Resumo

POZO VALDIVIEZO, Eduardo; TENELANDA CUDCO, Sandra Elizabeth; DAVALOS VILLEGAS, Martha Ximena  e  AVILA GAIBOR, Gustavo Javier. Modelos explicables para identificar dificultades en matemáticas universitarias: análisis del dataset MathE. Athenea [online]. 2026, vol.7, n.23, pp.66-76.  Epub 11-Abr-2026. ISSN 2737-6419.  https://doi.org/10.47460/athenea.v7i23.134.

Este estudio aplica un enfoque de analítica del aprendizaje y modelos explicables para identificar contenidos de mayor dificultad en matemáticas universitarias a partir de registros de interacción de una plataforma de práctica y evaluación. Se realizó un análisis cuantitativo secundario del conjunto de datos MathE, considerando variables de contenido (tema, subtema y palabras clave) y contexto (país y nivel). Primero se estimaron tasas de error por tema y subtema y se sintetizaron patrones mediante visualizaciones comparativas. Luego se entrenaron modelos complementarios, una regresión logística por su interpretabilidad y un modelo no lineal de árboles de gradiente para capturar interacciones, validando la generalización con partición por estudiante. La explicabilidad se abordó mediante atribución de contribuciones para interpretar factores asociados al error. Los hallazgos señalan mayores dificultades en contenidos de Diferenciación, Interpretación Funcional y Probabilidad, junto con debilidades transversales de manipulación algebraica, con apoyos adicionales en Métodos Numéricos e Integración.

Palavras-chave : analítica del aprendizaje; educación matemática; inteligencia artificial explicable; orientación didáctica.

        · resumo em Inglês     · texto em Espanhol     · Espanhol ( pdf )