89
Fecha de recepción: 14 / 08 / 2024
Fecha de aceptación: 15 / 10 / 2024
Fecha de publicación: 16 / 05 / 2025
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de análisis descriptivo, correlacional, multivariante y predictivo.
pp. 89 - 102 / Volumen 6, número 2 / DOI: https://doi.org/10.37431/conectividad.v6i2.303
Instituto Superior Tecnológico Universitario Rumiñahui
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de
análisis descriptivo, correlacional, multivariante y predictivo
SIATECH Student Analytics System: An integrated approach to descriptive, correlational,
multivariate and predictive analytics
Alexander Haro Sarango , Frankz Carrera Calderón , Freddy Lalaleo Analuisa
Autor para correspondencia: alexander.haro@iste.edu.ec
RESUMEN
El estudio SIATECH aborda la necesidad
de evaluar y mejorar la satisfacción y el
rendimiento académico en la educación
mediante la implementación de técnicas
estadísticas avanzadas y de aprendizaje
automático. Utilizando el modelo de análisis
de importancia-desempeño (IPA) como base,
el estudio tiene como objetivo desarrollar
un sistema de análisis de estudiantes para
realizar análisis descriptivos, correlacionales,
multivariantes y predictivos, proporcionando
así una herramienta integral para mejorar los
procesos educativos. Este enfoque predictivo
ofrece la posibilidad de personalizar
intervenciones educativas, mejorando así los
resultados académicos individuales, lo que
proporciona a los instructores una comprensión
clara de las expectativas estudiantiles y les
permite ajustar sus métodos de enseñanza para
mejorar el aprendizaje. Sin embargo, desde
un punto de vista del conocimiento técnico
estadístico, la falta de formación en análisis de
datos entre algunos docentes puede limitar la
la información obtenida, subrayando la
necesidad de integrar la capacitación
estadística en los programas de formación
docente, no obstante, SIATECH concibe
una plataforma dinámica y de muy sencillo
uso e interpretación. En síntesis, SIATECH
demuestra ser una herramienta valiosa para
mejorar las prácticas educativas, enfatizando
la importancia de un enfoque basado en datos
en la toma de decisiones educativas.
Palabras clave: Aprendizaje automático,
Predicción, Rendimiento académico,
Satisfacción estudiantil, Educación, Docencia.
ABSTRACT
The SIATECH study addresses the need to
assess and improve academic satisfaction and
performance in education by implementing
advanced statistical and machine learning
techniques. Using the importance-
performance analysis (IPA) model as a basis,
the study aims to develop a student analytics
system to perform descriptive, correlational,
multivariate and predictive analyses, thus
providing a comprehensive tool to improve
educational processes. This predictive
educational interventions, thus improving
individual academic outcomes, providing
instructors with a clear understanding of
student expectations and allowing them to
adjust their teaching methods to improve
learning. However, from a statistical know-
how point of view, the lack of training in data
analysis among some teachers may limit the
information obtained, highlighting the need
to integrate statistical training into teacher
training programs, however, SIATECH devises
a dynamic platform that is very easy to use and
interpret. In summary, SIATECH proves to
be a valuable tool for improving educational
practices, emphasizing the importance of a
data-driven approach to educational decision-
making.
Keywords: Machine learning, Prediction,
Academic performance, Student satisfaction,
Education, Teaching.
Copyright
Los originales publicados en las ediciones impresa y electrónica de esta
revista son propiedad del Instituto Superior Tecnológico Universitario
Rumiñahui, por ello, es necesario citar la procedencia en cualquier
reproducción parcial o total. Todos los contenidos de la revista electrónica
se distribuyen bajo una licencia de Creative Commons Reconocimiento-
NoComercial-4.0 Internacional.
Citas
Haro Sarango, A., Carrera Calderón, F., & Lalaleo Analuisa, F. (2025).
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado
de análisis descriptivo, correlacional, multivariante y predictivo.
