Explorando la predicción de los resultados de las pruebas de matemáticas en la provincia de Camagüey usando inteligencia artificial

Yoan  Martinez-Lopez; Heidy  Cabrera Rodríguez; Olga Lidia  Pérez Gónzalez; Carlos  de Castro Lozano; Ana O.  López Correoso

Autores/as

Yoan Martinez-Lopez Universidad de Camagüey
Heidy Cabrera Rodríguez Universidad de Camagüey
Olga Lidia Pérez Gónzalez Universidad de Camagüey
Carlos de Castro Lozano Universidad de Córdoba
Ana O. López Correoso IPVCE Máximo Gómez Báez

Palabras clave:

preuniversitario, predicción, aprendizaje automático, trigonometría, pruebas de ingreso de matemáticas

Resumen

El estudio exploratorio de los resultados de las pruebas de ingreso de matemáticas en el nivel medio superior en la provincia de Camagüey tiene como objetivo contribuir al perfeccionamiento de la enseñanza de la matemática, mejorando la calidad de la formación integral de los estudiantes de preuniversitario y secundaria básica. Además, se realizaron la clasificación de los estudiantes en aprobados o no, en dependencia de los resultados de la pregunta. Con relación a los algoritmos de clasificación BayesNet, NaiveBayes, Logistic, MultilayerPerceptron y SMO obtuvieron una precisión (ACC) del 95% o superior en al menos una de las dos solicitudes, mientras que Complement Naive Bayes, OneR, PART, Ridor y ZeroR obtuvieron una precisión del 63% o inferior en al menos una de las dos solicitudes.

Citas

Aguilar, J. F. Á. (2020). Minería de datos educativos: Una propuesta de innovación en la inspección educativa. Supervisión 21, 57(57), 8-8.

Abaszade, M., Maftonian, M., Babaee, M. y Fadaee, M. (2017). Investigación de la precisión de los algoritmos heurísticos y la regresión logit lineal para predecir el tipo de comentario del auditor. Investigaciones modernas en Accounting Journal , 4, 39-73.

Abdulameer, A. G., Hammood, A. S., Abdulwahed, F. M., & Ayyash, A. A. (2025). Naïve Bayes algorithm for timely fault diagnosis in helical gear transmissions using vibration signal analysis. International Journal on Interactive Design and Manufacturing (IJIDeM), 19(5), 3695-3706.

Abdulrahman, S. A., & Khlebis, S. F. (2025). Models of Machine Learning to Diagnose Chronic Kidney disease using a WEKA-based Classifier. Mesopotamian Journal of Artificial Intelligence in Healthcare, 2025, 39-47.

Akshitha, K., Rao, T., Kodiaplli, A., Arabu, U., Reddy, K. R., Ikram, M., & Bahl, A. (2025, April). Analysis of the performance of terrorism classification using machine learning. In AIP Conference Proceedings (Vol. 3157, No. 1, p. 080007). AIP Publishing LLC.

Ayyappan, G., & Sathish, B. (2025, June). AI-Driven Brain Tumor Prediction using Feature Extraction and Machine Learning Classifiers. In 2025 3rd International Conference on Self Sustainable Artificial Intelligence Systems (ICSSAS) (pp. 1314-1320). IEEE.

Bayas, B. O., & Zambrano-Vega, C. (2019). Nuevo clasificador bayesiano simple para el análisis de datos educativos. Universidad y Sociedad, 11(2), 278-285.

Bala, J., K. C. Chang, A. Williams And Y. Weng (2003). A Hybrid Bayesian Decision Tree for Classification. Workshop on Probabilistic Graphical Models for Classification, Cavtat-Dubrovnik, Croatia.

Boell, M. (2025). La relación con el saber y la inteligencia artificial en la educación superior. Trayectorias Universitarias, 11.

Binsawad, M. (2025). Enhanced Financial Fraud Detection Using an Adaptive Voted Perceptron Model with Optimized Learning and Error Reduction. Electronics, 14(9), 1875.

Cambazard, H., Catusse, N., Chomez, A., & Lagrange, A. M. (2025). Logistic regression to boost exoplanet detection performances. Monthly Notices of the Royal Astronomical Society, 536(2), 1610-1624.

Castillo, M. C. (2024). Elementos de Lógica: aplicados al proceso de enseñanza y aprendizaje. Editorial Universitaria (Cuba).

Cassales, G. W., Liu, J. J., & Bifet, A. (2025). Accelerated weka: GPU machine learning with weka Workbench. Neurocomputing, 130432.

Díaz Cutiño, A. (2022). El tratamiento de los conceptos matemáticos en la unidad: curvas de segundo grado en la enseñanza preuniversitaria (Doctoral dissertation, Universidad Matanzas).

