Clasificación del Desempeño Académico en la Prueba Saber 11 Mediante Variables Socioeconómicas: Estudio Comparativo Entre Redes Neuronales, Convolucionales y Sistemas Expertos
Cargando...
Fecha
Director
Enlace al recurso
DOI
ORCID
Google Scholar
Cvlac
gruplac
Descripción Dominio:
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Documentos PDF
Descripción
El trabajo de investigación se desarrolló bajo un estudio comparativo de los diferentes modelos de inteligencia artificial “MLP – CNN 1D - LightGBM” para la clasificación del desempeño académico de los resultados de la prueba de Estado Saber 11° en Colombia, a través de las variables socioeconómicas, familiares e institucionales, abordando la problemática en las limitaciones de los enfoques estadísticos tradicionales para capturar las estructuras complejas, no lineales y de alta dimensionalidad de las variables que permiten explicar las brechas educativas en Colombia. Para ello se formuló modelos predictivos multiclases que lograran utilizar un conjunto de datos históricos de aproximadamente de 7.2 millones de registros anonimizados proporcionados por el ICFES correspondiente a los periodos del 2014-2 al 2024-2. Se hizo uso de la metodología CRISP-DM (Cross-Industry Standard Process for Data Mining) en el que se implementó un pipeline de procesamiento hibrido y comparativos de las tres clases de modelos de inteligencia artificial. Los resultados experimentales permitieron demostrar que las arquitecturas de redes neuronales profundas “MLP” alcanzaron el mejor desempeño predictivo y mayor estabilidad estadística, superando a la red neuronal convolucional unidimensional “CNN 1D” y el algoritmo de ensamble (LightGBM) al capturar las dependencias no lineales del dataset de cada individuo. En conclusión, las variables socioeconómicas poseen una capacidad predictiva significativa sobre la clasificación en el rendimiento académico, y los modelos aprendizaje profundo son una herramienta tecnológica y metodológica para validar el diseño de un sistema de alerta temprana y apoyo para la toma de decisiones basada en evidencia en el sector educativo colombiano
Abstract
The research work was developed as a comparative study of different artificial intelligence models ("MLP – CNN 1D - LightGBM") for the classification of academic performance based on the results of the Saber 11° State examination in Colombia, through socioeconomic, family, and institutional variables. It addresses the problem of the limitations in traditional statistical approaches when capturing the complex, non-linear, and high-dimensional structures of the variables that explain educational gaps in Colombia. To this end, multiclass predictive models were formulated to utilize a historical dataset of approximately 7.2 million anonymized records provided by the ICFES, corresponding to the periods from 2014-2 to 2024-2. The CRISP-DM (Cross-Industry Standard Process for Data Mining) methodology was employed, implementing a hybrid processing pipeline and comparative analyses of the three classes of artificial intelligence models. The experimental results demonstrated that deep neural network architectures ("MLP") achieved the best predictive performance and highest statistical stability, outperforming the one-dimensional convolutional neural network ("1D CNN") and the ensemble algorithm (LightGBM) by capturing the non-linear dependencies of the dataset for each individual. In conclusion, socioeconomic variables possess a significant predictive capacity regarding academic performance classification, and deep learning models serve as a technological and methodological tool to validate the design of an early warning system and support evidence-based decision-making in the Colombian educational sector.
Idioma
spa
Palabras clave
Citación
Acosta Velásquez, E. V., y Sanabria Casanova, C. A. (2026). Clasificación del desempeño académico en la prueba Saber 11 mediante variables socioeconómicas: estudio comparativo entre redes neuronales, convolucionales y sistemas expertos [Tesis de posgrado]. Universidad Santo Tomás, Bucaramanga