Clasificación multietiqueta basada en ensamble de árboles para estimar competencias docentes inclusivas en la educación superior tecnológica

Resumen

La atención educativa de estudiantes con necesidades educativas especiales (NEE) en instituciones de educación superior tecnológica depende, en buena medida, de que el cuerpo docente cuente con competencias pedagógicas, inclusivas y tecnológicas que puedan identificarse de forma objetiva y no únicamente mediante apreciaciones subjetivas. Este artículo describe el diseño, el entrenamiento y la evaluación de un prototipo de clasificación multietiqueta que estima, a partir del perfil profesional y formativo de un docente, la presencia de 33 competencias asociadas a cinco categorías de discapacidad: auditiva, visual, física, intelectual y psicosocial. El desarrollo se organizó según las fases de la metodología CRISP-DM sobre un conjunto de 1000 perfiles docentes, cuyas variables categóricas se codificaron mediante One-Hot Encoding y se dividieron en un 80 % para entrenamiento y un 20 % para prueba. Se entrenaron y compararon tres algoritmos —Árbol de Decisión, Random Forest y XGBoost— bajo un esquema MultiOutputClassifier, junto con un modelo de ensamble construido a partir del promedio de las probabilidades de los tres clasificadores. La evaluación combinó precisión, recall y F1-score en sus variantes micro y macro, Hamming Loss, una matriz de confusión agregada, validación cruzada de cinco pliegues y el coeficiente Kappa de Cohen calculado por competencia. Random Forest alcanzó el mejor desempeño global, con un F1-score micro de 0.8054 y un Hamming Loss de 0.2642, mientras que el ensamble evaluado sobre las 33 competencias registró un Kappa promedio de 0.3142, lo que corresponde a un nivel de concordancia aceptable. Los resultados respaldan la viabilidad técnica del enfoque como herramienta de apoyo —y no de reemplazo— para orientar la capacitación docente en escenarios inclusivos, si bien su uso a mayor escala requiere validarse con datos institucionales reales.