Modelo de Machine Learning para la Caracterización y Asignación Inteligente de Estudiantes en el Semillero de Investigación MAMBA

Abstract

Este estudio desarrolló un modelo de Machine Learning basado en métodos de ensamble para la caracterización y asignación inteligente de estudiantes a rutas formativas personalizadas en el semillero de investigación MAMBA de la Corporación Universitaria del Huila (CORHUILA). El problema radica en la asignación empírica de estudiantes a proyectos sin considerar sus características individuales, generando insatisfacción y deserción. Aunque la inteligencia artificial demuestra potencial para personalizar experiencias educativas (Bousalem et al., 2023), su aplicación en semilleros latinoamericanos permanece subdesarrollada (MinCiencias, 2023). La metodología adoptó un enfoque cuantitativo descriptivo-predictivo con diseño no experimental transversal, aplicando un cuestionario validado de 35 preguntas a 150 estudiantes de ingeniería. Se integraron clustering no supervisado mediante Gaussian Mixture Models (GMM) y clasificación supervisada con seis algoritmos, seleccionando el Perceptrón Multicapa (MLP) optimizado como modelo final. Los resultados identificaron tres perfiles: Perfil Opción de Grado (42%), Perfil Meta Personal y Empleabilidad (28%) y Perfil Mejoramiento Académico (30%). El modelo alcanzó un F1-Score de 0.9404, con variables motivacionales acumulando el 88.8% del poder predictivo (Vanegas, 2024). Se concluye que la heterogeneidad motivacional es la norma en semilleros regionales y que este sistema ofrece un potencial escalable hacia otros contextos académicos similares.