CONECTIVIDAD, 6(2). https://doi.org/10.37431/conectividad.
v6i2.303
Artículo Cientíco
Instituto Superior Tecnológico España, alexander.haro@iste.edu.ec
Instituto Superior Tecnológico España, frankz.carrera@iste.edu.ec
Instituto Superior Tecnológico España, freddy.lalaleo@iste.edu.ec
90
Fecha de recepción: 14 / 08 / 2024
Fecha de aceptación: 15 / 10 / 2024
Fecha de publicación: 16 / 05 / 2025
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de análisis descriptivo, correlacional, multivariante y predictivo.
pp. 89 - 102 / Volumen 6, número 2 / DOI: https://doi.org/10.37431/conectividad.v6i2.303
Instituto Superior Tecnológico Universitario Rumiñahui
1. INTRODUCCIÓN
El análisis de estudiantes es esencial para evaluar y mejorar la satisfacción de los estudiantes
en el ámbito de la educación superior, un estudio realizado por McLeay et al. (2017) aplicó el
modelo de análisis de importancia-desempeño (IPA) en universidades privadas de Malasia para
y el desempeño percibido. Este enfoque permitió a los administradores de educación superior
asignar recursos de manera más efectiva y desarrollar estrategias para mejorar la calidad y la
satisfacción estudiantil.
Además, la predicción del desempeño académico de los estudiantes es otro aspecto fundamental
del análisis educativo; Según Oyedeji et al. (2020), el uso de herramientas de aprendizaje
automático para analizar datos históricos de estudiantes, incluyendo atributos individuales
instancia, mejorar el desempeño individual de los estudiantes.
Por otro lado, la evaluación de la enseñanza desde la perspectiva de los estudiantes es crucial
propone el uso del análisis de importancia-desempeño junto con cuestionarios de evaluación de
la enseñanza por parte de los estudiantes para obtener una representación visual de los atributos
de enseñanza más valorados y cómo los instructores se desempeñan en estos aspectos. Esta
metodología ayuda a los docentes a comprender mejor las expectativas de los estudiantes y
ajustar sus métodos de enseñanza en consecuencia.
Un estudio realizado en Taiwán por Chen (2017) utilizó el análisis de importancia-desempeño
para evaluar el rendimiento en empleabilidad de los estudiantes universitarios. Los resultados
permitieron a las instituciones de educación superior formular e implementar políticas y
estrategias de empleo más efectivas, basadas en una comprensión clara de las preferencias y el
desempeño de los estudiantes en términos de empleabilidad.
Para Noronha et al. (2007), es crucial que los estudiantes de psicología comprendan y valoren
sus competencias y conocimientos en evaluaciones psicológicas, la investigación mostró que,
aunque los estudiantes valoran ciertas competencias, existen discrepancias entre la importancia
atribuida y el conocimiento real, lo que subraya la necesidad de ajustes en los programas
educativos para abordar estas brechas.
La aplicación de técnicas avanzadas de análisis de datos y minería de datos ha demostrado
ser altamente efectiva en la predicción del éxito académico de los estudiantes. Bhumika
Banswal (2023) utilizaron técnicas de aprendizaje automático como árboles de decisión,
bosques aleatorios y redes neuronales para predecir el rendimiento académico basado en datos
circundantes de los estudiantes. Este enfoque no solo mejora la precisión en la predicción del
rendimiento, sino que también proporciona información valiosa para el desarrollo de estrategias
91
Fecha de recepción: 14 / 08 / 2024
Fecha de aceptación: 15 / 10 / 2024
Fecha de publicación: 16 / 05 / 2025
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de análisis descriptivo, correlacional, multivariante y predictivo.
pp. 89 - 102 / Volumen 6, número 2 / DOI: https://doi.org/10.37431/conectividad.v6i2.303
Instituto Superior Tecnológico Universitario Rumiñahui
educativas personalizadas.
El análisis de datos en la educación es fundamental para evaluar el rendimiento académico de
los estudiantes. Los datos pueden provenir de diversas fuentes, como resultados de exámenes,
evaluaciones formativas, encuestas de satisfacción y otras métricas de desempeño; al analizar
realizado por Pito et al. (2020) demostró que la implementación de un sistema de bodega de
datos en la Universidad del Cauca permitió a los usuarios obtener modelos más efectivos y
adaptar mejor sus estrategias de enseñanza, resultando en una alta satisfacción entre los usuarios
del sistema.
necesaria para interpretar y utilizar estos datos de manera efectiva, esto se debe en parte a
que la formación docente tradicional no siempre incluye módulos sobre análisis de datos o
estadística educativa, la falta de esta competencia puede llevar a una mala interpretación de
los datos y a decisiones educativas que no están basadas en evidencia. Un estudio sobre la
formación estadística de futuros profesores en matemática reveló que muchos de ellos mostraban
mejorar esta área en la formación docente (Arteaga et al., 2017).
