Sistema de semaforización para el tamizaje del estudiantado de nivel superior en riesgo de reprobación en matemáticas
Traffic-light system for screening higher-education students at risk of failing university-level mathematics courses.
Resumen:
El índice de no acreditación en asignaturas universitarias de matemáticas es una de las principales causas de deserción escolar. Además, la matrícula de nuevo ingreso crece cerca de 3% anual, limitando al docente la identificación a tiempo del estudiantado en riesgo de rezago y de no alcanzar las competencias esperadas de asignaturas de matemáticas universitarias. Por tanto, un sistema de semaforización que funcione como tamizaje práctico permitirá priorizar el acompañamiento académico. En este estudio se diseñó y validó un modelo semaforizado mediante árboles de decisión; las variables de entrada fueron las dimensiones de la escala de habilidades sociales y la salida fue la resiliencia académica en el aprendizaje de las matemáticas. El modelo reportó una capacidad de predicción del 89 %, y, mediante la generación de muestras sintéticas por bootstrap elevó el desempeño a 92 %. Los resultados muestran que la baja resiliencia se asocia con desmotivación, rigidez cognitiva y tendencia al aislamiento. Finalmente, este modelo se codificó en una app web gratuita que permite al docente identificar mediante preguntas con respuesta dicotómica si un estudiante requerirá acompañamiento académico adicional.
Palabras clave: resiliencia matemática; habilidades sociales; modelo predictivo; deserción escolar, árbol de decisión.
Alsaqr, A. M. (2021). Remarks on the use of Pearson’s
and Spearman’s correlation coefficients in assessing relationships in
ophthalmic data. African Vision and Eye Health, 80(1), 1–10. https://doi.org/10.4102/aveh.v80i1.612
Arceo-Díaz,
S., Bricio-Barrios, E. E., Aréchiga-Maravillas, J. A., & Salazar-Torres, J.
(2020). GeoGebra as learning tool for the
search of the roots of functions in numerical methods. En Journal of
Physics: Conference Series (Vol. 1672, No. 1, Artículo 012001). IOP
Publishing. https://doi.org/10.1088/1742-6596/1672/1/012001
Bricio-Barrios,
E. E., Arceo-Díaz, S., & Mireles-Delgado, F. (2024). Incorporación de
ChatGPT como herramienta en la enseñanza de ciencias básicas. Komputer Sapiens, 16(2). https://smia.mx/komputersapiens/publicaciones.php
Candel, J. M. O. (2022). Big data, machine learning
y data science en Python. Ra-Ma Editorial.
Cassidy, S. (2016). The Academic Resilience Scale
(ARS-30): A new multidimensional construct measure. Frontiers in Psychology,
7, Article 1787. https://doi.org/10.3389/fpsyg.2016.01787
Chang, L. (1994). A psychometric evaluation of 4-point
and 6-point Likert-type scales in relation to reliability and validity. Applied
Psychological Measurement, 18(3), 205–215. https://doi.org/10.1177/014662169401800302
Choi, B. C. K., & Pak, A. W. P. (2004). A catalog
of biases in questionnaires. Preventing Chronic Disease, 2(1), A13.
Erikson, E.
H. (1985). Estadios fundamentales del desarrollo psicosocial. En El ciclo vital completado (pp. 69–108).
Everitt, R. G. (2017). Bootstrapped synthetic
likelihood. arXiv. https://arxiv.org/abs/1711.05825
Gismero, E.
(2002). Manual de escala de habilidades sociales. TEA Ediciones.
Hardman, J., Paucar-Caceres, A., & Fielding, A.
(2013). Predicting students’ progression in higher education by using the
random forest algorithm. Systems Research and Behavioral Science, 30(2),
194–203. https://doi.org/10.1002/sres.2130
Hartley, M. T. (2011). Examining the relationships
between resilience, mental health, and academic persistence in undergraduate
college students. Journal of American College Health, 59(7), 596–604. https://doi.org/10.1080/07448481.2010.515632
Ichim, D. (2010). Quantile-based bootstrap methods to
generate continuous synthetic data. En Proceedings of the 2010 EDBT/ICDT
Workshops. https://doi.org/10.1145/1754239.1754276
Lee, C., & Johnston-Wilder, S. (2010). Developing
mathematical resilience. Ponencia presentada en BERA Annual Conference 2010,
University of Warwick. https://oro.open.ac.uk/24261/2/3C23606C.pdf
Lee, C., & Johnston-Wilder, S. (2017). The
construct of mathematical resilience. En U. X. Eligio (Ed.), Understanding
emotions in mathematical thinking and learning (pp. 269–291). Academic
Press. https://doi.org/10.1016/B978-0-12-802218-4.00010-8
Llopis Orrego, M. D. M., Volakh Sokolova, E., &
Pérez Llopis, Á. (2022). Resiliencia en docentes universitarios: Afrontando
retos en tiempos de pandemia. Actualidades Investigativas en Educación, 22(3),
130–164. https://doi.org/10.15517/aie.v22i3.50629
Martin, A.
J., & Marsh, H. W. (2008). Academic
buoyancy: Towards an understanding of students’ everyday academic resilience. Journal
of School Psychology, 46(1), 53–83. https://doi.org/10.1016/j.jsp.2007.01.002
Matas, A. (2018). Diseño del formato de escalas tipo
Likert: Un estado de la cuestión. Revista Electrónica de Investigación
Educativa, 20(1), 38–47. https://doi.org/10.24320/redie.2018.20.1.1347
Molina, J.
B., Aranda, L. L., Flores, M. H., & López, E. J. (2013). Utilización del
alfa de Cronbach para validar la confiabilidad de un instrumento de medición de
satisfacción del estudiante en el uso del software Minitab MISP. En 11th LACCEI Latin American and Caribbean
Conference for Engineering and Technology (Cancún, México, 14–16 de
agosto). https://www.laccei.org/LACCEI2013-Cancun/RefereedPapers/RP065.pdf
Morlett-Villa, Z. F. (2023). Habilidades
socioemocionales en adolescentes de nivel bachillerato tras la pandemia. Ciencias
Administrativas: Teoría y Praxis, 19(2), 61–80. https://doi.org/10.46443/catyp.v19i2.338
Peressini
Álvarez, M. (2022). Imputación múltiple y validación bootstrap en modelos
pronósticos (Tesis de maestría). Universidad Complutense de Madrid. https://docta.ucm.es/entities/publication/f645917a-4b19-41ec-bb36-e3a7d59b2e4f
Peláez
Ramírez, G., & Lena-Acebo, F. J. (2021). Árboles de decisión y bosques
aleatorios en sistemas expertos: Un enfoque fundamental. En Avances en
educación, TIC e innovación: aportaciones para la mejora empresarial y social
(pp. 105–115). https://www.torrossa.com/en/resources/an/5005059
Richardson, G. E. (2002). The metatheory of resilience
and resiliency. Journal of Clinical Psychology, 58(3), 307–321. https://doi.org/10.1002/jclp.10020
Sáenz Yerovi, M. F. (2025). Aplicación de
machine learning para la detección de patrones conductuales en niños de 6 a 12
años con TDAH (Tesis de licenciatura). Universidad Peruana de Ciencias
Aplicadas. https://dspace.ups.edu.ec/handle/123456789/29966
Santiago
Carrillo, M. C., Gallardo Pérez, H. D. J., & Vergel Ortega, M. (2020).
Resiliencia en estudiantes exitosos en matemáticas. Praxis & Saber, 11(26).
https://doi.org/10.19053/22160159.v11.n26.2020.9973
UNESCO. (2015). Education for all 2000–2015: Achievements and challenges. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000217628