Dota, M. A., Cugnasca, C. E., y Barbosa, D. S. (2015). Comparative analysis of decision tree algorithms on quality of water contaminated with soil/Analise comparativa de algoritmos de arvore de decisao na classificacao da qualidade da agua contaminada por solo. Ciencia Rural, 45(2), 267-274

Em Pekala (2000.), Diccionario de estadística (págs. 244-245). Madrid: McGraw-Hill.

Escalante, H. J., Espinosa Guevara, K., Berrones Santos, J. A., y Saucedo Espinosa, M. A. (2012). Detección automática de fallas de baleros en un proceso de manufactura: Un estudio comparativo. Ingenierías, 15(55), 15-22.

Francia. Unesco. Conferencia general, 40th. Proclamación de un Año Internacional de las Ciencias Básicas para el Desarrollo (2022). París, 2019. Disponible en: https://unesdoc.unesco.org/ark:/48223/pf0000371464_spaAcceso el 2 de mayo. 2022.

Gallego, A. J., Rico-Juan, J. R., Calvo-Zaragoza, J., Castellanos, F. J., & Rizo, D. (2019). Desarrollo de un servicio online para el uso de técnicas de aprendizaje automático orientadas a la detección de anomalías en la evaluación docente.

Gutiérrez Esparza, G. O., Margain Fuentes, M. D. L., Ramírez Del Real, T. A., y Canul Reich, J. (2017). Un modelo basado en el Clasificador Naïve Bayes para la evaluación del desempeño docente. RIED. Revista iberoamericana de educación a distancia.)

Hussain, K., Mehmood, K., Yujun, S., Badshah, T., Anees, S. A., Shahzad, F., ... & Bilal, M. (2025). Analysing LULC transformations using remote sensing data: insights from a multilayer perceptron neural network approach. Annals of GIS, 31(3), 473-500

Huynh, V. Q. P., Beck, F., & Fürnkranz, J. (2025, July). Partial Pre-Post Code Tree: A Memory-Efficient Tree Structure for Conjunctive Rule Mining. In Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining V. 1 (pp. 565-576).

Jeyasingh, M. M., Appavoo, K., y Sakthivel, P (2002). Data Mining for Prediction of Clothing Insulation.

Kumar, M. N., Vijayan, T., & Karthik, B. (2025, February). Ensemble Classifier-based Intrusion Detection System for WSNs: Optimizing Security Against Evolving Attacks. In 2025 3rd International Conference on Integrated Circuits and Communication Systems (ICICACS) (pp. 01-06). IEEE.

Kaur Mangat, P., & Kaur, D. S. (2025). A COMPARATIVE STUDY OF MACHINE LEARNING CLASSIFIERS FOR STUDENTS'PERFORMANCE PREDICTION. Available at SSRN 5724843.

Kalaiselvi, B. (2025). Effects of Data Augmentation by Replicating Instances: Classification Performance by Ensembles of Decision Trees. International Journal of Knowledge Exploration in Computational Intelligence, 1(1), 22-31.

Kılınç, I., Boyacıoğlu, H., & Kılınç, B. (2026, January). Machine Learning-Based Prediction of Polycyclic Aromatic Hydrocarbon (PAH) Levels in Smoked Fish Using WEKA: Evaluation of Smoking Parameters and Model Performance. In Biology and Life Sciences Forum (Vol. 56, No. 1, p. 1). MDPI.

López, Gj Y Ruiz, Im (2016). Sistemas de líneas base de caracteres y palabras para la detección de ironía en textos breves en español. Procesamiento del Lenguaje Natural , 56 , 41-48.

Landge, S. R., & Jain, D. (2025, July). Machine Learning Approaches to Lung Cancer Prediction: A Comparative Study. In Recent Advances in Artificial Intelligence for Sustainable Development (RAISD 2025) (pp. 14-23). Atlantis Press.

Marc Sumner, Eibe Frank, Mark Hall(2005): Acelerar la inducción del árbol modelo logístico. En: Novena Conferencia Europea sobre Principios y Práctica del Descubrimiento de Conocimiento en Bases de Datos, 675-683, 2005.

Magdaleno, D., Miranda, Y., Fuentes, I. E., y García, M. M. (2015). Comparative study of clustering algorithms using OverallSimSUX similarity function for XML documents. Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial, 18(55), 1-11.

Mihaljevic, B., Bielza Lozoya, M. C., y Larrañaga Múgica, P. M. (2018). bnclassify: Learning Bayesian network classifiers. R JOURNAL, 10(2), 455-468.

Marin-Castro, H. M., & Franco-Vázquez, P. E. (2017). Estudio de Herramientas de Minería de Datos para la Tarea de Clasificación. Universidad Politécnica de Victoria, Av. Nuevas Tecnologías, 5902, 1-9.

