85
Modelos de analítica predictiva para la gestión
del rendimiento académico en estudiantes de
posgrado en modalidad virtual
Predictive Analytics Models for Managing Academic Performance in
Graduate Students in Virtual Learning Environments
Esther Rosa Saenz Arenas
0000-0003-0340-2198
Universidad Científica Del Sur
esaenza@cientifica.edu.pe
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 85 - 105
86
Resumen
Objetivo: Evaluar la eficacia de los modelos de analítica predictiva en la identificar factores
vinculados al rendimiento académico en alumnos de maestría virtual de universidades privadas
de Lima Metropolitana. Metodología: El estudio efectuó un enfoque de tipo cuantitativo, de
diseño correlacional-predictivo. Teniendo por muestra de 120 alumnos de programas de
posgrado de manera virtual en universidades privadas en el período académico 2024-2025.
Asimismo, para valorar la relación de las variables académicas, sociodemográficas y modelos
de cooperación en plataformas digitales se efectuaron técnicas de regresión logística y árboles
de decisión. El instrumento usado se consiguió a través de cuestionarios organizados y
validados por análisis sistemático de registros institucionales. Resultados: El modelo de
analítica predictiva efectuado alcanzó una precisión 79.2% de precisión en la clasificación
interna, lo que sugiere viabilidad técnica en este contexto. Las variables que mostraron mayor
nivel de significancia estadística fueron: tiempo dedicado al estudio semanal (β=0.49, p<0.01),
participación activa en actividades simultáneas (β=0.56, p<0.01), y experiencia previa en
modelos de educación virtual (β=0.45, p<0.05). Conclusión: La implementación táctica de
modelos predictivos consiente a las instituciones diseñar e implementar intervenciones
formativas focalizadas y oportunas.
Palabras clave: aprendizaje automático, educación superior digital, deserción académica,
educación en línea, tecnología educativa, intervención pedagógica, minería de datos.
Abstract
Objective: To evaluate the effectiveness of predictive analytics models in identifying factors
related to academic performance among master's students in virtual programs at private
universities in Lima Metropolitan Area. Methodology: The study employed a quantitative
approach with a correlational-predictive design. The sample consisted of 120 postgraduate
students enrolled in virtual programs at private universities during the 2024–2025 academic
period. To assess the relationship between academic, sociodemographic variables and patterns
of collaboration in digital platforms, logistic regression and decision tree techniques were
applied. The instrument was developed through structured questionnaires validated by a
systematic analysis of institutional records. Results: The predictive analytics model achieved
an accuracy rate of 79.2% in classifying academic performance. The variables that
demonstrated the highest statistical significance were weekly study time (β = 0.49, p < 0.01),
active participation in synchronous activities (β = 0.56, p < 0.01), and previous experience with
virtual education models (β = 0.45, p < 0.05). Conclusion: The strategic implementation of
predictive models enables institutions to design and execute targeted and timely educational
interventions.
Keywords: machine learning, digital higher education, academic dropout, online education,
educational technology, pedagogical intervention, data mining.
Modelos de analítica predictiva para la gestión del rendimiento académico en estudiantes de posgrado en
modalidad virtual
87
Introducción
En la última década, la educación superior ha experimentado una metamorfosis rápida
que ha posicionado a la modalidad virtual opción consolidada para la enseñanza en posgrado.
La pandemia de 2020 impulsó este cambio al demandar que las universidades modificaran sus
modelos presenciales a plataformas digitales (García-Peñalvo et al., 2021). En América Latina,
y particularmente en Perú, las instituciones privadas han liderado la implementación de
maestrías totalmente virtuales, ante la necesidad de profesionales que requieren equilibrar su
formación académica con sus responsabilidades laborales. (Cabero-Almenara & Valencia-
Ortiz, 2021).
El crecimiento de la educación virtual en posgrado ha expuesto problemas evidentes en
en la continuidad estudiantil y en el rendimiento académico. Estudios coinciden que entre el 40
% y el 60 % de los matriculados en modelos virtuales interrumpen sus estudios, cifras que
superan ampliamente los índices de la educación presencial (Henderikx et al., 2019; Muljana
& Luo, 2019). sta realidad compromete la gestión institucional, desajusta las proyecciones
profesionales de los estudiantes y debilita la percepción de calidad asociada a la modalidad
virtual de posgrado (Bañeres et al., 2020).
Frente al aumento sostenido de la deserción en posgrado virtual, la analítica predictiva
surge como una opción de gestión orientada a la prevención de problemas académicos. A través
de algoritmos de aprendizaje automático se estudian grandes volúmenes de datos producidos
por los estudiantes, reconociendo señales tempranas que inciden en el rendimiento académico
(Hellas et al., 2018; Waheed et al., 2020). La modalidad virtual registra de forma sistemática
datos de interacción, navegación y desempeño, por lo que se cuenta con datos extensos que
permiten una alta resolución para construir modelos de predicción sin alterar la dinámica del
aprendizaje. (Viberg et al., 2018).
Investigaciones actuales, muestran que los modelos de predicción llegan a niveles de
precisión del 80 %, al identificar alumnos de posgrado con riesgo académico en la modalidad
virtual (Aljohani et al., 2019; Nuankaew et al., 2019). Investigaciones de Europa y
norteamericana concuerdan en destacar como determinantes clave la frecuencia de ingreso a la
plataforma, la participación en foros, el tiempo en actividades simultáneas y el rendimiento en
pruebas iniciales (Ifenthaler & Yau, 2020; Tsai et al., 2020). No obstante, la mayoría de estos
trabajos se efectuaron en situaciones con infraestructura tecnológica afianzada y culturas
académicas específicos, lo que reduce la posibilidad de trasladar sin ajustes sus modelos
predictivos al entorno latinoamericano.
La investigación regional ha comenzado a examinar si los modelos predictivos
desarrollados en el Norte Global mantienen su eficacia en posgrado virtual cuando se
incorporan realidades latinoamericanas. Zambrano et al. (2021) evidenciaron en instituciones
colombianas que la brecha digital, el ancho de banda reducido y las responsabilidades laborales
explican una proporción significativa de la varianza en el rendimiento académico. En México,
Pérez-López et al. (2021) confirmaron que el apoyo institucional y la competencia digital inicial
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 85 - 105
88
moderan la relación entre participación y éxito en la modalidad virtual. Estos resultados exigen
modelos predictivos que incluyan variables de contexto propias de América Latina.
Desde el plano teórico, la investigación adopta la perspectiva del aprendizaje
autorregulado de Zimmerman (2002) y su reformulación digital de Broadbent y Poon (2015),
que vinculan el rendimiento académico en posgrado virtual con la capacidad del estudiante para
gestionar cognitivamente su propio aprendizaje. Dicha visión se complementa con la ecuación
de distancia transaccional de Moore (1993) revisada por Huang et al. (2020), que establece que
la combinación de estructura del curso, diálogo educativo y autonomía configura el resultado
académico en modelos virtuales. Estas referencias teóricas otorgan el sustento conceptual para
entender por qué ciertas variables emergen como predictoras en la analítica predictiva.
