CID110 | RevistaCID

Identificación de Dificultades de Aprendizaje en Álgebra Lineal mediante Modelos Predictivos de Machine Learning

Identifying Learning Difficulties in Linear Algebra Using Machine
Learning Predictive Models

https://doi.org/10.62805/cid2026.CID110

   Campino   Aguirre Tonatzin Isabel
   Tecnológico Nacional de México / Instituto Tecnológico Superior de Lerdo
   tonatzin.ca@itslerdo.edu.mx
   https://orcid.org/0009-0006-1884-7121
   Moreno Núñez Elda
   Tecnológico Nacional de México / Instituto Tecnológico Superior de Lerdo
   elda.mn@itslerdo.edu.mx
   https://orcid.org/0000-0002-5912-082X
   Rodríguez Lozano Karla Verónica
   Tecnológico Nacional de México / Instituto Tecnológico Superior de Lerdo
   karla.rl@itslerdo.edu.mx
   https://orcid.org/0000-0003-2832-4165

Volumen:

2 Edición:

12

Resumen

Las dificultades que enfrentan los estudiantes universitarios en asignaturas como Álgebra Lineal suelen pasar desapercibidas hasta que los rezagos ya son difíciles de revertir. Este trabajo propone una alternativa basada en modelos de Aprendizaje Automático para detectar de forma temprana esas dificultades, tomando como población de estudio a cien estudiantes de segundo semestre de educación superior que cursaban simultáneamente varias asignaturas de ciencias exactas. Con el fin de aprovechar la información escrita generada durante el curso, se recopilaron respuestas y comentarios académicos de los participantes, los cuales fueron transformados en representaciones numéricas mediante la técnica de Frecuencia de Término-Frecuencia Inversa de Documento. Sobre esa base, se entrenaron y compararon dos clasificadores supervisados: Máquinas de Vectores de Soporte y Naive Bayes, orientados a distinguir entre estudiantes con y sin dificultades de aprendizaje. Ambos algoritmos alcanzaron niveles de desempeño satisfactorios, aunque las Máquinas de Vectores de Soporte mostraron ventajas claras en precisión y en la identificación de los casos más críticos. Estos hallazgos permiten concluir que incorporar herramientas de este tipo en los entornos educativos universitarios no solo es viable, sino que puede transformar la manera en que los docentes detectan y atienden las necesidades de sus estudiantes. Actuar con antelación, antes de que las dificultades se profundicen, representa un avance concreto hacia una educación más atenta, personalizada y sustentada en evidencia.

Palabras clave

Álgebra lineal, Aprendizaje automático, Clasificación supervisada, Dificultades de aprendizaje, Educación superior, Modelos predictivos.

Referencias Bibliográficas

Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. En J. A. Larusson & B. White (Eds.), Learning analytics: From research to practice (pp. 61–75). Springer. https://doi.org/10.1007/978-1-4614-3305-7_4
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018
Dorier, J. L., & Sierpinska, A. (2001). Research into the teaching and learning of linear algebra. En D. Holton (Ed.), The teaching and learning of mathematics at university level (pp. 255–273). Springer. https://doi.org/10.1007/0-306-47231-7_24
Hand, D., Mannila, H., & Smyth, P. (2001). Principles of data mining. MIT Press.
Kolman, B., & Hill, D. R. (2006). Álgebra lineal (8.ª ed.). Pearson Educación.
Kotsiantis, S. B. (2012). Use of machine learning techniques for educational purposes: A decision support system for forecasting students' grades. Artificial Intelligence Review, 37(4), 331–344. https://doi.org/10.1007/s10462-011-9234-x
Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159–174. https://doi.org/10.2307/2529310
Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval. Cambridge University Press. https://doi.org/10.1017/CBO9780511809071
Mitchell, T. M. (1997). Machine learning. McGraw-Hill.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., y Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Romero, C., & Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601–618. https://doi.org/10.1109/TSMCC.2010.2053532
Salton, G., & Buckley, C. (1988). Term-weighting approaches in automatic text retrieval. Information Processing & Management, 24(5), 513–523. https://doi.org/10.1016/0306-4573(88)90021-0