Technology Rain Journal

Modelo Basado en Deep Learning para predecir el ingreso de estudiantes a la Universidad Nacional del Altiplano

Edwin Edgar Mestas Yucra

Universidad Nacional del Altiplano – Perú

https://orcid.org/0000-0002-6000-1094

María Bobadilla Quispe

Universidad Nacional del Altiplano – Perú

https://orcid.org/0000-0002-4955-080X

Mario Milton Quisocala Lipa

Universidad Nacional del Altiplano – Perú

https://orcid.org/0000-0001-8810-7109

Ivan Grover Sanchez Mamani

Universidad Nacional del Altiplano – Perú

https://orcid.org/0000-0002-4307-7820

Julio Cesar Sardón Huayapa

Universidad Nacional del Altiplano – Perú

https://orcid.org/0000-0002-4447-4932

DOI: https://doi.org/10.55204/trj.v4i2.e107

Palabras clave: Aprendizaje profundo, aprendizaje no supervisado, agrupamiento, predicción, rendimiento académico

---

Resumen

La investigación surge de la preocupación de las instituciones educativas de la Unidad de Gestión Educativa Local Melgar por preparar académicamente a sus estudiantes para ingresar a la Universidad Nacional del Altiplano Puno (UNA Puno). Deep Learning facilita la realización de predicciones mediante el aprendizaje no supervisado y el clustering jerarquizado. El estudio tuvo como objetivo general determinar un modelo basado en Deep Learning que permite predecir el ingreso de los estudiantes a la UNA Puno, y como objetivos específicos determinar que técnicas serian mejorar para tratar la información del rendimiento académico, describir con gráficos el rendimiento académico de los estudiantes y predecir el ingreso a la UNA Puno basado en la información del rendimiento académico de los estudiantes de la IES Nuestra Señora de Alta Gracia. Se realizó una investigación de enfoque cuantitativo, tipo aplicada, nivel predictivo, y diseño de modelo predictivo para la construcción de patrones, una población y muestra de 257 estudiantes, los datos se recolectaron de las actas de evaluación y proceso mediante la minería de datos. Se ha determinado que el análisis de clústering con métrica de distancia Russellrao y método simple identificó un clúster significativo de estudiantes con alto rendimiento académico; sin embargo, hubo una discrepancia notable entre el pronóstico inicial de ingresantes con un 58.36% y los ingresantes reales de 3.5%, lo que resalta la necesidad de ajustar continuamente las estrategias de pronóstico y admisión universitaria; esta discrepancia de debe a factores como la competitividad del proceso de admisión, y el cambio constante de las estrategias de selección de estudiantes.

---

Citas

Abougalala, R., Alharbi, N., Amasha, M., Areed, M., Alkhalaf, S., & Khairy, D. (2025). Predicting student performance academic using Automated Machine Learning (AutoML): in medical academic institutions. Journal of New Approaches in Educational Research, 14(1), 1–20. https://doi.org/10.1007/S44322-025-00038-9/FIGURES/12

Al-Alawi, L., Al-Shaqsi, J., Tarhini, A., & Al-Busaidi, A. (2023). Using machine learning to predict factors affecting academic performance: the case of college students on academic probation. Education and Information Technologies. https://doi.org/10.1007/s10639-023-11700-0

Al-azazi, F., & Ghurab, M. (2023). ANN-LSTM: A deep learning model for early student performance prediction in MOOC. Heliyon, 9(4), e15382. https://doi.org/10.1016/j.heliyon.2023.e15382

Antonopoulos, I., Robu, V., Couraud, B., Kirli, D., Norbu, S., Kiprakis, A., Flynn, D., Elizondo-Gonzalez, S., & Wattam, S. (2020). Artificial intelligence and machine learning approaches to energy demand-side response: A systematic review. Renewable and Sustainable Energy Reviews, 130, 109899. https://doi.org/10.1016/j.rser.2020.109899

Araiza, M. (2021). Factores socioeconómicos asociados al rendimiento académico de estudiantes universitarios. Dilemas Contemporáneos: Educación, Política y Valores, 9(1). https://doi.org/10.46377/dilemas.v9i1.2831

Capuñay, D., Incio, F., Estela, R., Montenegro, L., Delgado, J., & Cueva, J. (2021). Predicción de resultados académicos con la aplicación nntool en Matlab utilizando redes neuronales artificiales. Apuntes Universitarios, 12(1), 386–403. https://doi.org/10.17162/au.v12i1.976

Cardenas-Quispe, M., Pacheco, A., Manrique-Nugent, M., & Quispe-Gonzales, G. (2022). Análisis de Datos y Aplicación de Clustering en Registros de Casos Confirmados por COVID-19 en la Provincia de Cañete. Scientific Research Journal CIDI, 2(3), 13–28. https://doi.org/10.53942/srjcidi.v2i3.84

Castrillón, O., Sarache, W., & Ruiz-Herrera, S. (2020). Predicción del rendimiento académico por medio de técnicas de inteligencia artificial. Formación Universitaria, 13(1), 93–102. https://doi.org/10.4067/S0718-50062020000100093

Costanza, M., Navrotska, Y., & Mancini, M. (2023). Unsupervised machine learning for project stakeholder classification: Benefits and limitations. Project Leadership and Society, 4, 100093. https://doi.org/10.1016/j.plas.2023.100093

