Minería de datos educativos como estrategia predictiva para mejorar el rendimiento y reducir la deserción en educación a distancia - UNED Costa Rica
DOI:
https://doi.org/10.22458/caes.v17i1.6582Palabras clave:
minería de datos, educación a distancia, enseñanza superior, análisis predictivo, tecnología educativaResumen
Esta investigación en la UNED analiza el potencial de la minería de datos educativos (MDE) para anticipar el rendimiento y reducir la deserción en educación a distancia. Mediante técnicas predictivas aplicadas en la asignatura Introducción a la Computación, se logró mejorar significativamente la aprobación y disminuir la reprobación. Se compararon herramientas (como ORANGE) y se destacaron su facilidad de uso y potencial para intervenciones personalizadas. Los resultados confirman que la MDE fortalece la toma de decisiones pedagógicas basadas en evidencia, promueve acompañamiento formativo y fomenta la mejora continua. Además, resalta la importancia de capacitar al profesorado en análisis de datos y recomienda ampliar su uso a otras asignaturas para consolidar una cultura educativa centrada en la persona estudiante.
Citas
Al-Omar, K. (2018). Evaluating the usability and learnability of the Blackboard LMS using SUS and data mining. En Proceedings of the Second International Conference on Computing Methodology and Communication (ICCMC) (pp. 388-392). IEEE. Evaluating the Usability and Learnability of the "Blackboard" LMS Using SUS and Data Mining | Request PDF
Angeioplastis, A., Aliprantis, J., Konstantakis, M. & Tsimpiris, A. (2025). Predicting student performance and enhancing learning outcomes: A data-driven approach using educational data mining techniques. Computers, 14(3), 83. https://doi.org/10.3390/computers14030083
Arizmendi, C. J., Bernacki, M. L., Raković, M., Plumley, R. D., Urban, C. J., Panter, A. T., Greene, J. A. & Gates, K. M. (2023). Predicting student outcomes using digital logs of learning behaviors: Review, current standards, and suggestions for future work. Behavior Research Methods, 55(6), 3026-3054. https://doi.org/10.3758/s13428-022-01939-9
Calderón-Valenzuela, J., Payihuanca-Mamani, K. & Bedregal-Alpaca, N. (2022). Educational data mining to identify the patterns of use made by the university professors of the Moodle platform. International Journal of Advanced Computer Science and Applications, 13(6), 321-328. https://doi.org/10.14569/IJACSA.2022.0130641
Cornejo Sifuentes, M. S. G., Vega Pérez, L. G., Naranjo Cantabrana, M. G., Osúa Acosta, I. I. F., Ávila Santana, F. A. & Sotomayor Fierro, M. de los Ángeles. (2023). Modelo Predictivo de la Deserción Escolar en Educación Superior: una Aproximación desde la Minería de Datos Utilizando la Metodología CRISP-DM. Ciencia Latina Revista Científica Multidisciplinar, 7(5), 7797-7812. https://doi.org/10.37811/cl_rcm.v7i5.8363
Dutt, A., Ismail, M. A. & Herawan, T. (2017). A systematic review on educational data mining. IEEE Access, 5, 15991-16005. https://doi.org/10.1109/ACCESS.2017.2654247
Escobar-Terán, H., Alcívar-Saltos, M., Márquez de la Plata, C. & Escobar-Terán, C. (2017). Implementación de minería de datos en la gestión académica de las instituciones de educación superior. Didasc@lia: Didáctica y Educación, 7(3), 207-218.
Gushchima, O. M. & Ochepovsky, A. V. (2020). Data mining of students’ behavior in e-learning system. Journal of Physics: Conference Series, 1553(1), 012027. https://doi.org/10.1088/1742-6596/1553/1/012027
Hämäläinen, W. & Vinni, M. (2010). Classifiers for educational data mining. In Handbook of educational data mining (pp. 57-74). CRC Press.
