Estrategias de aprendizaje y su relación con el rendimiento académico

Este proyecto analiza cómo diferentes estrategias de aprendizaje (autogestión, motivación, técnicas de estudio) se relacionan con el rendimiento académico percibido en estudiantes universitarios. A través de un análisis estadístico y un modelo de regresión lineal, se identifican los predictores más relevantes que influyen en dicha percepción.

---

Objetivo

Explorar la relación entre distintos factores psicológicos de aprendizaje y el rendimiento académico percibido, con el fin de responder a dos preguntas guía:

• ¿Qué variables tienen mayor correlación con el rendimiento académico?
• ¿Cuáles son los predictores más fuertes de buen desempeño académico?

---

Dataset

Nombre: Learning Strategies in Higher Education
Fuente: Mendeley Data (Carlos Ramos-Galarza et al., 2025)
Ubicación: Chile y Ecuador
Dimensiones evaluadas:

• Percepción del rendimiento académico
• Autogestión del aprendizaje
• Estrategias de motivación consciente
• Técnicas de aprendizaje profundo

Fecha de publicación: 21 Julio 2025

---

Análisis

Exploración de datos

• Limpieza de columnas, renombramiento de ítems del cuestionario (GAEU-1).
• Agrupación de ítems por factor psicológico (autogestión, motivación, etc.).
• Visualización de correlaciones entre factores.

Resultados clave

• La autogestión del aprendizaje es el factor que más influye en la percepción de rendimiento académico de los estudiantes, con un coeficiente de 0.427. Esto se refuerza con el resultado obtenido de 0.59 en la sección de correlaciones.
• La motivación consciente y las técnicas de aprendizaje profundo también mostraron correlaciones positivas, aunque más débiles.
• El modelo explica cerca del 39% de la variabilidad del rendimiento percibido (R² = 0.391), lo cual se puede considerarse significativo en estudios de percepción y autoevaluación.

Este hallazgo sugiere que intervenir en estrategias de autogestión puede tener un mayor impacto en la percepción de éxito académico que enfocarse solamente en la motivación o en técnicas aisladas de estudio.

Modelo de regresión lineal múltiple

Rendimiento_percibido =
    1.08
  + 0.427 * Autogestión
  + 0.193 * Motivación
  + 0.068 * Técnicas de estudio

Tecnologías usadas

• Python (pandas, seaborn, matplotlib, scikit-learn)

• Jupyter Notebooks

• Markdown y LaTeX (para documentación)

Ideas para el futuro

• Análisis por subgrupos: explorar diferencias por país, género, edad o universidad para detectar patrones más específicos.

• Visualizaciones interactivas: desarrollar un mini-dashboard con Streamlit para navegar dinámicamente entre factores y resultados.

• Ampliación del modelo: probar modelos no lineales (Random Forest, XGBoost).

• Validación cruzada: dividir los datos en train/test o aplicar K-Fold CV para evaluar la robustez del modelo.

Contacto

Si te interesó el proyecto puedes escribirme al email: nbaezhuber@gmail.com