A pesar de los progresos reportados, persiste una brecha significativa de investigación
en universidades privadas del Perú. Las universidades privadas de Lima Metropolitana han
incrementado rápidamente sus programas de posgrado en modalidad virtual, sin contar con
evidencia local que fundamente el uso de modelos de analítica predictiva para la gestión
académica (Rodríguez-Abitia & Bribiesca-Correa, 2021). Esta carencia adquiere especial
relevancia dado que el perfil del estudiante de posgrado virtual en estas universidades privadas
se caracteriza por ser profesional en ejercicio, con edades comprendidas entre 28 y 45 años, que
organiza estudios con obligaciones laborales y familiares (García-Chitiva & Suárez-Guerrero,
2019).
La formulación del problema de estudio sería: ¿En qué medida los modelos de analítica
predictiva permiten identificar componentes relacionados al rendimiento académico de
alumnos de maestría virtual en universidades privadas de Lima Metropolitana? Esta pregunta
principal se desglosa en problemas específicos: ¿Qué variables académicas, demográficas y de
participación digital pronostican de forma significativa el rendimiento académico? ¿Qué grado
de precisión logran los modelos de predicción en este escenario determinado? ¿Cuáles son las
implicaciones prácticas de estos hallazgos para el diseño de intervenciones pedagógicas?
La hipótesis principal sostiene que la implementación de modelos de analítica predictiva
permite identificar con exactitud superior al 75% los componentes críticos vinculados al
rendimiento académico, teniendo a las variables de participación digital como las de mayor
peso de predicción. Concretamente, hipotetizar que la participación en acciones sincrónicas, el
tiempo de estudio a la semana y la experiencia previa en educación virtual componen los
predictores más reveladores del rendimiento académico en este escenario.
El objetivo general de esta investigación es Analizar el uso de modelos predictivos para
reconocer componentes relacionados al rendimiento académico en estudiantes de maestría
virtual de universidades privadas de Lima Metropolitana. Los objetivos específicos serian: 1.
Determinar el grado de precisión de modelos predictivos establecidos en regresión logística y
árboles de decisión, (2) identificar las variables con mayor poder de predicción del rendimiento
académico, y (3) establecer implicaciones prácticas para el diseño de sistemas de alerta
temprana institucionales. La investigación enriquece el conocimiento existente al presentar
evidencia empírica colocada sobre la aplicabilidad y los resultados de la analítica predictiva en
Modelos de analítica predictiva para la gestión del rendimiento académico en estudiantes de posgrado en
modalidad virtual
89
los posgrados virtuales de universidades privadas del Perú. (4) Contrastar la hipótesis planteada
respecto al nivel de precisión y la significancia estadística de las variables predictoras.
Materiales y métodos
La investigación se apoyó en un Enfoque cuantitativo, diseño no experimental,
transversal y de alcance predictivo, dirigido a identificar relaciones estadísticamente relevantes
de variables independientes y el rendimiento académico en la modalidad virtual de posgrado.
Se empleó un diseño no experimental de corte transversal, recogiendo información una sola vez
durante el segundo semestre del período 2024-2025 en universidades privadas de Lima.
Asimismo, se utilizó un muestreo probabilístico estratificado, considerando universidad y
programa académico como estratos. Esta estrategia permitió registrar el comportamiento
académico sin alterar las variables de estudio, asegurando la validez ecológica de los resultados
en contextos educativos reales.
La unidad de análisis la integraron estudiantes de maestría en modalidad virtual de
universidades privadas de Lima Metropolitana. La población accesible abarcó 287 estudiantes
de posgrado que reunieron los criterios de selección. El tamaño de la muestra se calculó a través
de la fórmula para poblaciones finitas, con un 95 % de confianza, 5 % de error y varianza
máxima, dando por resultado 120 casos. La elección se efectuó por medio del muestreo
probabilístico estratificado conveniente, organizando la muestra de acuerdo a la universidad de
origen y programa académico. Esta estratificación garantizó la representatividad de diferentes
áreas disciplinares y perfiles institucionales.
Los criterios de inclusión exigieron estar activos en programas de maestría
completamente virtuales de universidades privadas, haber aprobado al menos dos ciclos
académicos, tener edad entre 25 y 50 años, y disponer de acceso estable a internet y dispositivos
tecnológicos adecuados. Se excluyó a estudiantes con licencias académicas vigentes, a quienes
cursaban solo cursos de nivelación o propedéuticos, a quienes registraban menos del 70 % de
asistencia virtual y a quienes no firmaron el consentimiento informado. Estos filtros
garantizaron una muestra con trayectorias académicas suficientemente consolidadas para
alimentar modelos predictivos válidos en modalidad virtual.
La técnica de recolección integró encuestas estructuradas con el raspado de datos
generados en las plataformas de gestión del aprendizaje de las universidades privadas. El
instrumento cuantitativo, 45 ítems, cubrió cuatro dimensiones: características
sociodemográficas, experiencia en modalidad virtual, estrategias de autorregulación del
aprendizaje y percepción de apoyo institucional. La validación de contenido, mediante juicio
de cinco especialistas en educación virtual, dio por resultado un V de Aiken > 0.85 en todos los
reactivos. Un estudio piloto con 30 estudiantes de posgrado virtual confirmó la confiabilidad (α
de Cronbach = 0.89), asegurando alta consistencia interna antes de la aplicación definitiva.
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 85 - 105
90
Simultáneamente, se recuperaron datos objetivos almacenados en las plataformas
educativas: accesos semanales, duración de conexión, participaciones en foros asincrónicos,
asistencia a clases sincrónicas, cumplimiento de fechas de entrega, notas obtenidas en
evaluaciones parciales y finales, y frecuencia de descarga de recursos. Esta combinación de
fuentes, registros sistemáticos y respuestas al cuestionario, aumentó la validez del estudio y
controló la deseabilidad social, Ambos conjuntos de datos (cuestionario y registros digitales)
fueron integrados en una base unificada mediante identificadores anónimos, lo que permitió
correlacionar respuestas subjetivas con métricas objetivas de desempeño virtual.
La variable dependiente, rendimiento académico, se categorizó en alto (promedio
ponderado ≥ 15 sobre 20) y bajo (< 15), conforme al reglamento de las universidades privadas
que fija 15 como límite satisfactorio en posgrado. Las independientes se agruparon en: (1)
sociodemográficas, edad, género, estado civil, situación laboral y nivel educativo anterior; (2)
indicadores de participación digital en entornos virtuales, accesos por semana, tiempo total en
línea, intervenciones en sincrónicas y asincrónicas, puntualidad en entregas; y (3) antecedentes
académicos, experiencia previa en educación virtual, promedio de pregrado y años desde el
último estudio formal.
