Page 56 - FGDP revista FEGLININ

© FEGLININ ISSN 2594-2298

| Año 8, No 32, enero - marzo 2025 |

representar un factor de riesgo para el bajo desempeño académico. Para confirmar esta hipótesis, sería
necesario analizar la relación entre la falta de apoyo familiar y las tasas de reprobación, utilizando
herramientas estadísticas que permitan determinar si este factor es determinante en el éxito o fracaso
académico.

La figura 6 Apoyo familiar y su relación con el desempeño académico
La distribución de los estudiantes según su acceso a recursos económicos. Los datos muestran que el
50.7% de los estudiantes cuenta con los recursos necesarios, mientras que el 49.3% no tiene acceso a
estos, véase figura 7.
Este equilibrio casi uniforme sugiere que una proporción considerable de estudiantes enfrenta
limitaciones económicas, lo que podría impactar su capacidad para acceder a materiales, tecnología
o servicios esenciales para su desarrollo académico. Para determinar si la falta de recursos
económicos está relacionada con las tasas de reprobación, sería importante analizar estadísticamente
la correlación entre este factor y el rendimiento académico. Este análisis permitiría identificar la
magnitud del impacto de los recursos económicos en el éxito estudiantil.

La figura 7 Recursos económicos y su relación con el desempeño académico
Modelos de Machine Learning
Se aplicaron diversos modelos de aprendizaje automático para analizar las causas del bajo
rendimiento y predecir posibles resultados:
• Regresión Lineal (Linear Regression): Identificó relaciones entre variables independientes
(hábitos y condiciones) y la variable dependiente (aprobado o reprobado).
• Árboles de Decisión (Decision Tree Regressor): Detectó interacciones no lineales entre los
factores evaluados.
• Bosques Aleatorios (Random Forest Regressor): Mejoró la precisión al combinar múltiples
árboles de decisión.
• K-Vecinos Más Cercanos (K-Nearest Neighbors): Analizó patrones basados en similitud
entre estudiantes.

Prefijo DOI: 10.70417

Pág. 56