@article{11162/211835, year = {2021}, url = {http://www.psicothema.com/pdf/4692.pdf}, url = {https://hdl.handle.net/11162/211835}, abstract = {Predicción temprana del rendimiento académico con minería de datos: una revisión sistemática. Antecedentes: la predicción temprana del rendimiento académico mediante técnicas de minería de datos es un campo de estudio emergente, que se pretende analizar por medio de este artículo de revisión. Método: se ha revisado la literatura existente por medio de un proceso de búsqueda de artículos en los principales motores de búsqueda, y de selección de los mismos de acuerdo con ciertos criterios. Resultados: el proceso de búsqueda reportó 133 resultados, de los cuales 82 fueron seleccionados para dar respuesta a las preguntas de investigación planteadas. Se han agrupado los trabajos encontrados para poder dar respuesta a las preguntas por tipo de sistema educativo, técnicas de minería de datos aplicadas, variables empleadas y grado de anticipación con el que se puede predecir. Conclusiones: la mayor parte de los trabajos publicados corresponden a sistemas de aprendizaje en línea y presenciales-tradicionales en educación secundaria y terciaria; los algoritmos más utilizados el J48, Random Forest, SVM, Naive Bayes (clasificación), y la regresión logística y lineal (regresión); los datos de evaluación y los obtenidos de la interacción del estudiante con el entorno de aprendizaje son las variables más relevantes; finalmente, la anticipación en la predicción varía según el tipo de sistema educativo.}, booktitle = {Psicothema. 2021, v. 33, n. 3; p. 456-465}, keywords = {rendimiento}, keywords = {predicción}, keywords = {investigación sobre literatura científica}, keywords = {tratamiento electrónico de datos}, keywords = {algoritmo}, title = {Early prediction of student learning performance through data mining : a systematic review}, doi = {10.7334/psicothema2021.62}, author = {López Zambrano, Javier and Lara Torralbo, Juan Alfonso and Romero Morales, Cristóbal}, }