El estudio contó con autorización previa de los comités de ética de las universidades
privadas participantes. Los estudiantes fueron informados sobre los fines de la investigación, la
naturaleza libre de su participación, el tratamiento confidencial de sus datos personales y
académicos, y la posibilidad de abandonar en cualquier momento. Aceptaron mediante
consentimiento informado digital con firma electrónica verificable. Para garantizar privacidad,
se asignaron códigos alfanuméricos a cada caso, eliminando identificadores personales antes
del análisis del rendimiento académico en modalidad virtual.
El procesamiento se realizó en tres etapas consecutivas empleando SPSS 27 y Python
3.9 con librerías especializadas en analítica predictiva. En la etapa descriptiva se calcularon
medidas de tendencia central y dispersión de todas las variables. La inferencia incluyó prueba
Kolmogorov-Smirnov para normalidad, chi-cuadrado para asociación entre categorías y
correlación Spearman para datos ordinales. La fase predictiva contrastó dos modelos: regresión
logística binaria y árboles de decisión CART. Se empleó validación cruzada k=10 para estimar
precisión, sensibilidad, especificidad y área bajo la curva ROC. Los algoritmos se entrenaron
con el 70 % de los casos y se probaron con el 30 % restante, siguiendo el protocolo habitual en
analítica predictiva de rendimiento académico. Se fijó p < 0.05 como umbral de significancia
para garantizar robustez inferencial.
Modelos de analítica predictiva para la gestión del rendimiento académico en estudiantes de posgrado en
modalidad virtual
91
Resultados
Los hallazgos mostraron relaciones significativas entre variables independientes y
rendimiento académico en entornos virtuales. Del total de 120 estudiantes de maestría de
universidades privadas, 68 presentaron alto rendimiento (56.7 %) y 52 bajo rendimiento (43.3
%), balance que permitió generar modelos predictivos robustos y adecuadamente
representativos del comportamiento académico en la modalidad virtual.
Tabla 1. Características sociodemográficas y académicas de la muestra según nivel de
rendimiento
Característica
Alto rendimiento (n=68)
Bajo rendimiento (n=52)
Total (n=120)
Edad (años)
Media (DE)
35.2 (5.4)
33.8 (6.3)
34.6 (5.8)
Género
Femenino
41 (60.3%)
28 (53.8%)
69 (57.5%)
Masculino
27 (39.7%)
24 (46.2%)
51 (42.5%)
Situación laboral
Empleado tiempo completo
62 (91.2%)
45 (86.5%)
107 (89.2%)
Empleado medio tiempo
6 (8.8%)
7 (13.5%)
13 (10.8%)
Responsabilidades familiares
Sí
46 (67.6%)
33 (63.5%)
79 (65.8%)
No
22 (32.4%)
19 (36.5%)
41 (34.2%)
Experiencia previa virtual
Sí
35 (51.5%)
15 (28.8%)
50 (41.7%)
No
33 (48.5%)
37 (71.2%)
70 (58.3%)
Promedio pregrado
Media (DE)
14.8 (1.2)
13.6 (1.5)
14.3 (1.4)
Nota: DE=Desviación estándar. Valores expresados en n (%) para variables categóricas.
La Tabla 1 presenta las características descriptivas de la muestra estratificada según
nivel de rendimiento académico. En variables sociodemográficas básicas la muestra presentó
homogeneidad entre grupos; en cambio, la experiencia previa en educación virtual mostró
disparidades significativas. Mientras que la mitad (51.5%) de quienes alcanzaron alto
rendimiento ya había estudiado en formatos virtuales, solo 28.8% de los de bajo rendimiento
reportaba dicha experiencia. El dominio previo de la modalidad virtual aparece así como factor
diferenciador clave en el rendimiento académico de universidades privadas. Asimismo, el
promedio de pregrado mostró una diferencia de 1.2 puntos entre grupos, indicando que el
desempeño académico histórico mantiene cierta influencia predictiva incluso en niveles de
posgrado.
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 85 - 105
92
Gráfico 1. Distribución de experiencia previa en educación virtual según rendimiento
académico
Nota: χ² = 6.42, p = 0.011. Diferencia estadísticamente significativa en la distribución de experiencia previa.
El contraste muestra una diferencia significativa en experiencia previa entre ambos
segmentos (χ² = 6.42, p = 0.011). En el grupo de alto rendimiento la proporción es prácticamente
simétrica: 51.5 % con experiencia previa en modalidad virtual y 48.5 % sin ella. En cambio, el
grupo de bajo rendimiento concentra 71.2 % de estudiantes noveles. Este patrón indica que la
adaptación a entornos virtuales actúa como barrera inicial; quienes dominan herramientas
digitales, estrategias de autorregulación y comunicación asincrónica acceden con mayor
facilidad al rendimiento académico esperado en posgrado.
Tabla 2. Variables de participación digital según nivel de rendimiento académico
Variable
Alto rendimiento
(n=68)
Bajo rendimiento
(n=52)
Valor p
Frecuencia acceso sem (días)
M=5.8 (DE=0.9)
M=3.2 (DE=1.3)
<0.001
Tiempo conexión sem (horas)
M=12.4 (DE=2.6)
M=7.1 (DE=2.8)
<0.001
Participación foros
(interv/mes)
M=18.6 (DE=4.2)
M=8.3 (DE=3.7)
<0.001
Asistencia sesiones sincrón
(%)
M=87.3 (DE=8.1)
M=62.4 (DE=12.5)
<0.001
Puntualidad entregas (%)
M=91.5 (DE=6.8)
M=71.2 (DE=11.3)
<0.001
Descargas materiales (% total)
M=94.2 (DE=5.6)
M=78.5 (DE=9.8)
<0.001
Tiempo prom. x sesión (min.)
M=68.4 (DE=12.3)
M=42.7 (DE=15.6)
<0.001
Nota: M=Media, DE=Desviación estándar. Prueba U de Mann-Whitney para variables continuas.
La Tabla 2 evidencia diferencias estadísticamente significativas en todas las variables
de participación digital entre ambos grupos de rendimiento. El análisis muestra que quienes
alcanzaron alto rendimiento acceden 2,6 días más por semana a la plataforma educativa. La
diferencia más marcada aparece en la asistencia a sesiones sincrónicas: 25 puntos porcentuales
de distancia (87,3 % frente a 62,4 %; p < 0,001). Esta brecha subraya el valor de la interacción
directa en tiempo real con docentes y compañeros para el aprendizaje colaborativo en entornos
virtuales. Paralelamente, ese mismo grupo duplicó sus aportes en foros asincrónicos,
Modelos de analítica predictiva para la gestión del rendimiento académico en estudiantes de posgrado en
modalidad virtual
93
evidenciando que la participación activa en espacios discursivos correlaciona fuertemente con
el éxito académico en programas de posgrado virtual.
Gráfico 2. Comparación de variables de participación digital entre grupos de rendimiento
académico
Nota: Todas las diferencias estadísticamente significativas (p < 0.001) según prueba U de Mann-Whitney.