Díaz, J. (2021). Aprendizaje Automático y Aprendizaje Profundo. Ingeniare. Revista Chilena de Ingeniería, 29(2), 180–181. https://doi.org/10.4067/S0718-33052021000200180

Fajardo, F., Maestre, M., Felipe, E., León, B., & Polo, M. (2017). Análisis del rendimiento académico de los alumnos de educación secundaria obligatoria según las variables familiares. 20, 209–232. https://doi.org/10.5944/educXX1.14475

Fernández, R. (2025). Modelos de Deep learning: Un enfoque de inteligencia artificial. CID-Centro de Investigación y Desarrollo. https://doi.org/10.37811/cli_w1220

Gil, V., & Quintero, C. (2021). Predicción del rendimiento académico estudiantil con redes neuronales artificiales. Información Tecnológica, 32(6), 221–228. https://doi.org/10.4067/S0718-07642021000600221

Heras-Giron, E., Merino-Salazar, T., Castañeda-Campos, C., Mendoza-Ramos, D., & Paredes-Carranza, J. (2022). Didactic strategies and solving quantity problems in primary school students in Peru. International Journal of Health Sciences, 6(S3), 11372–11381. https://doi.org/10.53730/ijhs.v6nS3.8673

Hernández, R., & Mendoza, C. (2018). Metodología de la investigación: Las rutas Cuantitativa Cualitativa y Mixta. In Metodología de la investigación. Las rutas cuantitativa, cualitativa y mixta (1.a ed.). McGraw-Hill Interamericana Editores.

Incio-Flores, F., Capuñay-Sanchez, D., & Estela-Urbina, R. (2022). Modelo de red neuronal artificial para predecir resultados académicos en la asignatura Matemática II. Revista Electrónica Educare, 27(1), 1–19. https://doi.org/10.15359/ree.27-1.14516

Jiménez, A. (2017). RMySQL para el análisis de datos de postulantes e ingresantes del área biomédicas a la Universidad Nacional del Altiplano – Puno Perú. Revista de Investigaciones Altoandinas - Journal of High Andean Research, 19(2). https://doi.org/10.18271/ria.2017.279

Márquez, J. (2020). Deep Artificial Vision Applied to the Early Identification of Non-Melanoma Cancer and Actinic Keratosis. Computación y Sistemas, 24(2). https://doi.org/10.13053/cys-24-2-2901

Montero, F., Montilla, N., & Arcia, J. (2024). Algoritmos de aprendizaje automático en la predicción del rendimiento académico universitario: una revisión sistemática. Más TIC, 1(1). https://doi.org/10.48204/3072-9696.6361

Moreno, J. O., & Cortez, S. N. (2020). Rendimiento académico y habilidades de estudiantes en escuelas públicas y privadas: evidencia de los determinantes de las brechas en aprendizaje para México. Revista de Economía, Facultad de Economía, Universidad Autónoma de Yucatán, 37(95), 73–106. https://doi.org/10.33937/reveco.2020.148

Quispe, M., Celi, L., & Campos, R. (2020). Uso de Machine Learning en la creación de páginas Web a medida de los usuarios. Campus, 25(30), 337–344. https://doi.org/10.24265/campus.2020.v25n30.09

Roopa, E., & Reddy, B. E. (2023). Predicting JNTUA CEA Student’s Academic Performance Using Deep Neural Networks. 2023 Third International Conference on Advances in Electrical, Computing, Communication and Sustainable Technologies (ICAECT), 1–6. https://doi.org/10.1109/ICAECT57570.2023.10118124

Torres, C., Pachas, J., López, H., Sánchez, J., & Ortiz, J. (2024). Predicción del rendimiento académico mediante modelos de regresión logística y el análisis discriminante. CID - Centro de Investigación y Desarrollo. https://doi.org/10.37811/cli_w1051

Vargas, H., Solorzano, L., & Chanini, W. (2020). Modelo matemático entre el puntaje de examen de ingreso y el rendimiento académico de los estudiantes ingresantes a la Universidad Nacional Jorge Basadre Grohmann, año académico 2018. Ciencias, 3(3), 45–51. https://doi.org/10.33326/27066320.2019.3.949

Verdugo-Vásquez, N., Gutiérrez-Gamboa, G., Valdés-Gómez, H., & Acevedo-Opazo, C. (2025). Development of a predictive model of phenology in grapevines cv. Cabernet Sauvignon under conditions of high spatial variability in Maule Valley. Agrociencia Uruguay, 29(NE2), e1242. https://doi.org/10.31285/AGRO.29.1242

Vizcaíno, P., Cedeño, R., & Maldonado, I. (2023). Metodología de la investigación científica: guía práctica. Ciencia Latina Revista Científica Multidisciplinar, 7(4), 9723–9762. https://doi.org/10.37811/cl_rcm.v7i4.7658

Yadav, N., & Srivastava, K. (2020). Student Performance Prediction from E-mail Assessments Using Tiny Neural Networks. 2020 IEEE Integrated STEM Education Conference (ISEC), 2020-January, 1–6. https://doi.org/10.1109/ISEC49744.2020.9397817