Diseño de una herramienta para la evaluación de variables influyentes en el rendimiento académico

Abstract

La comprensión del rendimiento académico y la permanencia en los programas de educación superior ha evolucionado desde enfoques puramente descriptivos hacia modelos predictivos complejos que integran variables multidimensionales. Diversos autores han introducido el análisis de supervivencia para modelar la retención estudiantil y el modelo de riesgos proporcionales de Cox para la predicción temprana, enfatizando que identificar a los estudiantes en riesgo durante los primeros cortes académicos es fundamental para la intervención institucional. A pesar de la abundancia de estudios sobre la deserción general, existe una escasez de investigaciones que analicen la probabilidad de reprobación en asignaturas técnicas específicas desde una perspectiva académica y personal. En el programa de Ingeniería Industrial de la Universidad del Norte se ha evidenciado la persistencia de altas tasas de reprobación, agravada por el desconocimiento de los factores que influyen en el rendimiento y la permanencia estudiantil. Por ello, se diseñó una herramienta digital basada en la regresión de Cox y XGBoost que permite calcular y evaluar las probabilidades de reprobación y la magnitud de influencia de las variables identificadas. Al validarla con datos de la asignatura Control y Gestión Integral de la Calidad, los resultados mostraron que las variables más asociadas con la reprobación son el bajo rendimiento en exámenes, un bajo promedio semestral, un bajo promedio acumulado y factores sociodemográficos. El proyecto tiene el potencial de mejorar indicadores de repitencia, permanencia y avance curricular, al proporcionar herramientas que permitan comprender mejor el comportamiento estudiantil, mejorar las estrategias de acompañamiento y facilitar la implementación de intervenciones tempranas.

The understanding of academic performance and persistence in higher education programs has evolved from purely descriptive approaches to complex predictive models that integrate multidimensional variables. Several authors have introduced survival analysis to model student retention, the Cox proportional hazards model for early prediction, emphasizing that identifying at-risk students in the first academic periods is vital for institutional intervention. Despite the abundance of studies on general dropout, there is a scarcity of research analyzing the probability of failure in specific technical courses from an academic and personal perspective. In the Industrial Engineering program at Universidad del Norte, persistently high failure rates have been observed, compounded by a lack of understanding of the academic and personal factors that influence student performance and persistence. Therefore, this project seeks to determine how factors affecting a student's academic performance can be identified and how they affect it. To address this, a digital tool was designed based on Cox regression and XGBoost that allows calculation and evaluation of student failure probabilities and the magnitude of influence of the identified variables. When validated using a dataset from the ‘Control y Gestión Integral de la Calidad’ course, the results showed that the variables most strongly associated with an increased probability of failure are low exam performance, a low semester GPA, a low cumulative GPA, and sociodemographic factors. The project has the potential to improve academic indicators related to repetition, persistence, and curricular progression by providing tools that enable a better understanding of student behavior in key program courses, enhance the effectiveness of support strategies, and facilitate the implementation of early intervention measures by identifying the true causes of each student’s difficulties.