Para mejorar la competencia de los profesores en análisis de datos, es fundamental que las
instituciones educativas integren formación en análisis de datos y estadística en los programas
de formación docente, esta formación debe incluir tanto aspectos teóricos como prácticos,
permitiendo a los profesores adquirir habilidades para interpretar y aplicar datos en sus prácticas
pedagógicas. Un enfoque efectivo podría ser la implementación de metodologías activas y
herramientas tecnológicas que faciliten la comprensión y uso de los datos. Por ejemplo, un
estudio realizado en la Universidad de Barcelona destacó la importancia de la colaboración
entre docentes y bibliotecarios para el desarrollo de competencias informacionales, lo que
herramientas educativas de manera efectiva (Zaborras et al., 2020).
El objetivo del estudio es desarrollar el Sistema de Análisis de Estudiantes SIATECH para
realizar análisis descriptivos, correlacionales, multivariantes y predictivos, proporcionando así
una herramienta integral para mejorar los procesos educativos, este enfoque integrado tiene
como meta proporcionar una visión holística del rendimiento estudiantil y otros aspectos
relevantes.
2. MATERIALES Y MÉTODOS
Introducción al estudio
El estudio busca desarrollar y evaluar un modelo integrado que aplique métodos descriptivos,
92
Fecha de recepción: 14 / 08 / 2024
Fecha de aceptación: 15 / 10 / 2024
Fecha de publicación: 16 / 05 / 2025
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de análisis descriptivo, correlacional, multivariante y predictivo.
pp. 89 - 102 / Volumen 6, número 2 / DOI: https://doi.org/10.37431/conectividad.v6i2.303
Instituto Superior Tecnológico Universitario Rumiñahui
correlacionales, multivariantes y predictivos para analizar una amplia variedad de datos de
variables educativas, como rendimiento académico, factores socioeconómicos, métodos de
enseñanza, y apoyo institucional, para mejorar la toma de decisiones educativas. El estudio
toma como premisa teórica-metodológica el estudio de McLeay et al. (2017) modelo de análisis
de importancia-desempeño (IPA).
Objetivos especícos de la investigación
• Implementar y validar métodos estadísticos y de aprendizaje automático para el análisis
de datos educativos.
•
• Desarrollar modelos predictivos que permitan anticipar trayectorias académicas en
función de diversas variables de entrada.
Diseño de la investigación
El estudio se estructura en un diseño mixto, combinando técnicas cuantitativas y cualitativas
para abordar la complejidad de los datos educativos y las interacciones entre diversas variables.
Recolección de datos
• Fuentes de datos:
o Datos académicos históricos y actuales.
o Encuestas sobre factores socioeconómicos y ambientales.
o Evaluaciones de desempeño de estudiantes y profesores.
• Instrumentos:
o Cuestionarios estructurados para recolectar datos socioeconómicos y opiniones
sobre métodos pedagógicos.
o Bases de datos institucionales para obtener información académica.
o Entrevistas semiestructuradas con educadores y administradores para obtener
insights cualitativos.
Limitaciones del estudio
• Generalización de resultados: Los hallazgos pueden no ser generalizables a todos los
contextos educativos, especialmente debido a las diferencias culturales y estructurales
entre instituciones.
• Posibles sesgos: Sesgos en la selección de la muestra y en las respuestas de las encuestas
3. RESULTADOS Y DISCUSIÓN
• Repositorio: GitHub es un espacio de almacenamiento donde se va a alojar y gestionar
93
Fecha de recepción: 14 / 08 / 2024
Fecha de aceptación: 15 / 10 / 2024
Fecha de publicación: 16 / 05 / 2025
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de análisis descriptivo, correlacional, multivariante y predictivo.
pp. 89 - 102 / Volumen 6, número 2 / DOI: https://doi.org/10.37431/conectividad.v6i2.303
Instituto Superior Tecnológico Universitario Rumiñahui
proyectos de código. GitHub utiliza Git, un sistema de control de versiones distribuido,
para rastrear y gestionar cambios en los archivos del proyecto (Cosentino et al., 2016).