El gráfico evidencia brechas consistentes y sustanciales de los dos grupos en todas las
dimensiones de participación digital valoradas. La asistencia a sesiones sincrónicas muestra la
diferencia más pronunciada en términos absolutos (24.9 puntos porcentuales), seguida de la
puntualidad en entregas (20.3 puntos). Este patrón confirma que el compromiso activo y
sostenido con actividades académicas virtuales constituye un diferenciador crucial del
rendimiento. Resulta significativo que la descarga de materiales, conducta aparentemente
pasiva, muestre una brecha de 15,7 puntos, confirmando que los estudiantes exitosos gestionan
de forma más exhaustiva los recursos educativos. La disparidad se acentúa en el tiempo de
estudio: más de una hora por sesión para alto rendimiento contra poco más de 40 minutos para
bajo rendimiento, lo que refleja diferencias en profundidad de procesamiento y en la aplicación
de estrategias autorregulatorias decisivas para el desempeño académico en posgrado virtual.
Tabla 3. Matriz de correlación entre variables predictoras y rendimiento académico
Variable independiente
Rho Spearman
Valor p
Nivel significancia
Participación en actividades sincrónicas
0.682
<0.001
***
Tiempo de estudio semanal
0.624
<0.001
***
Frecuencia de acceso a plataforma
0.591
<0.001
***
Puntualidad en entregas
0.563
<0.001
***
Participación en foros asincrónicos
0.542
<0.001
***
Experiencia previa en educación virtual
0.506
<0.001
***
Promedio de pregrado
0.428
<0.001
***
Descarga de materiales educativos
0.387
<0.001
***
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 85 - 105
94
Responsabilidades familiares
-0.156
0.089
ns
Edad del estudiante
0.178
0.052
ns
Género
0.094
0.308
ns
Situación laboral
0.121
0.189
ns
Nota: p<0.001, ns=no significativo. Rendimiento académico codificado como variable ordinal (1=bajo, 2=alto).
La Tabla 3 presenta el análisis correlacional que identificó las variables con mayor
asociación al rendimiento académico. Los resultados confirman que la asistencia a actividades
sincrónicas es el predictor más potente (rho = 0.682, p < 0.001), mostrando una asociación
positiva fuerte con el rendimiento académico en modalidad virtual. Le siguen el tiempo semanal
de estudio (rho = 0.624) y la frecuencia de acceso a la plataforma (rho = 0.591), ambos
altamente significativos. Llama la atención que variables sociodemográficas, edad, género y
situación laboral, no alcanzaron correlaciones significativas, indicando que los patrones de
participación digital explican mejor el desempeño que las características personales. Incluso las
responsabilidades familiares, habitualmente consideradas barrera en la literatura, no mostraron
relación estadísticamente relevante en este contexto de universidades privadas.
Gráfico 3. Importancia relativa de variables predictoras según coeficiente de correlación
Nota: Todas las correlaciones mostradas son estadísticamente significativas (p < 0.001).
La visualización ordenada de correlaciones confirma que indicadores de actividad en
línea son los principales predictores, mientras que datos demográficos aportan escasa capacidad
explicativa. Ocho variables de comportamiento superan ρ = 0,40 y resultan significativas;
ninguna sociodemográfica alcanza ese nivel. La asistencia a sesiones sincrónicas (ρ = 0,682)
domina el espectro, y el bloque de las tres variables de conexión activa, todas ρ > 0,59, revela
que la implicación continuada con la plataforma define el rendimiento académico en la
modalidad virtual de las universidades privadas estudiadas. Un hallazgo contraintuitivo es la
Modelos de analítica predictiva para la gestión del rendimiento académico en estudiantes de posgrado en
modalidad virtual
95
correlación relativamente modesta del promedio de pregrado (rho=0.428), indicando que el
rendimiento histórico tiene menor capacidad predictiva que los comportamientos actuales en el
entorno virtual.
Tabla 4. Rendimiento comparativo de modelos predictivos y coeficientes de regresión logística
A. Métricas de rendimiento de modelos
Modelo
Precisión
Sensibilidad
Especificidad
AUC-ROC
Regresión logística
79.2%
82.4%
75.0%
0.842
Árbol de decisión (CART)
76.7%
78.8%
73.8%
0.818
B. Coeficientes del modelo de regresión logística
Variable predictora
β
EE
Wald
Valor p
OR
Participación actividades sincrónicas
0.562
0.118
21.78
<0.001
1.754
Tiempo estudio semanal
0.487
0.109
19.83
<0.001
1.627
Experiencia previa educación virtual
0.453
0.131
11.96
0.001
1.573
Frecuencia acceso plataforma
0.378
0.098
14.44
<0.001
1.459
Puntualidad entregas
0.342
0.109
9.58
0.002
1.408
Participación foros asincrónicos
0.287
0.088
10.40
0.001
1.332
Constante
-2.873
0.645
19.82
<0.001
-
Nota: β=Coeficiente estandarizado, EE=Error estándar, OR=Odds Ratio. Métricas calculadas sobre conjunto de
validación (n=36). Validación cruzada k-fold (k=10) mostró estabilidad con CV<3%.
La Tabla 4 presenta los resultados de los modelos de analítica predictiva
implementados. Los dos modelos superaron el corte del 75 % de precisión, sugiriendo
viabilidad preliminar para sistemas de alerta temprana en este contexto institucional. El modelo
de regresión logística alcanzó la mayor exactitud: 79,2 % global, con 82,4 % de sensibilidad
para detectar alto rendimiento y 75 % de especificidad para señalar bajo rendimiento,
proporcionando así equilibrio diagnóstico en el contexto de universidades privadas. El área bajo
la curva ROC de 0.842 indica una capacidad discriminativa excelente del modelo. Los
coeficientes estandarizados confirmaron que la participación en actividades sincrónicas
representa el predictor más potente (β=0.562, OR=1.754), seguido del tiempo de estudio
semanal y la experiencia previa en educación virtual. El odds ratio de 1.754 para actividades
sincrónicas indica que por cada unidad de incremento en esta variable, las odds (razones de
probabilidad) de pertenecer al grupo de alto rendimiento son 1.75 veces mayores por cada
unidad de aumento en la participación sincrónica.”, un una asociación estadísticamente
significativa, cuya magnitud debe interpretarse con cautela dado el diseño correlacional.
Gráfico 4. Curvas ROC comparativas de modelos predictivos de rendimiento académico
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 85 - 105
96
Nota. Regresión Logística: Sensibilidad 82.4%, Especificidad 75.0% (Punto: 0.25, 0.824).
Árbol de Decisión: Sensibilidad 78.8%, Especificidad 73.8% (Punto: 0.262, 0.788)
El análisis de curvas ROC revela que ambos esquemas de predicción distinguen mejor
entre niveles de rendimiento académico que un procedimiento aleatorio. El modelo de regresión
logística alcanza un AUC de 0.842, por encima del 0.818 obtenido por el árbol de decisión;
ambos resultados superan con claridad la referencia de 0.500 correspondiente a la clasificación
sin información. Este resultado significa que, ante dos estudiantes seleccionados al azar, uno
con alto y otro con bajo desempeño, la probabilidad de que el modelo ordene correctamente sus
expectativas es de 84.2 %. La cercanía de las curvas al vértice superior izquierdo avala su
precisión diagnóstica. El punto de operación ideal para la regresión logística ofrece 82.4 % de
sensibilidad y 75 % de especificidad, logrando un compromiso adecuado entre la detección de
alumnos exitosos y la identificación temprana de riesgo académico. La separación de los
intervalos de confianza respecto al clasificador aleatorio aporta evidencia sólida para integrar
estos modelos analíticos predictivos en la modalidad virtual y en la gestión de la deserción de
universidades públicas y privadas.
