Resumen:El estudio explora el potencial de las tecnologías de inteligencia artificial en el aprendizaje personalizado, sugiriendo la predicción del éxito académico a través de rasgos de personalidad de liderazgo y modelos de aprendizaje automático. Los datos primarios se obtuvieron de 129 estudiantes de maestría del Departamento de Ingeniería Ambiental, a quienes se les aplicaron cinco pruebas de personalidad de liderazgo con 23 características. Los estudiantes utilizaron herramientas de autoevaluación que incluían pruebas de percepción de la personalidad, cultura del lugar de trabajo, motivación en el trabajo, habilidades de gestión y control de las emociones. Los resultados de las pruebas se combinaron con la calificación promedio obtenida de los informes académicos. El estudio empleó análisis de datos exploratorios y análisis de correlación. La selección de características utilizó coeficientes de correlación de Pearson de rasgos de personalidad. Las calificaciones promedio se dividieron en tres categorías: reprobado, aprobado y excelente. El proceso de modelado se realizó ajustando siete algoritmos de ML, como SVM, LR, KNN, DT, GB, RF, XGBoost y LightGBM. El rendimiento predictivo más alto se logró con el clasificador RF, que arrojó una precisión del 87,50 % para el modelo que incorpora 17 rasgos de personalidad y la característica de marca de liderazgo, y una precisión del 85,71 % para el modelo que excluye esta característica. De esta manera, el estudio ofrece una oportunidad adicional para identificar las fortalezas y debilidades de los estudiantes en una etapa temprana de su proceso educativo y seleccionar las estrategias más adecuadas para un aprendizaje personalizado.
Publicado originalmente en export.arxiv.org el 23 de octubre de 2025.
Ver fuente original
