosh, O., Johnston, D., & Gartsev, learning analytics in higher education.
S. (2017). On possibility of prediction Computers in Human Behavior, 89(October
of academic performance and potential 2017), 98–110. https://doi.org/10.1016/j.
improvements of admission campaign chb.2018.07.027
at IT university. IEEE Global Engineering
Education Conference, 862–866. Viloria, A., García Guliany, J., Niebles Núñez,
W., Palma, H. H., & Niebles Núñez, L.
Tan, T. Y., Jain, M., Obaid, T., & Nesbit, J. C. (2020). Data Mining Applied in School
(2020). What can completion time of Dropout Prediction. Journal of Physics,
quizzes tell us about students ’ motivations 1432, 12092. https://doi.org/10.1088/1742-
and learning strategies ? Journal of 6596/1432/1/012092
Computing in Higher Education, 32(2),
389–405. https://doi.org/10.1007/s12528- Vora, D. R., & Rajamani, K. (2019). A hybrid
019-09239-6 classification model for prediction of
academic performance of students : a big
Tasnim, N., Paul, M. K., & Sarowar Sattar, A. data application. Evolutionary Intelligence,
H. M. (2019). Performance Analysis of 0123456789. https://doi.org/10.1007/
Different Decision Tree Based Methods s12065-019-00303-9
for Identifying Drop out Students. 1st
International Conference on Advances Wang, Q., Wu, W., & Qi, Y. (2018). A Learning
in Science, Engineering and Robotics Analytic Model for Smart Classroom.
Technology 2019, ICASERT 2019, In Lecture Notes in Computer Science
2019(Icasert), 1–6. https://doi.org/10.1109/ (including subseries Lecture Notes in
ICASERT.2019.8934518 Artificial Intelligence and Lecture Notes
in Bioinformatics): Vol. 11268 LNCS.
Tenpipat, W., & Akkarajitsakul, K. (2020). Student Springer International Publishing. https://
Dropout Prediction : A KMUTT Case Study. doi.org/10.1007/978-3-030-01298-4_19
International Conference on Big Data
Analytics and Practices (IBDAP) Student. Wati, M., Indrawan, W., Widians, J. A., &
Puspitasari, N. (2018). Data mining
Tomasevic, N., Gvozdenovic, N., & Vranes, S. for predicting students’ learning result.
(2020). An overview and comparison of Proceedings of the 2017 4th International
supervised data mining techniques for Conference on Computer Applications
student exam performance prediction. and Information Processing Technology,
Computers and Education, 143(August CAIPT 2017, 2018-Janua, 1–4. https://doi.
2019), 103676. https://doi.org/10.1016/j. org/10.1109/CAIPT.2017.8320666
compedu.2019.103676
Wheeler, E., Finucane, S., Soper, S., & Mayhew,

T. (2018). Perceived Value of Preadmission
Physical Therapy Observation Hours
and Their Ability to Predict Academic
Performance. Journal of Physical Therapy
Education:, 32(1), 17–25.
Zacharias, D., & Athanasios, A. (2020).

Monitoring of the Results through a
Survey Concerning the Socio-Economic
Characteristics of the Elderly Using
Geographic Information Systems (GIS): A
Case Study in Greece. International Journal
of Innovation and Economic Development,
6(3), 36–45. https://doi.org/10.18775/iji
ed.1849-7551-7020.2015.64.2004

Analisitica Académica en La Educación

Cargado por

Copyright:

Formatos disponibles

Analisitica Académica en La Educación

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Analisitica Académica en La Educación

Cargado por

Copyright:

Formatos disponibles

A N A L I T I C A A C A D É M I C A : N U E V A S H E R R A M I E N T A S A P L I C A D A S A L A E D U C A C I Ó N · 1 3 7 ·

RECIBIDO EL 10 DE OCTUBRE DE 2020 - ACEPTADO EL 11 DE ENERO DE 2021

ANALÍTICA ACADÉMICA: NUEVAS

José Ignacio Rodríguez Molano 2

Héctor Javier Fuentes López3

Universidad Distrital Francisco José de Caldas

RESUMEN plantea una metodología cuyo propósito es la

SUMMARY performance. However, the processes and

to study corresponding learning analytic methods El propósito de la revisión referencial consiste en

Descriptiva Informes, cuadros, tablas, graficas

Analítica Herramienta: Estadistica, matematicas,

Figura 1. Panorama de analítica de datos. Fuente: Adaptado de (Brownlee, 2020)

Figura 2. Influencia de herramientas tecnológicas en la analítica de datos educativos. Fuente: Autor

DEFINICIÓN DE ANALÍTICA ACADÉMICA ENFOQUE DE ANALÍTICA ACADÉMICA

Diferentes autores han tratado de definir el El proceso de la analítica académica, se

análisis y divulgación de datos sobre los y reorganizar eficientemente sus recursos,

Figura 3. Beneficios institucionales del uso de la analítica Fuente; Adaptado de

Por tanto, la analítica académica y la analítica práctica educativa, pero fundamentalmente

RECOPILACIÓN DE LA INFORMACIÓN Analizar e interpretar datos relevantes

Uno de los principales obstáculos que se RESULTADOS

2. ¿Cuáles son los campos de acción de la

3. ¿Cómo se ha realizado la socialización de

4. ¿Se continúa trabajando esta temática en

Tabla 2 Métodos usados de acuerdo a cada enfoque de la Analítica Académica

Algoritmos y/o métodos Software

SVM, Naive Bayes,

Bosque aleatorio, árbol

CAMPOS DE APLICACIÓN DE LA son usados para determinar la eficiencia del

en educación. Se aprecia una fuerte tendencia Año

a que la analítica es un campo en desarrollo

obtenidos a partir de la revisión realizada 6 analítica en diversos campos mostrados (Figura

13 Algoritmo De bosque aleatorio

PRODUCTIVIDAD DE LOS PAÍSES el que mayor frecuencia se comparte autoría. De

CONCLUSIONES aprendizaje automático a la academia.

De acuerdo al trabajo presentado y a los 3.- El rendimiento académico, la tasa de

Brownlee, J. (2020). Machine Learning Mastery.

Burgos, C., Campanario, M. L., Peña, D. de 246. https://doi.org/10.4067/S0718-

Echegaray-calderon, O. A., & Barrios-aranibar, García Tinisaray, D. K. (2015). CONSTRUCCIÓN

in Physiology in Thai Medical Students. Journal of Educational Technology in

Wheeler, E., Finucane, S., Soper, S., & Mayhew,

Zacharias, D., & Athanasios, A. (2020).

También podría gustarte