Para quienes deseen replicar este proyecto Sistema de análisis de estudiantes SIATECH
podrán aplicarlo y adminístralo de forma libre y, lo podrán conseguir en el siguiente
enlace:
o https://gist.github.com/aharo8014/a6bd37ebc51c0a944c30c8a33f96fc0c/
revisions
• Página de presentación y carga de datos: Se menciona que existe un límite de carga
de hasta 200 MB, el formato admisible es CSV (comma-separated values / Valores
separados por comas).
Figura. 1. Página de presentación
Fuente: Visualizado en navegador, estructurado en PyCharm, gestionado con Streamlit
• Análisis descriptivo - Cuantitativo: resumen estadístico de los datos cargados. Esto
incluye medidas como la media, mediana, desviación estándar, valores mínimos y
máximos, entre otros.
• Análisis descriptivo - Cualitativo: Conteo por categorías.
Figura. 2. Análisis descriptivo cuantitativo
Fuente: Visualizado en navegador, estructurado en PyCharm, gestionado con Streamlit
94
Fecha de recepción: 14 / 08 / 2024
Fecha de aceptación: 15 / 10 / 2024
Fecha de publicación: 16 / 05 / 2025
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de análisis descriptivo, correlacional, multivariante y predictivo.
pp. 89 - 102 / Volumen 6, número 2 / DOI: https://doi.org/10.37431/conectividad.v6i2.303
Instituto Superior Tecnológico Universitario Rumiñahui
Figura. 3. Análisis descriptivo cualitativo
Fuente: Visualizado en navegador, estructurado en PyCharm, gestionado con Streamlit
• Histograma
de un conjunto de datos numéricos, permite visualizar la frecuencia de los valores dentro
sesgada, bimodal, etc.) y es útil para detectar outliers, tendencias y patrones en los datos
(Jaramillo et al., 2023).
Figura. 4. Estructuración de Histograma
Fuente: Visualizado en navegador, estructurado en PyCharm, gestionado con Streamlit
• Diagrama de caja
distribución de un conjunto de datos a través de sus cuartiles, muestra la mediana, los
la dispersión de los datos, comparar distribuciones entre diferentes grupos o categorías
(Flores & Flores, 2018).
95
Fecha de recepción: 14 / 08 / 2024
Fecha de aceptación: 15 / 10 / 2024
Fecha de publicación: 16 / 05 / 2025
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de análisis descriptivo, correlacional, multivariante y predictivo.
pp. 89 - 102 / Volumen 6, número 2 / DOI: https://doi.org/10.37431/conectividad.v6i2.303
Instituto Superior Tecnológico Universitario Rumiñahui
Figura. 5. Estructuración de diagrama de caja
Fuente: Visualizado en navegador, estructurado en PyCharm, gestionado con Streamlit
• Gráco de barras
relación entre diferentes categorías a través de barras de longitud proporcional a los valores
que representan, comparan cantidades entre diferentes categorías, visualiza cambios
en los datos a lo largo del tiempo o entre diferentes grupos, destacan las diferencias
y similitudes entre distintas categorías, bastante utilizado en análisis descriptivo para
comparar datos categóricos, visualizar frecuencias, proporciones y resumir información
en categorías discretas (Fernández et al., 2019).
Figura. 6
Fuente: Visualizado en navegador, estructurado en PyCharm, gestionado con Streamlit
• ¿Qué mide? La correlación mide la relación lineal entre dos variables. Por ejemplo,
• Valores:
una fuerte correlación positiva (a medida que una variable aumenta, la otra también lo
hace), un valor cercano a -1 indica una fuerte correlación negativa (a medida que una
aumenta, la otra disminuye), y un valor cercano a 0 indica ninguna correlación lineal
(Martínez Ortega et al., 2009).
96
Fecha de recepción: 14 / 08 / 2024
Fecha de aceptación: 15 / 10 / 2024
Fecha de publicación: 16 / 05 / 2025
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de análisis descriptivo, correlacional, multivariante y predictivo.
pp. 89 - 102 / Volumen 6, número 2 / DOI: https://doi.org/10.37431/conectividad.v6i2.303
Instituto Superior Tecnológico Universitario Rumiñahui
Figura. 7. Matriz de correlación
Fuente: Visualizado en navegador, estructurado en PyCharm, gestionado con Streamlit
• ¿Qué mide? La regresión simple busca modelar la relación entre una o varias variables
independientes y una variable dependiente, estimando cómo una o unas variables
afectan a la otra.