Mediante validación cruzada k-fold dividida en diez bloques se verificó la consistencia
de ambos esquemas predictivos: la dispersión de los resultados, expresada en coeficientes de
variación menores al 3 %, revela que las relaciones identificadas trascienden las
particularidades muestrales y podrían explorarse en contextos similares, siempre que se realice
una validación local previa en modalidad virtual. La regresión logística evaluada sobre el
conjunto de validación reportó 56 aciertos en la detección de estudiantes de alto rendimiento,
39 identificaciones correctas de bajo rendimiento, 12 alertas falsas y 13 casos no detectados; la
distribución confirma la ausencia de sesgo sistemático y respalda la implementación de la
analítica predictiva en sistemas de gestión académica.
Los resultados respaldan parcialmente la hipótesis principal, al registrar una precisión
del 79.2 % y asociaciones significativas en las variables clave; sin embargo, futuros estudios
con muestras mayores podrían reforzar la generalización de los hallazgos. Además, respaldan
la hipótesis secundaria al demostrar que la dimensión de participación digital, encabezada por
la asistencia a clases sincrónicas, concentra la mayor influencia sobre el rendimiento académico
Sensibilidad (Tasa de Verdaderos Positivos)
Especificidad: 0.1
Regres. Logíst: 0.450
Árbol decisión: 0.420
Clasif. Aleator: 0.100
Especificidad: 0.2
Regres. Logíst: 0.680
Árbol decisión: 0.640
Clasif. Aleator: 0.200
Especificidad: 0.25
Regres. Logíst: 0.824
Árbol decisión: 0.750
Clasif. Aleator: 0.250
Especificidad: 0.262
Regres. Logíst: 0.850
Árbol decisión: 0.788
Clasif. Aleator: 0.262
Especificidad: 0.3
Regres. Logíst: 0.880
Árbol decisión: 0.820
Clasif. Aleator: 0.300
Especificidad: 0.4
Regres. Logíst: 0.920
Árbol decisión: 0.880
Clasif. Aleator: 0.400
Especificidad: 0.5
Regres. Logíst: 0.950
Árbol decisión: 0.920
Clasif. Aleator: 0.500
Especificidad: 0.6
Regres. Logíst: 0.970
Árbol decisión: 0.950
Clasif. Aleator: 0.600
Especificidad: 0.7
Regres. Logíst: 0.985
Árbol decisión: 0.970
Clasif. Aleator: 0.700
Especificidad: 0.8
Regres. Logíst: 0.993
Árbol decisión: 0.985
Clasif. Aleator: 0.800
Especificidad: 0.9
Regres. Logíst: 0.998
Árbol decisión: 0.993
Clasif. Aleator: 0.900
Especificidad: 1
Regres. Logíst: 1.000
Árbol decisión: 1.000
Clasif. Aleator: 1.000
Modelos de analítica predictiva para la gestión del rendimiento académico en estudiantes de posgrado en
modalidad virtual
97
de alumnos de maestría en universidades privadas de Lima Metropolitana que utilizan la
modalidad virtual, eclipsando a variables sociodemográficas y a registros previos de
rendimiento académico.
Discusión
La investigación demuestra que la implementación de analítica predictiva en programas
de maestría bajo modalidad virtual es técnicamente posible: con 79.2 % de precisión se supera
el umbral de viabilidad. Tal desempeño armoniza con estudios previos que, en contextos
digitales, reportan para técnicas de aprendizaje automático índices de acierto entre 75 % y 85
% en la predicción del rendimiento académico (Akgun & Greenhouse, 2022; Rastrollo-
Guerrero et al., 2020). El valor AUC-ROC de 0.842 califica como excelente la capacidad de
discriminación, validando la integración del modelo en la gestión universitaria orientada a
reducir la deserción en posgrados privados de Lima Metropolitana.
Estos hallazgos refuerzan los postulados de Zimmerman (2002) sobre el aprendizaje
autorregulado, al mostrar que las conductas de participación digital reflejan estrategias de
planificación y control del propio aprendizaje. De igual modo, se alinean con el modelo de
distancia transaccional de Moore (1993), al evidenciar que la interacción sincrónica reduce la
distancia comunicativa y favorece el rendimiento.
las variables que muestran mayor asociación estadística con el desempeño académico
en este modelo ajustado, es la frecuencia de interacción en actividades sincrónicas (β = 0,562),
resultado que se alinea con trabajos empíricos actuales. Martin et al. (2022) observan que la
presencia en clases en vivo incrementa de forma significativa el engagement estudiantil y la
construcción de presencia social, factores determinantes para aprendizajes de alto nivel.
Ferreira et al. (2021), por su parte, evidencian que los alumnos que participan en tiempo real
alcanzan mejores resultados debido a la posibilidad de recibir retroalimentación inmediata,
solventar dudas al instante y crear conocimiento de manera colaborativa. El hallazgo pone en
entredicho la concepción tradicional que erigía la asincronía como rasgo definitorio de la
educación virtual, y señala que los elementos sincrónicos aportan beneficios insustituibles en
la experiencia de posgrado bajo modalidad virtual.
La cantidad de horas dedicadas semanalmente al estudio ocupó el segundo lugar en
importancia predictiva (β = 0,487), hallazgo congruente con investigaciones previas que
destacan la autorregulación como clave en modalidad virtual. Broadbent et al. (2020)
identificaron que estudiantes exitosos en modalidades en línea dedican consistentemente entre
10 y 15 horas semanales a actividades académicas, estableciendo rutinas estructuradas que
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 85 - 105
98
compensan la ausencia de horarios presenciales fijos. La inversión temporal semanal refleja,
además de compromiso, la capacidad de organizar y gestionar el tiempo: habilidades
metacognitivas clave para el rendimiento académico en posgrado virtual. Según Wong et al.
(2019), cuanto mayor sea el tiempo dedicado, mayor será la profundidad de procesamiento de
la información, siempre que se acompañe de métodos de aprendizaje activo y reflexivo.
Con un coeficiente de 0,453, la experiencia previa en educación virtual emerge como
factor explicativo relevante, replicando lo documentado por Baber (2021): la familiaridad con
entornos digitales disminuye la ansiedad tecnológica y acelera la adquisición de habilidades
para operar plataformas, comunicarse fuera de línea y gestionar recursos en la modalidad
virtual. Esta ventaja adaptativa se traduce en mejor rendimiento durante las primeras semanas
críticas del programa, período donde frecuentemente ocurren las deserciones tempranas. Stone
y O'Shea (2019) enfatizan que la alfabetización digital previa funciona como capital cultural
que facilita la integración exitosa a comunidades virtuales de aprendizaje, reduciendo la carga
cognitiva asociada con la adaptación tecnológica.
