Análisis de estrategias innovadoras para retención estudiantil con inteligencia artificial: una perspectiva multidisciplinaria

• Alamo, Ester Martín-Caro ^[1]
  1. [1] Corporación Universitaria de Asturias
• Localización: epsir: European Public & Social Innovation Review, ISSN-e 2529-9824, Nº. 9, 8, 2024 (Ejemplar dedicado a: Innovando en la galaxia de la inteligencia artificial)
• Idioma: español
• Títulos paralelos:
  • Analysis of Innovative Strategies for Student Retention with Artificial Intelligence: A Multidisciplinary Perspective
• Enlaces
  • Texto completo
• Resumen
  • español

    Introducción: La educación superior está transformándose con la adopción de modalidades virtuales e integración de tecnologías como la inteligencia artificial (IA), machine learning (ML), redes neuronales (NN) y big data (BD). Estas tecnologías están redefiniendo el acceso y la retención estudiantil, ofreciendo soluciones personalizadas para mejorar la experiencia educativa en entornos virtuales. Metodología: Esta revisión sistemática, basada en el método PRISMA, examina cómo la interacción de IA, ML, NN y BD influye en la predicción y gestión de la deserción estudiantil, destacando las aplicaciones de learning analytics (LA) para mejorar las intervenciones educativas. Resultados: Los resultados muestran que IA, ML y BD son efectivas para prever y gestionar el abandono escolar, permitiendo intervenciones más personalizadas. El análisis de grandes volúmenes de datos ayuda a identificar patrones cruciales para diseñar estrategias de retención. Discusión: A pesar de las mejoras significativas en la personalización del aprendizaje y optimización de recursos que ofrecen estas tecnologías, enfrentan desafíos éticos y operativos que deben considerarse. Conclusiones: La integración de IA, ML, NN y BD en la educación superior es un enfoque prometedor para enriquecer la experiencia y resultados estudiantiles, destacándose la importancia de inversiones estratégicas y un marco ético robusto para su implementación efectiva.

  • English

    Introduction: Higher education is transforming with the adoption of virtual modalities and the integration of technologies such as artificial intelligence (AI), machine learning (ML), neural networks (NN), and big data (BD). These technologies are redefining access and student retention, offering personalized solutions to enhance the educational experience in virtual environments. Methodology: This systematic review, based on the PRISMA method, examines how the interaction of AI, ML, NN, and BD influences the prediction and management of student dropout, highlighting the applications of learning analytics (LA) to improve educational interventions. Results: The results show that AI, ML, and BD are effective in predicting and managing school dropout, allowing for more personalized interventions. Analyzing large volumes of data helps identify crucial patterns for designing retention strategies. Discussion: Despite the significant improvements in personalized learning and resource optimization offered by these technologies, they face ethical and operational challenges that must be considered. Conclusions: The integration of AI, ML, NN, and BD in higher education is a promising approach to enriching the student experience and outcomes, emphasizing the importance of strategic investments and a robust ethical framework for effective implementation.