1. Introducción y Contexto
El estudio se enmarca en la creciente demanda global de profesionales con competencias digitales avanzadas, especialmente en áreas como analítica de datos, inteligencia artificial y gestión de tecnologías digitales. El Foro Económico Mundial (2023) identifica estas habilidades como las más requeridas en el mercado laboral contemporáneo.
En Colombia, y particularmente en el Distrito de Buenaventura, las instituciones de educación superior enfrentan un doble desafío: por un lado, responder a las exigencias globales de la transformación digital; por otro, superar las limitaciones estructurales locales, como el bajo acceso a internet y recursos tecnológicos. El programa de Ingeniería de Sistemas de la Universidad del Pacífico ha incorporado progresivamente plataformas LMS, simuladores y entornos colaborativos, pero carece de evidencia analítica que permita identificar qué factores contribuyen de manera más significativa al desarrollo de competencias digitales en sus estudiantes.
La investigación propone un modelo predictivo basado en analítica de datos y aprendizaje automático, con el fin de anticipar el nivel de competencias digitales de los estudiantes y orientar intervenciones pedagógicas más eficientes. Se utiliza la metodología CRISP-DM, ampliamente reconocida en proyectos de minería de datos, para estructurar el proceso de modelado. “La brecha entre disponibilidad tecnológica y apropiación pedagógica constituye un desafío documentado en la literatura latinoamericana” (p. 12).
2. Análisis de Datos e Indicadores
El estudio se desarrolló con un dataset de 538 registros de estudiantes del programa de Ingeniería de Sistemas (2015-2025), recolectados mediante registros administrativos y el Cuestionario de Autopercepción de Competencias Tecnológicas (CACT).
2.1. Metodología
- CRISP-DM: seis fases (comprensión del negocio, comprensión de los datos, preparación, modelado, evaluación y despliegue).
- Modelos evaluados: regresión lineal múltiple, regresión regularizada (Ridge/Lasso), Random Forest y Gradient Boosting.
- Validación: 5-fold cross-validation.
- Métricas de desempeño: R², RMSE y MAE.
2.2. Dimensiones evaluadas
El modelo se alineó con el marco DigComp 2.2, que incluye:
- Información y alfabetización de datos.
- Comunicación y colaboración.
- Creación de contenido digital.
- Seguridad.
- Resolución de problemas tecnológicos.
2.3. Resultados principales
- El modelo Lasso fue seleccionado como el más robusto, con un R² = 0.664, mostrando menor error de generalización frente a otros algoritmos.
- Las variables de uso de tecnologías activas (frecuencia de uso de LMS, simuladores y colaboración digital) explicaron más del 50% de la varianza en competencias digitales.
- Las variables sociodemográficas (género, edad, acceso a internet) tuvieron baja capacidad predictiva o fueron descartadas por el modelo.
- Se identificaron brechas específicas en colaboración digital y gestión de información, lo que sugiere la necesidad de reforzar estas áreas en el currículo.
2.4. Implicaciones institucionales
- El modelo permite identificar estudiantes en riesgo de presentar competencias digitales insuficientes (predicción < 3,0).
- Orienta la inversión hacia capacitación docente en integración de tecnologías activas, en lugar de expandir infraestructura sin acompañamiento pedagógico.
- Facilita el diseño de políticas curriculares que incentiven el uso significativo de LMS y simuladores.
- Proporciona un pipeline replicable por otras instituciones de educación superior en contextos similares. “El modelo Lasso seleccionado permite identificar estudiantes con riesgo de competencias digitales insuficientes y priorizar variables accionables” (p. 15).
3. Conclusiones
El estudio demuestra que es posible aplicar modelos predictivos de aprendizaje automático en contextos universitarios latinoamericanos para anticipar el nivel de competencias digitales de los estudiantes.
Las principales conclusiones son:
- La trayectoria académica por sí sola no garantiza el desarrollo de competencias digitales; el uso activo y significativo de tecnologías educativas es el factor más determinante.
- Las variables sociodemográficas tienen un impacto limitado, lo que refuerza la necesidad de centrar las intervenciones en aspectos pedagógicos y tecnológicos.
- El modelo predictivo constituye una herramienta estratégica para la toma de decisiones institucionales basadas en datos, permitiendo intervenciones diferenciadas y más eficientes.
- La replicabilidad del pipeline ofrece un aporte metodológico a la región, donde los estudios de analítica educativa aún son escasos.
- Se recomienda fortalecer la capacitación docente, integrar tecnologías activas en todas las asignaturas y realizar seguimiento semestral mediante recalibración del modelo.
En síntesis, la investigación aporta un marco analítico que permite a las instituciones de educación superior cerrar brechas digitales y formar profesionales más competitivos en el mercado laboral global.