Aplicación de Modelos de Inteligencia Artificial en Pruebas Estandarizadas para la Optimización del Rendimiento Académico en Educación Superior

• Orozco Morales, Nathalia ^[1] ; Osorio García, Pavel Andrei ^[1]
  1. [1] Corporación Universitaria Minuto de Dios

     Corporación Universitaria Minuto de Dios

     Colombia

     
• 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:
  • Application of Artificial Intelligence Models in Standardized Tests for Optimizing Academic Performance in Higher Education
• Enlaces
  • Texto completo
• Resumen
  • español

    Introducción:  Aunque, la IA ha demostrado potencial para predecir resultados académicos, diseñar programas de aprendizaje personalizados y apoyar la orientación académica, se encuentran desafíos significativos como la necesidad de datos de alta calidad, problemas de interpretabilidad de algunos modelos y el riesgo de perpetuar sesgos existentes. El objetivo de la presente revisión sistemática es explorar el uso de la inteligencia artificial en el ámbito educativo, específicamente en el contexto de las pruebas estandarizadas. Metodología: Para ello, se lleva a cabo una revisión exhaustiva de la literatura científica siguiendo las directrices de la declaración PRISMA, con una muestra de 17 artículos publicados entre el 2019 y 2023 en revistas indexadas en Scopus. Resultados: Se encontró que los modelos predictivos más utilizados en los estudios fueron: Redes Neuronales Artificiales, Árboles de Decisión, Máquinas de Soporte Vectorial (SVM) y Random Forest, Discusión: identificando beneficios que incluyen la optimización del rendimiento académico, individualización del aprendizaje y mejora en la toma de decisiones educativas. Conclusiones: Se concluye que la IA tiene un gran potencial para mejorar la medición de la calidad educativa, pero es crucial abordar estas limitaciones y consideraciones éticas para garantizar su aplicación efectiva y responsable en el ámbito educativo.

  • English

    Introduction: Although AI has shown potential to predict academic outcomes, design personalized learning programs, and support academic guidance, there are significant challenges such as the need for high-quality data, interpretability issues of some models, and the risk of perpetuating existing biases. The object of this systematic review explores the use of artificial intelligence in the educational field, specifically in the context of standardized tests. Methodology: To achieve this, a comprehensive review of the scientific literature is conducted following the PRISMA statement guidelines, with a sample of 17 articles published between 2019 and 2023 in journals indexed in Scopus. Results: The most used predictive models in these studies were found to be: Artificial Neural Networks, Decision Trees, Support Vector Machines, and Random Forest, Discussions: identifying benefits that include optimizing academic performance, personalizing learning, and improving educational decision-making. Conclusions: It is concluded that AI has great potential to improve the measurement of educational quality, but it is crucial to address these limitations and ethical considerations to ensure its effective and responsible application in the educational field.