Análisis Predictivo del Rendimiento Académico en Estudiantes Canarios de Primaria usando Modelos Lasso

Abstract

La educación es crucial para el desarrollo individual y social, promoviendo el crecimiento económico, progreso cultural y mejora de la calidad de vida. Predecir el rendimiento académico es esencial para identificar a estudiantes en riesgo de fracaso escolar y tomar medidas preventivas. Este trabajo tiene como objetivo construir modelos predictivos del rendimiento académico de estudiantes de primaria utilizando datos de la Agencia Canaria de Calidad Universitaria y Evaluación Educativa (ACCUEE) de estudiantes en tercer grado en 2015/16 y en sexto grado en 2018/19. La metodología emplea técnicas de machine learning, específicamente modelos Lasso. Se desarrollaron tres modelos para predecir calificaciones en matemáticas, lengua y rendimiento académico general (agregado). Los principales resultados son: el modelo agregado tiene la mejor capacidad predictiva debido a su completitud, a pesar de tener la muestra más pequeña; los signos y magnitudes de las variables relevantes son consistentes entre modelos y con la literatura, indicando una explicación uniforme para matemáticas, lengua y el agregado; el efecto inercia es significativo en todos los modelos, capturando la mayor parte de la variabilidad; las variables explicativas son más relevantes en conjunto que por separado; la coincidencia de los signos en las predicciones cruzadas muestra una fuerte interseccionalidad entre variables; y las principales diferencias entre modelos están en las magnitudes, no en los signos.

Education is crucial for individual and social development, promoting economic growth, cultural progress, and improved quality of life. Predicting academic performance is essential for identifying students at risk of academic failure and taking preventive measures. This work aims to build predictive models of primary school students' academic performance, using data from the Canary Agency for University Quality and Educational Evaluation (ACCUEE) of students in the third grade in 2015/16 and in the sixth grade in 2018/19. The methodology employs machine learning techniques, specifically Lasso models. Three models were developed to predict grades in mathematics, language, and overall academic performance (aggregate). The main results are: the aggregate model has the best predictive capacity due to its completeness, despite having the smallest sample; the signs and magnitudes of the relevant variables are consistent across models and with the literature, indicating a uniform explanation for mathematics, language, and the aggregate; the inertia effect is significant in all models, capturing most of the variability; the explanatory variables are more relevant together than separately; the matching of signs in cross-predictions shows a strong intersectionality between variables; and the main differences between models are in magnitudes, not in signs

La educación es crucial para el desarrollo individual y social, promoviendo el crecimiento económico, progreso cultural y mejora de la calidad de vida. Predecir el rendimiento académico es esencial para identificar a estudiantes en riesgo de fracaso escolar y tomar medidas preventivas. Este trabajo tiene como objetivo construir modelos predictivos del rendimiento académico de estudiantes de primaria utilizando datos de la Agencia Canaria de Calidad Universitaria y Evaluación Educativa (ACCUEE) de estudiantes en tercer grado en 2015/16 y en sexto grado en 2018/19. La metodología emplea técnicas de machine learning, específicamente modelos Lasso. Se desarrollaron tres modelos para predecir calificaciones en matemáticas, lengua y rendimiento académico general (agregado). Los principales resultados son: el modelo agregado tiene la mejor capacidad predictiva debido a su completitud, a pesar de tener la muestra más pequeña; los signos y magnitudes de las variables relevantes son consistentes entre modelos y con la literatura, indicando una explicación uniforme para matemáticas, lengua y el agregado; el efecto inercia es significativo en todos los modelos, capturando la mayor parte de la variabilidad; las variables explicativas son más relevantes en conjunto que por separado; la coincidencia de los signos en las predicciones cruzadas muestra una fuerte interseccionalidad entre variables; y las principales diferencias entre modelos están en las magnitudes, no en los signos.

Education is crucial for individual and social development, promoting economic growth, cultural progress, and improved quality of life. Predicting academic performance is essential for identifying students at risk of academic failure and taking preventive measures. This work aims to build predictive models of primary school students' academic performance, using data from the Canary Agency for University Quality and Educational Evaluation (ACCUEE) of students in the third grade in 2015/16 and in the sixth grade in 2018/19. The methodology employs machine learning techniques, specifically Lasso models. Three models were developed to predict grades in mathematics, language, and overall academic performance (aggregate). The main results are: the aggregate model has the best predictive capacity due to its completeness, despite having the smallest sample; the signs and magnitudes of the relevant variables are consistent across models and with the literature, indicating a uniform explanation for mathematics, language, and the aggregate; the inertia effect is significant in all models, capturing most of the variability; the explanatory variables are more relevant together than separately; the matching of signs in cross-predictions shows a strong intersectionality between variables; and the main differences between models are in magnitudes, not in signs.