Mai, J., Leung, C. S., & Wong, E. (2025). Constructing RBF network based on interference robust projected gradient. Journal of the Franklin Institute, 107798.

Nandwana, B., Pandey, H., Chauhan, D., & Kumari, S. (2025, March). Analyzing Classification Algorithms for Network Intrusion Detection. In 2025 IEEE International Conference on Interdisciplinary Approaches in Technology and Management for Social Innovation (IATMSI) (Vol. 3, pp. 1-6). IEEE.

Norouzi, M., & Kahriman, E. A. (2024). A machine learning-based early diagnosis model for chronic kidney disease using spegasos. Network Modeling Analysis in Health Informatics and Bioinformatics, 13(1), 20.

Oddleifson, C., Kilgus, S., Klingbeil, D. A., Latham, A. D., Kim, J. S., & Vengurlekar, I. N. (2025). Using a naive Bayesian approach to identify academic risk based on multiple sources: A conceptual replication. Journal of School Psychology, 108, 101397.

Panthakkan, A., Gurjarand, A., Patel, J., & Patel, H. (2025, September). A Comparative Analysis of Ensemble Strategies. In Applications of Artificial Intelligence and Data Science: First Global Conference, AAIDS 2024, London, UK, April 3–5, 2024, Proceedings (p. 49). Springer Nature.

Pradeepkumar, D., Muralidharan, V., Hameed, S. S., & Ravikumar, S. (2025). Milling Tool Condition Monitoring using Vibration Signals and Histogram Features through Machine Learning: A Comparison of Naive Bayes and Bayes Net Algorithms. International Journal of Vehicle Structures & Systems (IJVSS), 17(2).

Prasad, S., & Arif, M. (2025). Enhancing Classification Efficiency Using the J48 Decision Tree Algorithm. International Journal of Advanced Research and Multidisciplinary Trends (IJARMT), 2(1), 174-182.

Rawat, D., Jamwal, A. S., Nara, M., Bajaj, R., & Pawar, L. (2025, March). Optimized Ensembled Model for Patient Treatment Using Machine Learning Techniques. In 2025 3rd International Conference on Disruptive Technologies (ICDT) (pp. 984-988). IEEE.

Rodríguez, E. P., Vargas, M. A., & Alfaro, M. P. (2026). Análisis de errores algebraicos que manifiestan docentes en formación de la carrera de Enseñanza de la Matemática en la Universidad Nacional de Costa Rica: Analysis of algebraic errors displayed by mathematics teacher trainees in the mathematics education program at the National University of Costa Rica. Revista Digital: Matemática, Educación e Internet, 26(1)

Romero Ibarra, J. L. (2025). Análisis integral de algoritmos de clasificación en aprendizaje automático: perspectivas, comparaciones y aplicaciones. Serie Científica de la Universidad de las Ciencias Informáticas, 18(1), 283-304.

Santana, E. R., González, O. L. P., Rincón, M. E. L., & Moran, D. G. (2023). Dificultades conceptuales de los estudiantes del nivel medio superior en las demostraciones geométricas. Paradigma, 241-263.

Shanmugam, A. E., Kamalakoothan, N. G., Kamalakannan, R. K., & Arvind, S. K. (2025, April). Students performance analysis and focus monitoring system. In AIP Conference Proceedings (Vol. 3279, No. 1, p. 020100). AIP Publishing LLC.

Syriopoulos, P. K., Kalampalikis, N. G., Kotsiantis, S. B., & Vrahatis, M. N. (2025). k NN Classification: a review. Annals of mathematics and artificial intelligence, 93(1), 43-75.

Valdivia Sardiñas, M. D. L. Á., & Almeida Carazo, B. A. (2024). Argumentar matemáticamente: habilidad del adiestramiento lógico-lingüístico para aprender matemática.

Villalobos-Murillo, J., Garita-González, G., & Alfaro Ramírez, B. J. (2025). Desarrollo de competencias: inteligencia artificial y aprendizaje automático en prácticas supervisadas de estudiantes en computación. Uniciencia, 39(1), 32-50.

Verma, S., Sharma, A., Jain, S., & Kumar, A. (2025). On the Improvements of the Performance of Bayes-Net Classification for Diagnosis of Diabetes: A Cross-validation Approach. Recent Advances in Electrical & Electronic Engineering, 18(2), 234-243.

Zhang, Y., Dai, W., Yu, H., Liu, S., Hou, J., Li, J., & Lin, W. (2025). ABC: Adaptive BayesNet Structure Learning for Computational Scalable Multi-task Image Compression. arXiv preprint arXiv:2506.15228.