Jaramillo, A. & Paz-Arias, H. (2015). Aplicación de técnicas de minería de datos para determinar las interacciones de los estudiantes en un entorno virtual de aprendizaje. Revista Tecnológica ESPOL-RTE, (28), 75-81.
Jiménez, G. & Alvarado, A. (2010). Aplicación de técnicas de minería de datos en la predicción del fracaso escolar en entornos educativos. Revista Iberoamericana de Educación, 52(5), 1-10.
Luna, J. M., Castro, C. & Romero, C. (2017). MDM tool: a data mining framework integrated into Moodle. Computer Applications in Engineering Education, 25(1), 90-102. https://doi.org/10.1002/cae.21782
Mancilla-Vela, G., Leal-Gatica, P., Sánchez-Ortiz, A. & Vidal-Silva, C. (2020). Factores asociados al éxito de los estudiantes en modalidad de aprendizaje en línea: un análisis en minería de datos. Formación Universitaria, 13(6), 21-28. https://doi.org/10.4067/S0718-50062020000600023
Nagendhra Rao, Y. S. & Chen, C. J. (2024). Bibliometric insights into data mining in education research: a decade in review. Contemporary Educational Technology, 16(3), Article e14333. https://doi.org/10.30935/cedtech/14333
Nayak, P., Vaheed, S., Gupta, S. & Mohan, N. (2023). Predicting students’ academic performance by mining the educational data through machine learning-based classification model. Education and Information Technologies, 28, 14611-14637. https://doi.org/10.1007/s10639-023-11637-2
Peña-Ayala, A. (2014). Educational data mining: a survey and a data mining-based analysis of recent works. Expert Systems with Applications, 41(4), 1432-1462. https://doi.org/10.1016/j.eswa.2013.08.042
Pérez Niño, J., Gualdrón Guerrero, J. & Barrera Oliveros, C. (2024). Inteligencia artificial y minería de datos educativos para la predicción de la deserción en educación superior. Revista de Investigación Educativa Latinoamericana, 12(2), 45-62.
Preidys, S. & Sakalauskas, L. (2010). Analysis of students’ study activities in virtual learning environments using data mining methods. Technological and Economic Development of Economy, 16(1), 94-108. https://doi.org/10.3846/tede.2010.06
Romero, C. & Ventura, S. (2020). Educational data mining and learning analytics: an updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3), e1355. https://doi.org/10.1002/widm.1355
Romero, C., Ventura, S., Pechenizkiy, M. & Baker, R. S. J. d. (2010). Handbook of educational data mining. CRC Press.
Roslan, M. H. B. & Chen, C. J. (2021). Educational data mining for student performance prediction: a systematic literature review (2015-2021). International Journal of Emerging Technologies in Learning (iJET), 16(5), 168-184. https://doi.org/10.3991/ijet.v17i05.27685
Sana, F., Siddiqui, M. F. & Arain, Q. A. (2019). Student performance prediction using data mining techniques: a case study of Mehran University. International Journal of Advanced Computer Science and Applications, 10(8), 252-259. https://doi.org/10.14569/IJACSA.2019.0100834
Slater, S., Joksimovic, S., Kovanovic, V., Baker, R. & Gasevic, D. (2017). Tools for educational data mining: A review. Journal of Educational and Behavioral Statistics, 42(1), 85-106. https://doi.org/10.3102/1076998616666808
Sri Radhe Shyam, J., Kumar, A., Goyal, S. & Arya, K. K. (2017). Data mining in education with virtual learning environment data. International Journal of Engineering Research & Technology (IJERT), 5(2), 1-5.
Universidad Estatal a Distancia. (2024). Datos de matrícula y rendimiento académico en la asignatura Introducción a la Computación (2023-2024). Escuela de Ciencias Sociales y Humanidades.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Revista Electrónica Calidad en la Educación Superior
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Esta revista provee acceso libre inmediato a su contenido bajo el principio de que hacer disponible gratuitamente la investigación al publico, lo cual fomenta un mayor intercambio de conocimiento global.