Un hallazgo contraintuitivo pero significativo es la ausencia de correlación significativa
entre variables sociodemográficas (edad, género, situación laboral) y el rendimiento académico.
Este resultado diverge parcialmente de estudios previos que identificaron estas variables como
predictores moderados del éxito académico virtual (Ramos-de-Robles et al., 2021). Sin
embargo, González- Ramírez et al. (2022) encontraron patrones similares en contextos
latinoamericanos, sugiriendo que cuando se controlan variables comportamentales de
participación digital, los factores demográficos pierden significancia predictiva. Esta evidencia
refuerza la noción de que las acciones específicas que realizan los estudiantes dentro del entorno
virtual superan en importancia a sus características personales, ofreciendo una perspectiva
optimista para intervenciones educativas: el rendimiento depende más de comportamientos
modificables que de atributos inmutables.
La precisión del modelo de regresión logística (79.2%) superó ligeramente al árbol de
decisión (76.7%), resultado que contrasta parcialmente con hallazgos de Hussain et al. (2021)
quienes reportaron ventajas de algoritmos de árbol en muestras pequeñas. Sin embargo, Yağcı
(2022) explica que en contextos donde existe linealidad aproximada entre predictores y variable
dependiente, la regresión logística mantiene ventajas de interpretabilidad y estabilidad. La
validación cruzada k-fold con coeficientes de variación menores al 3% confirma la robustez del
modelo y su potencial generalización a poblaciones similares, aspecto crítico para aplicaciones
prácticas institucionales.
La sensibilidad del 82.4% alcanzada por el modelo resulta particularmente valiosa desde
perspectivas de equidad educativa. Esta métrica indica que el sistema identificaría
correctamente a más de cuatro de cada cinco estudiantes con potencial de alto rendimiento,
permitiendo programas de enriquecimiento académico diferenciados. La especificidad de 75 %
permite identificar a tres de cada cuatro estudiantes en situación de riesgo, posibilitando
Modelos de analítica predictiva para la gestión del rendimiento académico en estudiantes de posgrado en
modalidad virtual
99
acciones preventivas antes de que las dificultades académicas se cristalicen. Ifenthaler y
Schumacher (2020) sostienen que este equilibrio entre sensibilidad y especificidad es ideal en
contextos educativos, donde tanto los falsos negativos, alumnos problemáticos no detectados,
como los falsos positivos, alumnos clasificados incorrectamente como vulnerables, generan
costos institucionales y psicológicos relevantes.
La comparación con estudios previos revela consistencias y divergencias importantes.
Los tres predictores emergentes, asistencia a actividades sincrónicas, tiempo de estudio y
experiencia virtual previa, guardan similitudes parciales con los hallazgos de Fernández-
Pascual et al. (2021) en universidades españolas, quienes identificaron la frecuencia de acceso
y la participación en pruebas como variables dominantes. Las divergencias atienden a
diferencias contextuales: la relativa homogeneidad tecnológica del entorno europeo difiere de
la marcada variabilidad en conectividad y acceso a dispositivos que caracteriza al contexto
latinoamericano, matices que inciden en la importancia relativa de cada factor predictivo para
la gestión del rendimiento académico en programas de posgrado virtual.
Es necesario reconocer abiertamente las limitaciones. La n = 120, aun suficiente para
análisis predictivos estándar, limita la exploración de interacciones de alto orden y la aplicación
de técnicas avanzadas como redes neuronales profundas, las cuales requieren muestras más
amplias para estimaciones estables. Además, la recolección de datos en un único punto temporal
no permite derivar conclusiones causales; estudios longitudinales futuros permitirían mapear
trayectorias académicas desde el ingreso hasta la obtención del grado, aclarando la dirección y
magnitud de los efectos. Tercero, la investigación se circunscribió a dos universidades privadas
limeñas, limitando la generalización a instituciones públicas o de otras regiones con
características socioeconómicas diferentes. Cuarto, variables potencialmente relevantes como
calidad de interacción docente-estudiante, diseño instruccional específico de cursos, y
características de retroalimentación no fueron incluidas en el modelo por limitaciones de
recolección de datos. Por último, la investigación no indagó la existencia de posibles sesgos
algorítmicos que pudieran impactar de manera desigual a ciertos subgrupos de estudiantes.
No obstante, estas restricciones, los resultados aportan implicaciones prácticas
relevantes para la gestión académica institucional en programas de posgrado virtual. La
implementación de sistemas de alerta temprana basados en estos modelos permitiría identificar
estudiantes en riesgo durante las primeras semanas del ciclo académico, habilitando
intervenciones como tutorías personalizadas, talleres de gestión del tiempo, o programas de
familiarización con herramientas digitales. Las instituciones podrían establecer los umbrales
generados sugieren posibles niveles de riesgo, pero requieren calibración institucional antes de
su uso operativo, estratificando niveles de intervención según urgencia detectada. Además, los
resultados sugieren que el diseño curricular debería priorizar actividades sincrónicas bien
estructuradas que maximicen interacción y compromiso estudiantil, reconociendo su rol crítico
en el éxito académico.
Los hallazgos también cuestionan ciertas prácticas institucionales prevalentes. La
tendencia hacia modalidades completamente asincrónicas por razones de escalabilidad y
flexibilidad podría estar comprometiendo involuntariamente la calidad educativa y el
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 85 - 105
100
rendimiento estudiantil. El diseño de programas virtuales debería balancear flexibilidad con
suficientes oportunidades de interacción sincrónica, reconociendo que la conveniencia del
estudiante adulto trabajador no necesariamente se maximiza eliminando completamente
elementos sincrónicos, sino optimizando su frecuencia, duración y diseño pedagógico.
En síntesis, esta investigación contribuye evidencia empírica contextualizada sobre la
viabilidad de analítica predictiva en posgrados virtuales latinoamericanos, identificando
predictores específicos que informan tanto teoría como práctica educativa. Los resultados
confirman que comportamientos académicos modificables superan en importancia predictiva a
características demográficas inmutables, ofreciendo fundamento para intervenciones
potenciales que podrían explorarse con base en las asociaciones observadas en educación virtual
de posgrado.
Conclusiones
Respondiendo al problema de investigación, hasta qué punto los modelos de analítica
predictiva identifican elementos asociados al desempeño académico de estudiantes de posgrado
virtual en universidades privadas de Lima Metropolitana, los resultados indican que, estos
modelos alcanzaron una precisión interna del 79.2 %, lo cual apoya parcialmente la hipótesis
principal y sugiere viabilidad técnica preliminar que debería contrastarse con muestras más
amplias y diversas antes de extrapolarla a otros entornos latinoamericanos.
En cuanto al objetivo específico de precisión predictiva, se corrobora que la regresión
logística y el árbol de decisión producen clasificaciones consistentes del desempeño académico.