• Modelo: El modelo proporciona una ecuación de la forma , donde es la variable
nivel de estrés, entre otras), es la pendiente de la línea (cómo cambia y en respuesta a ),
y es la intersección (Carrasquilla-Batista et al., 2016)
Figura. 8. Regresión lineal simple y múltiple
Fuente: Visualizado en navegador, estructurado en PyCharm, gestionado con Streamlit
97
Fecha de recepción: 14 / 08 / 2024
Fecha de aceptación: 15 / 10 / 2024
Fecha de publicación: 16 / 05 / 2025
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de análisis descriptivo, correlacional, multivariante y predictivo.
pp. 89 - 102 / Volumen 6, número 2 / DOI: https://doi.org/10.37431/conectividad.v6i2.303
Instituto Superior Tecnológico Universitario Rumiñahui
Figura. 9
Fuente: Visualizado en navegador, estructurado en PyCharm, gestionado con Streamlit
• ¿Qué mide? Los árboles de decisión son modelos predictivos que dividen los datos en
ramas para llegar a decisiones o predicciones.
• Estructura: Consiste en nodos de decisión y hojas. Los nodos representan una
pregunta basada en una característica, y las hojas representan una decisión o resultado.
Puede utilizarse para determinar qué factores contribuyen más al éxito académico,
como el entorno familiar, los métodos de estudio, o la participación en actividades
extracurriculares.
Figura. 10. Modelo de árbol de decisión
Fuente: Visualizado en navegador, estructurado en PyCharm, gestionado con Streamlit
• ¿Qué mide? Los bosques aleatorios son un ensamble de árboles de decisión diseñados
2016).
• Importancia de las variables: Este método también proporciona un indicativo de
qué variables son más importantes en la predicción. Útil para analizar la efectividad
98
Fecha de recepción: 14 / 08 / 2024
Fecha de aceptación: 15 / 10 / 2024
Fecha de publicación: 16 / 05 / 2025
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de análisis descriptivo, correlacional, multivariante y predictivo.
pp. 89 - 102 / Volumen 6, número 2 / DOI: https://doi.org/10.37431/conectividad.v6i2.303
Instituto Superior Tecnológico Universitario Rumiñahui
Figura. 11
Fuente: Visualizado en navegador, estructurado en PyCharm, gestionado con Streamlit
• ¿Qué mide? El PCA es una técnica de reducción de dimensiones que transforma las
variables originales en un nuevo conjunto de variables que son combinaciones lineales
de las originales, llamadas componentes principales.
• Componentes principales: Estos componentes se seleccionan de modo que el primero
captura la mayor varianza posible, y cada componente subsiguiente tiene la mayor
varianza posible bajo la restricción de que sea ortogonal a los componentes anteriores.
la visualización y comprensión de las relaciones entre múltiples factores académicos y
comportamentales (Gozá-León et al., 2020).
Figura. 12. Análisis de Componentes Principales (PCA)
Fuente: Visualizado en navegador, estructurado en PyCharm, gestionado con Streamlit
• ¿Qué mide la prueba T de Student? evalúa si las medias de dos grupos son
estadísticamente diferentes entre sí. Es aplicable cuando se comparan dos grupos bajo
99
Fecha de recepción: 14 / 08 / 2024
Fecha de aceptación: 15 / 10 / 2024
Fecha de publicación: 16 / 05 / 2025
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de análisis descriptivo, correlacional, multivariante y predictivo.
pp. 89 - 102 / Volumen 6, número 2 / DOI: https://doi.org/10.37431/conectividad.v6i2.303
Instituto Superior Tecnológico Universitario Rumiñahui
supuestos de normalidad y varianzas homogéneas. Permite comparar el rendimiento
promedio de dos grupos de estudiantes que usan diferentes métodos de enseñanza,
pruebas de estudiantes antes y después de su implementación. El resultado de la prueba
(Lugo-Armenta & Pino-Fan, 2022).
• ¿Qué mide ANOVA?
entre las medias de tres o más grupos independientes. A diferencia de la prueba T, que
solo puede comparar dos grupos, ANOVA puede manejar múltiples grupos al mismo
en el rendimiento académico. También permite evaluar el rendimiento en diferentes
asignaturas para determinar cuáles presentan mayores desafíos para los estudiantes. Al
igual que en la prueba T, el resultado principal de un ANOVA es un valor p. Un valor p
de los otros en términos de la media (Liu & Wang, 2021).
