Resumen: Comprender los factores que dan forma al rendimiento matemático de los estudiantes es vital para diseñar políticas educativas efectivas. Este estudio aplica técnicas explicables de inteligencia artificial (XAI) a los datos de PISA 2018 para predecir el logro matemático e identificar predictores clave en diez países (67,329 estudiantes). Probamos cuatro modelos: regresión lineal múltiple (MLR), bosque aleatorio (RF), catboost y redes neuronales artificiales (ANN), utilizando variables estudiantiles, familiares y escolares. Los modelos fueron entrenados en el 70% de los datos (con una validación cruzada de 5 veces) y se probaron en el 30%, estratificados por el país. El rendimiento se evaluó con R^2 y un error absoluto medio (MAE). Para garantizar la interpretabilidad, utilizamos importancia de características, valores de forma y visualizaciones de árboles de decisión. Los modelos no lineales, especialmente RF y ANN, superaron a MLR, con precisión de equilibrio de RF y generalización. Los predictores clave incluyeron el estatus socioeconómico, el tiempo de estudio, la motivación de los maestros y las actitudes de los estudiantes hacia las matemáticas, aunque su impacto varió en todos los países. El diagnóstico visual, como las diagramas de dispersión de puntajes predichos vs reales, mostraron que RF y Catboost se alinearon estrechamente con el rendimiento real. Los hallazgos destacan la naturaleza del logro no lineal y dependiente del contexto y el valor de XAI en la investigación educativa. Este estudio descubre patrones internacionales, informa reformas centradas en la equidad y apoya el desarrollo de estrategias de aprendizaje personalizadas.
Publicado Originalme en export.arxiv.org El 25 de agosto de 2025.
Ver Fuente Original
