Este estudio investiga la influencia de factores demográficos, académicos y de comportamiento en el rendimiento estudiantil utilizando técnicas avanzadas de aprendizaje automático. En la educación moderna, el éxito se configura no solo por el aprendizaje en el aula, sino también por el contexto, los hábitos y el comportamiento diario. El conjunto de datos incluía variables como género, ingresos familiares, puntajes de SSC y HSC, ciudad natal, uso de computadoras, tiempo de preparación, asistencia, actividad en redes sociales (ver videos cortos o “Reels”) y trabajos a medio tiempo. Estas características se analizaron junto con el GPA del semestre y los resultados generales para identificar los predictores más fuertes del éxito académico. Para evaluar estos factores, se aplicaron tanto clasificadores tradicionales (Random Forest, KNN, SVM, Naïve Bayes, Regresión Logística) como algoritmos avanzados de boosting (CatBoost, LightGBM, XGBoost), junto con métodos de ensamblaje como Voting, Bagging y Stacking. Entre todos los modelos, Stacking Ensemble logró consistentemente la mayor precisión del 95%, superando otros enfoques. El análisis mostró que la asistencia, los puntajes previos en exámenes y el tiempo de preparación fueron los predictores más influyentes, mientras que el uso intenso de redes sociales redujo la concentración y el rendimiento. Las visualizaciones, incluidos gráficos de comparación de precisión, gráficos de importancia de características y matrices de confusión, confirmaron estos hallazgos. La matriz de confusión de CatBoost demostró una clasificación confiable, con la mayoría de las predicciones alineadas correctamente a lo largo de la diagonal. El estudio destaca que, aunque los factores demográficos como el ingreso y la ciudad natal contribuyen a las diferencias de rendimiento, los hábitos de estudio disciplinados y la asistencia constante pueden ayudar a los estudiantes a superar estos desafíos. Estas ideas proporcionan orientación práctica para educadores e instituciones. Las escuelas pueden promover la asistencia, fomentar rutinas de estudio efectivas y sensibilizar sobre el impacto del uso de redes sociales. Al aprovechar el aprendizaje automático, las instituciones pueden identificar temprano a los estudiantes en riesgo y diseñar intervenciones específicas para mejorar los resultados. En general, esta investigación demuestra que el éxito estudiantil depende de una combinación de contexto, comportamiento y hábitos diarios. Al integrar métodos avanzados de aprendizaje automático, el estudio no solo logra una alta precisión predictiva, sino que también ofrece estrategias prácticas para apoyar a los estudiantes. Con el apoyo, la motivación y la disciplina adecuadas, cada estudiante tiene el potencial de mejorar su rendimiento y alcanzar el éxito académico.
Patel et al. (2026) estudiaron esta cuestión.