Mejorar la evaluación de la educación de posgrado: una clasificación basada en el aprendizaje automático del...

Área de la Ciencia:

• Educación médica y educación médica.
• El análisis educativo analítico.
• Aprendizaje automático en el cuidado de la salud

Sus antecedentes:

• La predicción precisa del rendimiento académico en los estudiantes de posgrado en medicina es esencial para los resultados educativos y la orientación.
• Los métodos tradicionales se enfrentan a desafíos para equilibrar la precisión predictiva y la interpretabilidad con factores complejos.

Objetivo del estudio:

• Desarrollar y evaluar un marco de aprendizaje automático interpretable para predecir el rendimiento académico en estudiantes de posgrado en medicina.
• Identificar los principales predictores académicos y psicosociales del éxito de los estudiantes.

Principales métodos:

• Se realizó una encuesta a 1.091 estudiantes de posgrado en medicina.
• Se emplearon modelos de regresión logística y XGBoost, con selección de características a través del algoritmo Boruta.
• Las explicaciones aditivas de Shapley (SHAP) se utilizaron para la interpretabilidad del modelo.

Principales resultados:

• Ambos modelos mostraron un rendimiento predictivo aceptable para la clasificación GPA.
• El logro académico de pregrado fue el predictor más fuerte, seguido de las características psicosociales y las habilidades académicas fundamentales.
• El análisis SHAP proporcionó información transparente sobre la importancia y la direccionalidad de los predictores.

Conclusiones:

• Se desarrolló con éxito un marco de aprendizaje automático interpretable para predecir el rendimiento académico de posgrado médico.
• El enfoque ofrece una evaluación confiable con transparencia, adecuada para el análisis educativo.
• Esta metodología proporciona una base para futuras investigaciones y una aplicación cautelosa en entornos educativos.