Análisis y síntesis de modelos de Machine Learning para el estudio de datos de la educación media en Colombia

Abstract

La integración de la Inteligencia Artificial en la gestión educativa representa una oportunidad crítica para mitigar problemáticas estructurales como la deserción y el bajo rendimiento escolar. La presente monografía tiene como objetivo principal analizar y sintetizar la evidencia académica existente sobre los modelos y paradigmas de Machine Learning (ML) utilizados para estudiar datos estadísticos en la educación media, con el propósito de evaluar sus características y viabilidad de aplicación en el contexto colombiano.

Metodológicamente, se ejecutó una Revisión Bibliográfica Sistemática (RBS) siguiendo las directrices del protocolo PRISMA 2020. A partir de una búsqueda exhaustiva en bases de datos de alto impacto (Scopus y WoS), se consolidó un corpus de análisis de 75 artículos científicos publicados recientemente. Los resultados evidencian una hegemonía del Aprendizaje Supervisado (83%), identificando al Random Forest y las Redes Neuronales como los algoritmos más eficaces, con precisiones superiores al 93%. Se estableció una taxonomía de variables predictoras donde el historial académico y, crucialmente, el nivel educativo de los padres, actúan como los determinantes más fuertes del éxito estudiantil.

No obstante, el análisis geográfico reveló una brecha significativa: América Latina aporta solo el 13% de la producción científica global, lo que indica que la mayoría de los modelos actuales están calibrados para contextos asiáticos o europeos. Se concluye que, para una implementación exitosa en Colombia, es imperativo adaptar estos modelos validando variables socioeconómicas locales. El estudio finaliza con la propuesta de un tablero de visualización (Dashboard) para facilitar la toma de decisiones institucionales basadas en datos.