Figura. 13. T-Student y ANOVA
Fuente: Visualizado en navegador, estructurado en PyCharm, gestionado con Streamlit
• Sistema en línea de Acceso Abierto: https://siatech.streamlit.app
100
Fecha de recepción: 14 / 08 / 2024
Fecha de aceptación: 15 / 10 / 2024
Fecha de publicación: 16 / 05 / 2025
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de análisis descriptivo, correlacional, multivariante y predictivo.
pp. 89 - 102 / Volumen 6, número 2 / DOI: https://doi.org/10.37431/conectividad.v6i2.303
Instituto Superior Tecnológico Universitario Rumiñahui
Figura. 14. Sistema en Línea
Fuente: Cargado en línea con conexión a Github
4. CONCLUSIONES
El estudio SIATECH ha proporcionado una valiosa visión holística sobre el impacto de diferentes
factores en el rendimiento y la satisfacción estudiantil dentro del ámbito de la educación, pero
no solo dentro de la superior, sino de todos los otros niveles educativos existentes; a través de
la aplicación de técnicas estadísticas avanzadas y métodos de aprendizaje automático, hemos
entre variables clave como el rendimiento académico, los atributos socioeconómicos, los
métodos de enseñanza y el apoyo institucional.
La implementación del modelo de análisis de importancia-desempeño (IPA) en universidades
privadas en Malasia ha revelado brechas cruciales entre la importancia que los estudiantes
atribuyen a ciertos aspectos de su educación y el desempeño percibido de estas áreas. Este
conocimiento ha permitido a los administradores educativos asignar recursos de manera
más efectiva y desarrollar estrategias para potenciar la calidad y la satisfacción estudiantil;
además, la integración del análisis de importancia-desempeño en la evaluación de la enseñanza
ha proporcionado a los docentes una mejor comprensión de las expectativas estudiantiles,
facilitando ajustes pertinentes en los métodos pedagógicos.
Por otra parte, la predicción del desempeño académico mediante herramientas de aprendizaje
automático ha demostrado ser particularmente efectiva, los modelos desarrollados han permitido
predecir trayectorias académicas con mayor precisión, basándose en una diversidad de datos
históricos y atributos individuales de los estudiantes. Este enfoque predictivo en la nueva era ha
abierto nuevas posibilidades para intervenciones educativas personalizadas, dirigidas a mejorar
el rendimiento individual de los estudiantes.
Sin embargo, el estudio también ha destacado desafíos importantes, particularmente en relación
101
Fecha de recepción: 14 / 08 / 2024
Fecha de aceptación: 15 / 10 / 2024
Fecha de publicación: 16 / 05 / 2025
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de análisis descriptivo, correlacional, multivariante y predictivo.
pp. 89 - 102 / Volumen 6, número 2 / DOI: https://doi.org/10.37431/conectividad.v6i2.303
Instituto Superior Tecnológico Universitario Rumiñahui
con la capacitación de los docentes en análisis de datos, la falta de competencias estadísticas
educativos, lo que a su vez afecta la toma de decisiones basada en evidencias; la integración de
formación en análisis de datos en los programas de formación docente es, por tanto, esencial
REFERENCIAS
Arteaga, P., Batanero, C., & Gea, M. (2017). La componente mediacional del conocimiento
didáctico-matemático de futuros profesores sobre Estadística: Un estudio de evaluación
exploratorio. 1, 54-75. https://doi.org/10.24116/EMD25266136V1N12017A03
Bhumika Banswal, A. (2023). Analysing and Predicting Student’s Performance Using
their Surrounding Data. 2023 14th International Conference on Computing
Communication and Networking Technologies (ICCCNT), 1-7. https://doi.org/10.1109/
ICCCNT56998.2023.10307525
Carrasquilla-Batista, A., Chacón-Rodríguez, A., Núñez-Montero, K., Gómez-Espinoza, O.,
Valverde, J., & Guerrero-Barrantes, M. (2016). Regresión lineal simple y múltiple:
Aplicación en la predicción de variables naturales relacionadas con el crecimiento
microalgal. Revista Tecnología en Marcha, 29, 33-45. https://doi.org/10.18845/
tm.v29i8.2983
Chen, Y. C. (2017). Applying importance-performance analysis to assess student employability
in Taiwan. Journal of Applied Research in Higher Education, 10, 76-86. https://doi.