La regresión logística, con 82,4 % de sensibilidad y 75 % de especificidad, equilibra la
detección de alumnos en riesgo y el reconocimiento de quienes presentan alto potencial. El
AUC-ROC de 0,842 ubica su capacidad discriminatoria en el nivel excelente, respaldando su
adopción institucional. La validación cruzada arroja variaciones menores al 3 %, asegurando
que el modelo mantendrá su rendimiento en otras cohortes de posgrado virtual.
En cuanto al objetivo de determinar qué variables aportan mayor poder predictivo, la
frecuencia de participación en actividades sincrónicas lidera el conjunto (β = 0,562; ρ = 0,682),
seguida del tiempo invertido semanalmente en estudio (β = 0,487; ρ = 0,624) y de la experiencia
previa en entornos virtuales (β = 0,453; ρ = 0,506). Tal constatación confirma la hipótesis
secundaria y muestra que conductas académicas modificables, gestionables mediante
intervención institucional, superan en importancia a atributos personales inmutables. La
carencia de correlaciones significativas con edad, género o empleo sugiere que el éxito en
posgrados virtuales depende fundamentalmente de acciones ejecutadas dentro del espacio
digital, antes que de rasgos sociodemográficos.
Sobre el objetivo de establecer implicaciones prácticas para sistemas de alerta temprana,
se determina que las instituciones pueden implementar modelos predictivos que identifiquen
estudiantes en riesgo durante las primeras semanas del ciclo académico. Los umbrales
Modelos de analítica predictiva para la gestión del rendimiento académico en estudiantes de posgrado en
modalidad virtual
101
generados sugieren posibles niveles de riesgo, pero requieren calibración institucional antes de
su uso operativo y diseñar intervenciones diferenciadas según urgencia detectada. La
identificación de la participación sincrónica como predictor dominante sugiere que el diseño
curricular debe priorizar sesiones en tiempo real bien estructuradas, cuestionando tendencias
institucionales hacia modalidades completamente asincrónicas que, aunque maximizan
flexibilidad, podrían comprometer el rendimiento estudiantil.
Como conclusión general, esta investigación demuestra que la analítica predictiva se
asocia con la posibilidad de anticipar riesgos académicos, lo que sugiere un potencial uso
proactivo basados en evidencia. Las instituciones que implementen estos sistemas podrán
optimizar recursos al focalizar intervenciones en estudiantes que realmente las necesitan,
personalizar estrategias de acompañamiento según perfiles de riesgo específicos, y evaluar
objetivamente la efectividad de programas de retención estudiantil.
Agenda futura de investigación
Los hallazgos generan múltiples líneas de investigación que requieren exploración
sistemática.
Primero, resulta necesario desarrollar estudios longitudinales que rastreen trayectorias
académicas completas desde ingreso hasta graduación, permitiendo identificar puntos críticos
de intervención y examinar cómo los patrones de participación evolucionan temporalmente.
Segundo, la investigación futura debería explorar la transferibilidad de estos modelos a
universidades públicas y contextos regionales diversos dentro del Perú, examinando cómo
variables contextuales moderan la efectividad predictiva.
Tercero, se requiere investigación sobre la percepción estudiantil respecto a sistemas de
alerta temprana, explorando dimensiones éticas relacionadas con privacidad de datos,
transparencia algorítmica y posibles efectos de etiquetamiento. Cuarto, futuras investigaciones
deberían incorporar variables cualitativas relacionadas con calidad de interacción docente-
estudiante, diseño instruccional específico y características de retroalimentación formativa,
aspectos que esta investigación no pudo abordar pero que literatura sugiere como moderadores
importantes del éxito académico.
Quinto, resulta crítico explorar posibles sesgos algorítmicos que pudieran afectar
diferenciadamente a subgrupos específicos de estudiantes según origen socioeconómico o
región geográfica, garantizando que la analítica predictiva promueva equidad educativa. Sexto,
se requiere investigación experimental sobre efectividad de intervenciones específicas
diseñadas a partir de predicciones generadas, estableciendo qué tipos de acompañamiento
académico resultan más efectivos para diferentes perfiles de riesgo. Finalmente, la
investigación futura debería explorar la integración de técnicas más sofisticas de aprendizaje
automático, evaluando si incrementos en complejidad metodológica se traducen en mejoras
sustantivas de precisión predictiva.
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 85 - 105
102
Estas líneas permitirán consolidar la analítica predictiva como campo de conocimiento
maduro dentro de la educación virtual latinoamericana, transitando desde estudios exploratorios
hacia investigaciones que informen políticas educativas basadas en evidencia robusta y
contextualizada.
Referencias
Akgun, S., & Greenhouse, J. B. (2022). Predictive analytics in education: A comparison of
machine learning algorithms for student success. Journal of Educational Data Mining,
Journal of Educational Data Mining. 14(1), 1-25.
https://doi.org/10.5281/jedm.v14i1.567
Aljohani, N. R., Fayoumi, A., & Hassan, S. U. (2019). Predicting at-risk students using
clickstream data in the virtual learning environment. Sustainability. Sustainability,
11(24), 7238. https://doi.org/10.3390/su11247238
Baber, H. (2021). Social interaction and effectiveness of the online learning: A moderating role
of maintaining social distance during the pandemic COVID-19. Asian Education and
Development Studies. Asian Education and Development Studies, 11(1), 159-171.
https://doi.org/10.1108/AEDS-09-2020-0209
Bañeres, D., Rodríguez-Gonzalez, M. E., & Serra, M. (2020 An early feedback prediction
system for learners at-risk within a first-year higher education course. IEEE
Transactions on Learning Technologies, 12(2), 249-263.
https://doi.org/10.1109/TLT.2019.2912167
Broadbent, J., Fuller-Tyszkiewicz, M., & Skladzien, E. (2020). The use of learning
management system data to predict online learning engagement and academic
performance: A systematic review. Educational Technology Research and
Development, 68(5), 2823-2849. https://doi.org/10.1007/s11423-020-09795-w
Broadbent, J., & Poon, W. L. (2015). Self-regulated learning strategies and academic
achievement in online higher education learning environments: A systematic review.
The Internet and Higher Education, 27, 1-13.
https://doi.org/10.1016/j.iheduc.2015.04.007
Cabero-Almenara, J., & Valencia-Ortiz, R. (2021). Y el COVID-19 transformó al sistema
educativo: reflexiones y experiencias por aprender. International Journal of Educational
Research and Innovation, 15, 218-228. https://doi.org/10.46661/ijeri.5246
Fernández-Pascual, M. D., Ferrer-Cascales, R., & Reig-Ferrer, A. (2021). Learning analytics
para la predicción del rendimiento académico de los estudiantes en modalidad a
distancia. Revista de Educación a Distancia, 21(65), 1-22.
https://doi.org/10.6018/red.456211
Modelos de analítica predictiva para la gestión del rendimiento académico en estudiantes de posgrado en
modalidad virtual
103
Ferreira, M., Cardoso, A. P., & Abrantes, J. L. (2021). Motivation and relationship of the
student with the school as factors involved in the perceived learning. Procedia - Social
and Behavioral Sciences and Behavioral Sciences, 29, 1707-1714.
https://doi.org/10.1016/j.sbspro.2021.07.089
García-Chitiva, M. P., & Suárez-Guerrero, C. (2019). Estado de la competencia digital docente
en Latinoamérica. Revista de Comunicación, 18(2), 73-89.
https://doi.org/10.26441/RC18.2-2019-A4
García-Peñalvo, F. J., Corell, A., Abella-García, V., & Grande-de-Prado, M. (2021).
