Modelo de machine learning para identificar patrones de aprendizaje en plataformas LMS mediante análisis neutrosófico de la incertidumbre

Resumen

El presente estudio aborda la brecha crítica en la educación superior respecto al procesamiento de datos en tiempo real y la comprensión de patrones de aprendizaje en entornos virtuales. Ante las altas tasas de abandono y la falta de personalización formativa, la investigación desarrolla y valida un modelo de Machine Learning con lógica neutrosófica capaz de identificar patrones de aprendizaje latentes en plataformas LMS para predecir el rendimiento académico de forma temprana. Bajo un enfoque cuantitativo de alcance predictivo y diseño no experimental, se analizaron trazas digitales de 379 estudiantes de la Universidad Bolivariana del Ecuador mediante técnicas de Minería de Datos Educativos. La incorporación de tripletas neutrosóficas T, I, F a las variables de interacción permitió superar la binarización prematura de variables ambiguas. Los algoritmos J48 y K-means lograron una exactitud del 88,4%, AUC-ROC de 0,92 y sensibilidad del 91%, posicionándose como herramienta eficaz de intervención docente para reducir la deserción en modalidades virtuales e híbridas.