Inteligencia Artificial Aplicada a la Educación

Sistema de Detección de Riesgos en Estudiantes (EWS)

Integración de Machine Learning y Procesamiento de Lenguaje Natural (NLP) para la prevención proactiva del abandono escolar en instituciones de nivel superior.

Fuente: INEGI (2022)

>30%

Abandono en Nivel Superior

Pérdida crítica de capital humano y recursos institucionales.

La Problemática Crítica

Factores determinantes como el bajo rendimiento académico, ausencias frecuentes, desmotivación y problemas personales se acumulan silenciosamente semanas o meses antes del abandono definitivo del estudiante.

Carencia de Mecanismos Automatizados

Las instituciones educativas dependen actualmente de la intuición docente o de reportes completamente reactivos. Cuando se detecta el problema y se intenta intervenir, la decisión del estudiante es irreversible.

El Objetivo General de EWS

Desarrollar un sistema inteligente de detección temprana de riesgos de abandono escolar (Early Warning System) mediante el uso de Machine Learning, Procesamiento de Lenguaje Natural (NLP) y el análisis de datos académicos y conductuales para identificar proactivamente a estudiantes en situación de vulnerabilidad.

Funcionalidades de Interfaz

Panel del Estudiante

Enfoque: El estudiante como agente activo de su educación.

  • Visualización de su nivel de riesgo con porcentaje de probabilidad.
  • Detalle de factores específicos (asistencia, calificaciones, inactividad en LMS).
  • Acceso directo a recursos de apoyo institucional (tutorías, atención psicológica).
  • Historial semestral de desempeño.

Panel del Profesor

Enfoque: Intervención oportuna y soporte guiado por IA.

  • Panel de control de estudiantes categorizados por riesgo (Bajo/Medio/Alto).
  • Notificaciones automáticas e inmediatas cuando un alumno asciende a riesgo ALTO.
  • Recomendaciones pedagógicas específicas generadas por IA según el caso.
  • Registro oficial de intervenciones docentes y estadísticas grupales.

Enfoque Ético y Legal

El sistema está estrictamente centrado en el bienestar del estudiante. No es una herramienta de vigilancia ni de sanción; las alertas generadas son palancas proactivas de apoyo.

Cumplimiento Normativo (LFPDPPP)

Se garantiza el estricto cumplimiento de la Ley Federal de Protección de Datos Personales en Posesión de los Particulares, anonimizando identificadores durante el entrenamiento y asegurando el manejo ético de datos sensibles.

Impacto Institucional

Se proyecta que un incremento del 5% en la retención estudiantil optimizará sustancialmente los indicadores de calidad institucionales ante organismos acreditadores como COPAES y CACEI.

Sustento Científico

La arquitectura y diseño funcional de EWS se fundamentan en literatura académica consolidada:

  • Tinto, V. (1993). Leaving College: Rethinking the Causes and Cures of Student Attrition. (Bases teóricas de la deserción).
  • Arnold, K. E., & Pistilli, M. D. (2012). Course Signals at Purdue. (Referencia de éxito en Early Warning Systems).
  • Breiman, L. (2001). Random Forests. Machine Learning. (Sustento del algoritmo clasificador predictivo).
  • Devlin, J., et al. (2018). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. (Fundamento técnico para el análisis de texto).
  • Chawla, N. V., et al. (2002). SMOTE: Synthetic Minority Over-sampling Technique. (Resolución técnica para el desbalance de clases de deserción).