EDUCATIONAL DATA MINING (EDM) CON RANDOM FOREST PARA CLASIFICACIÓN DE ESTUDIANTES SEGÚN ESTILOS DE APRENDIZAJE Y DESEMPEÑO ACADÉMICO EN LA UNIVERSIDAD AUTÓNOMA TOMÁS FRÍAS

Resumo

La presente investigación aplicó técnicas de Educational Data Mining mediante el algoritmo Random Forest para clasificar a estudiantes de la Universidad Autónoma Tomás Frías según sus estilos de aprendizaje y predecir su rendimiento académico, con el fin de contribuir al diseño de estrategias pedagógicas personalizadas desde un enfoque constructivista. Se adoptó un enfoque cuantitativo, aplicado, correlacional y predictivo, con diseño no experimental y transversal. La muestra estuvo compuesta por 220 estudiantes de cuatro carreras, a quienes se aplicó el Integrated Learning Styles Questionnaire (ILSQ), con alta confiabilidad (α = 0.92), durante el semestre I-2025. Los resultados evidenciaron predominancia de los estilos pragmático (22.27%) y múltiple (27.27%), especialmente en Ingeniería Comercial e Ingeniería de Sistemas, lo que refleja una tendencia hacia el aprendizaje aplicado y adaptativo. El modelo Random Forest Classifier alcanzó un desempeño satisfactorio (accuracy = 0.79; F1 = 0.77), mostrando alta eficacia en la clasificación de estilos observables como el múltiple, visual y kinestésico. Sin embargo, el modelo predictivo de rendimiento académico (Random Forest Regressor) obtuvo un R² = 0.21, evidenciando que los estilos de aprendizaje no son predictores sólidos de la calificación final, debido a la influencia multifactorial de variables cognitivas, motivacionales y contextuales. Pedagógicamente, estos hallazgos indican que la personalización del aprendizaje debe ir más allá de los estilos individuales, integrando factores emocionales y contextuales. Se concluye que la minería de datos educativos es útil para diagnosticar perfiles cognitivos y orientar estrategias didácticas diferenciadas, consolidando un modelo de enseñanza universitaria basado en evidencia, flexibilidad y equidad educativa.