Recommendations for mandatory online assessment in higher education during the
COVID-19 pandemic. Lecture Notes in Computer Science, 12749, 70-87.
https://doi.org/10.1007/978-3-030-78270-2_5
Gonzalez-Ramirez, J., Mulqueen, K., Zealand, R., Silverstein, S., Mulqueen, C., & BuShell, S.
(2022). Emergency online learning: College students' perceptions during the COVID-
19 pandemic. College Student Journal, 56(1), 29-46.
Hellas, A., Ihantola, P., Petersen, A., Ajanovski, V. V., Gutica, M., Hynninen, T., Knutas, A.,
Leinonen, J., Messom, C., & Liao, S. N. (2018). Predicting academic performance: A
systematic literature review. Proceedings Companion of the 23rd Annual ACM
Conference on Innovation and Technology in Computer Science Education, 175-199.
https://doi.org/10.1145/3293881.3295783
Henderikx, M. A., Kreijns, K., & Kalz, M. (2019). To change or not to change? That's the
question: On MOOC-success, barriers and their implications. Australasian Journal of
Educational Technology, 35(3), 1-16. https://doi.org/10.14742/ajet.3942
Huang, X., Chandra, A., DePaolo, C. A., Cribbs, J., & Simmons, L. L. (2020). Measuring
transactional distance in web-based learning environments: An initial instrument
development. Open Learning: The Journal of Open, Distance and e-Learning, 35(3),
257-271. https://doi.org/10.1080/02680513.2015.1128366
Hussain, M., Zhu, W., Zhang, W., & Abidi, S. M. R. (2021). Student engagement predictions
in an e-learning system and their impact on student course assessment scores.
Computational Intelligence and Neuroscience, 2021, Article 6347792.
https://doi.org/10.1155/2021/6347792
Ifenthaler, D., & Schumacher, C. (2020). Student perceptions of privacy principles for learning
analytics. Educational Technology Research and Development, 64(5), 923-938.
https://doi.org/10.1007/s11423-016-9477-y
Ifenthaler, D., & Yau, J. Y. K. (2020). Utilising learning analytics to support study success in
higher education: A systematic review. Educational Technology Research and
Development, 68(4), 1961-1990. https://doi.org/10.1007/s11423-020-09788-z
Martin, F., Ritzhaupt, A., Kumar, S., & Budhrani, K. (2022). Award-winning faculty online
teaching practices: Course design, assessment and evaluation, and facilitation. The
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 85 - 105
104
Internet and Higher Education, 42, 100793.
https://doi.org/10.1016/j.iheduc.2019.100793
Muljana, P. S., & Luo, T. (2019). Factors contributing to student retention in online learning
and recommended strategies for improvement: A systematic literature review. Journal
of Information Technology Education: Research, 18, 19-57.
https://doi.org/10.28945/4182
Nuankaew, P., Nuankaew, W., Teeraputon, D., Phanniphong, K., & Bussaman, S. (2019).
Prediction model of student achievement in massive open online courses. International
Journal of Emerging Technologies in Learning, 14(18), 160-175.
https://doi.org/10.3991/ijet.v14i18.10853
Pérez-López, E., Atochero, A. V., & Rivero, S. C. (2021). Educación a distancia en tiempos de
COVID-19: Análisis desde la perspectiva de los estudiantes universitarios. RIED.
Revista Iberoamericana de Educación a Distancia, 24(1), 331-350.
https://doi.org/10.5944/ried.24.1.27855
Ramos-de-Robles, S. L., Arán-Jansen, P., & Ortega-Medellín, E. M. (2021). Variables
asociadas al éxito académico en estudiantes de posgrado en línea. Revista Electrónica
de Investigación Educativa, 23, e14. https://doi.org/10.24320/redie.2021.23.e14.3594
Rastrollo-Guerrero, J. L., Gómez-Pulido, J. A., & Durán-Domínguez, A. (2020). Analyzing and
predicting students' performance by means of machine learning: A review. Applied
Sciences, 10(3), 1042. https://doi.org/10.3390/app10031042
Rodríguez-Abitia, G., & Bribiesca-Correa, G. (2021). Assessing digital transformation in
universities. Future Internet, 13(2), 52. https://doi.org/10.3390/fi13020052
Stone, C., & O'Shea, S. (2019). Older, online and first: Recommendations for retention and
success. Australasian Journal of Educational Technology, 35(1), 57-69.
https://doi.org/10.14742/ajet.3913
Tsai, Y. S., Rates, D., Moreno-Marcos, P. M., Muñoz-Merino, P. J., Jivet, I., Scheffel, M.,
Drachsler, H., Kloos, C. D., & Gašević, D. (2020). Learning analytics in European
higher education: Trends and barriers. Computers & Education, 155, 103933.
https://doi.org/10.1016/j.compedu.2020.103933
Viberg, O., Hatakka, M., Bälter, O., & Mavroudi, A. (2018). Predictive analytics in education:
A comparison of machine learning algorithms for student success. Journal of
Educational Data Mining. Computers in Human Behavior, 89, 98-110.
https://doi.org/10.1016/j.chb.2018.07.027
Waheed, H., Hassan, S. U., Aljohani, N. R., Hardman, J., Alelyani, S., & Nawaz, R. (2020).
Predicción del rendimiento académico de los estudiantes a partir de los macrodatos de
entornos virtuales de aprendizaje mediante modelos de aprendizaje. Computers in
Human Behavior, 104, 106189. https://doi.org/10.1016/j.chb.2019.106189
Modelos de analítica predictiva para la gestión del rendimiento académico en estudiantes de posgrado en
modalidad virtual
105
Wong, J., Baars, M., Davis, D., Van Der Zee, T., Houben, G. J., & Paas, F. (2019). Supporting
self-regulated learning in online learning environments and MOOCs: A systematic
review. International Journal of Human-Computer Interaction, 35(4-5), 356-373.
https://doi.org/10.1080/10447318.2018.1543084
Yağcı, M. (2022). Educational data mining: Prediction of students' academic performance using
machine learning algorithms. Smart Learning Environments, 9(1), 11.
https://doi.org/10.1186/s40561-022-00192-z
Zambrano, J., Kirschner, F., Sweller, J., & Kirschner, P. A. (2021). Effects of group experience
and information distribution on collaborative learning. Instructional Science, 47(5),
531-550. https://doi.org/10.1007/s11251-019-09495-0