Modelo predictivo del rendimiento académico de estudiantes universitarios asociado con la influencia de los videojuegos usando Machine Learning

Abstract

El presente trabajo de investigación tiene como objetivo determinar en qué medida el rendimiento académico de los estudiantes universitarios puede ser predicho a partir del consumo de videojuegos utilizando técnicas de Machine Learning. La idea surgió a partir de las vivencias anecdóticas y conversaciones con estudiantes de la Escuela de Ingeniería de Sistemas de la Universidad Nacional del Santa y se sustentó con los diversos antecedentes e información encontrada en relación con el tema de investigación, la muestra es de tipo no probabilístico e intencional, se escogieron a los estudiantes matriculados en el ciclo académico 2023-I de la Escuela Profesional de Ingeniería de Sistemas e Informática, lo cual según lo recopilado dan un total aproximado de 300 estudiantes. Utilizando modelos predictivos basados en seis dimensiones clave ("Capacidad Económica", "Tiempo de Consumo de Videojuegos", "Bienestar Físico-Mental", "Impacto sobre Actividades Cotidianas", "Relaciones Sociales" y "Desarrollo Cognitivo"), se obtuvieron resultados significativos. Los modelos óptimos, Random Forest y Naive Bayes, demostraron ser particularmente efectivos. El modelo de Random Forest alcanzó un porcentaje de predicción del 87.5%, mientras que el modelo de Naive Bayes alcanzó un 93%. Estos resultados confirman la hipótesis del estudio, mostrando que el rendimiento académico puede ser predicho con una precisión superior al 80%. Estos hallazgos subrayan que los estudiantes con un mayor consumo de videojuegos tienden a presentar una mayor variabilidad y, en general, un rendimiento académico inferior. Por lo tanto, es crucial implementar intervenciones y programas de orientación que ayuden a los estudiantes a equilibrar adecuadamente el tiempo dedicado a los videojuegos y al estudio, promoviendo un uso saludable para optimizar su rendimiento académico.