org/10.1108/JARHE-10-2017-0118
Cladera, M. (2020). An application of importance-performance analysis to students’ evaluation
of teaching. Educational Assessment, Evaluation and Accountability, 33, 701-715.
https://doi.org/10.1007/s11092-020-09338-4
Cosentino, V., Luis, J., & Cabot, J. (2016). Findings from GitHub: Methods, datasets and
limitations. Proceedings of the 13th International Conference on Mining Software
Repositories, 137-141. https://doi.org/10.1145/2901739.2901776
Fernández, A., García García, J. I., Arredondo, E. H., & López Calvario, C. (2019). Comprensión
Revista Digital
del Doctorado en Educación de la Universidad Central de Venezuela, 5(10), 145-162.
Flores, J., & Flores, R. (2018). La Enseñanza del Diagrama de Caja y Bigotes para Mejorar su
Interpretación. Revista Bases de la Ciencia, 3(1), Article 1. https://doi.org/10.33936/
rev_bas_de_la_ciencia.v3i1.1107
Gozá-León, O., Fernández-Águila, M., Rodríguez-Garcel, R. H., Ojito-Magaz, E., Gozá-
León, O., Fernández-Águila, M., Rodríguez-Garcel, R. H., & Ojito-Magaz, E. (2020).
biofármaco. Vaccimonitor, 29(1), 5-13.
Jaramillo, H. A. L., Pinos, C. A. E., Sarango, A. F. H., & Román, H. D. O. (2023). Histograma
y distribución normal: Shapiro-Wilk y Kolmogorov Smirnov aplicado en SPSS:
Histogram and normal distribution: Shapiro-Wilk and Kolmogorov Smirnov applied
in SPSS. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 4(4),
102
Fecha de recepción: 14 / 08 / 2024
Fecha de aceptación: 15 / 10 / 2024
Fecha de publicación: 16 / 05 / 2025
Sistema de análisis de estudiantes SIATECH: Un enfoque integrado de análisis descriptivo, correlacional, multivariante y predictivo.
pp. 89 - 102 / Volumen 6, número 2 / DOI: https://doi.org/10.37431/conectividad.v6i2.303
Instituto Superior Tecnológico Universitario Rumiñahui
Article 4. https://doi.org/10.56712/latam.v4i4.1242
Behavior Research Methods, 53(1), 264-277. https://doi.org/10.3758/s13428-020-
01407-2
Lugo-Armenta, J. G., & Pino-Fan, L. R. (2022). Niveles de Razonamiento Inferencial para
el Estadístico t-Student. Bolema: Boletim de Educação Matemática, 35, 1776-1802.
https://doi.org/10.1590/1980-4415v35n71a25
Martínez Ortega, R. M., Tuya Pendás, L. C., Martínez Ortega, M., Pérez Abreu, A., & Cánovas,
Revista Habanera de Ciencias Médicas, 8(2), 0-0.
Analysis (IPA) in Higher Education: Understanding Student Satisfaction. Journal of
Management Development, 36, 780-800. https://doi.org/10.1108/JMD-10-2016-0187
Noronha, A., Nunes, M. F. O., & Ambiel, R. A. M. (2007). Importance and knowledge in
psychological assessments: A study with Psychology students. 17, 231-244. https://doi.
org/10.1590/S0103-863X2007000200007
Oyedeji, A., Salami, A. M., Folorunsho, O., & Abolade, O. R. (2020). Analysis and Prediction of
Student Academic Performance Using Machine Learning. JITCE (Journal of Information
Technology and Computer Engineering). https://doi.org/10.25077/jitce.4.01.10-15.2020
Pito, D. U., Moreno, E. C., & Becerra, M. M. (2020). Bodega de datos con alta capacidad
de análisis para el desempeño académico de Universidades. 8, 102-118. https://doi.
org/10.17081/INVINNO.8.3.4707
Zaborras, R., Martín, C. R., & Castellà, C. O. i. (2020). Análisis del comportamiento
informacional de los estudiantes posgraduados de la Facultad de Educación de la
Universidad de Barcelona. Revista Interuniversitaria de Formación del Profesorado,
34, 167-186. https://doi.org/10.47553/rifop.v34i2.79612
