Abstract

El objetivo de este estudio es proponer modelos de aprendizaje automático supervisado para predecir la capacidad de abstracción en estudiantes, como mecanismo de alerta temprana, mediante el uso de tecnología y videojuegos. La metodología empleada es mixta, con un diseño descriptivo y predictivo, analizando 118 pruebas aplicadas a estudiantes chilenos de formación docente. Para ello, se correlacionaron las variables: edad, modalidad y semestre académico, y se examinaron seis modelos predictivos. Los resultados muestran tres hallazgos relevantes. Primero, en la relación abstracción/edad, en las categorías Satisfactorio y No Abstracción, la distribución es homogénea en todas las edades. Segundo, la relación abstracción/modalidad muestra un patrón del 50% para todas las categorías de abstracción. Tercero, en la relación abstracción/semestre académico, se observa que el séptimo semestre concentra el mayor número de estudiantes sin capacidad de abstracción. Se concluye que el nivel de abstracción es bajo, mostrando que el 61,1% de los estudiantes no posee un nivel cognitivo superior. De los seis modelos de aprendizaje automático supervisado, dos se sugieren para predecir alertas tempranas: el árbol de decisión y el bosque aleatorio, con una precisión del 100 %. Por lo tanto, mediante el uso de tecnología y videojuegos, es posible fortalecer el desarrollo de habilidades cognitivas superiores, a través de una serie de estrategias planificadas en tiempos de COVID-19, concentradas en el primer y segundo semestre de la formación.