Artículo de investigación

Identificación de los intereses de los estudiantes basada en datos para sistemas inteligentes de gestión de la enseñanza en facultades de ingeniería

1 vistas

⸱

DOI:

10.3791/71574

⸱

1 de septiembre de 2026

1School of Foreign Languages, Bengbu University

En este artículo

Resumen

El protocolo del Clasificador Neuronal Cuántico-Clásico Híbrido de Metaaprendizaje (ML-HQNC) integra modelado cognitivo inspirado en la mecánica cuántica, preprocesamiento de datos, selección de características y aprendizaje neuronal híbrido para identificar los intereses de los estudiantes de ingeniería. Este protocolo presenta un flujo de trabajo reproducible de aprendizaje automático híbrido inspirado en la mecánica cuántica para el análisis educativo, demostrado mediante la identificación de intereses de estudiantes de ingeniería utilizando datos educativos multidimensionales.

Resumen

Este protocolo presenta un marco computacional inspirado en la mecánica cuántica para identificar los intereses de estudiantes de ingeniería mediante datos educativos y conductuales multidimensionales. El objetivo es proporcionar un flujo de trabajo sistemático y reproducible que integre el preprocesamiento de datos, el análisis de patrones de comportamiento, la selección de características y el aprendizaje neuronal híbrido para apoyar la toma de decisiones educativas y el aprendizaje personalizado. El flujo de trabajo comienza con la Escalación Robusta por Rango Intercuartílico Box-Cox (BCRIS, por sus siglas en inglés) para preprocesar y normalizar los datos educativos, reduciendo el ruido semántico y mejorando la calidad de los datos. Posteriormente, los comportamientos de aprendizaje de los estudiantes se analizan mediante el Modelo Cuántico de Estado Cognitivo (QCSM, por sus siglas en inglés), que representa las transiciones conductuales y las preferencias de aprendizaje cambiantes bajo condiciones de incertidumbre. Luego, se seleccionan las características relevantes utilizando el algoritmo de Selección de Características mediante Optimización Híbrida de Enjambre y Ballena con Refuerzo Cuántico (QES-WOFS, por sus siglas en inglés) para reducir la redundancia de características e identificar características conductuales informativas. Finalmente, el Clasificador Neuronal Híbrido Cuántico-Clásico con Metaaprendizaje (ML-HQNC, por sus siglas en inglés) integra el aprendizaje inspirado en la mecánica cuántica con redes neuronales profundas para clasificar los intereses de los estudiantes. El protocolo fue validado utilizando un conjunto de datos educativos de acceso público. El desempeño del modelo se evaluó mediante métricas convencionales, incluyendo precisión, puntuación F1 y el área bajo la curva de la característica operativa del receptor (AUC, por sus siglas en inglés), junto con la Precisión en la Detección de Intereses (IDP, por sus siglas en inglés), el Índice de Estabilidad de Patrones Cuánticos (QPSI, por sus siglas en inglés) y la Ganancia de Adaptabilidad entre Dominios (CDAG, por sus siglas en inglés). El marco alcanzó una precisión general en la clasificación del 96,17 % en el conjunto de datos evaluado. Este protocolo proporciona un flujo de trabajo computacional reproducible para analizar datos educativos multidimensionales y apoyar aplicaciones de gestión educativa inteligente y aprendizaje personalizado.

Introducción

Los sistemas de gestión educativa se utilizan cada vez más en todo el sector educativo, impulsados por los rápidos avances en tecnología de la información y redes informáticas. El crecimiento continuo de la educación superior ha ido acompañado de un aumento en la matrícula de estudiantes, particularmente entre los estudiantes de ingeniería, lo que ha resultado en un incremento sustancial de los datos de gestión educativa. Este crecimiento favorece el desarrollo educativo sostenible, acelera la informatización de la educación y facilita el establecimiento de sistemas estandarizados de gestión educativa que mejoran la coherencia y eficiencia de la administración docente. El aprendizaje automático (Machine Learning, ML) proporciona técnicas computacionales que permiten a los sistemas analizar datos, aprender de patrones y mejorar continuamente su rendimiento predictivo sin necesidad de programación explícita1,2.

La calidad educativa es un componente fundamental de la educación superior. En los últimos años, los exámenes se han utilizado ampliamente para evaluar la comprensión de los estudiantes de ingeniería sobre el contenido del curso y su capacidad para adquirir nuevos conocimientos, promoviendo así mejoras continuas en la calidad educativa. Pueden crearse entornos centrados en el estudiante aprovechando diversos recursos de aprendizaje disponibles a través de plataformas educativas en línea y aplicando múltiples teorías del aprendizaje para atender las necesidades de diferentes alumnos. La enseñanza efectiva desempeña un papel clave en la mejora de los resultados de aprendizaje entre los estudiantes de ingeniería en universidades y escuelas técnicas3,4. Además, la enseñanza efectiva promueve un entorno de aprendizaje positivo, apoya la comprensión de los estudiantes sobre el contenido del curso y mejora el rendimiento académico. La calidad educativa se evalúa mediante múltiples indicadores a lo largo del proceso de aprendizaje, incluyendo la estructura del currículo, el entorno del aula y el contenido de la enseñanza.

La educación superior promueve el desarrollo intelectual, personal y social de los estudiantes. Al mismo tiempo, la participación estudiantil, que incluye dimensiones conductuales, emocionales y cognitivas, y la persistencia académica se han convertido en determinantes importantes de los resultados del aprendizaje. Altos niveles de participación estudiantil contribuyen significativamente al éxito académico a largo plazo5,6. Los avances en la tecnología educativa han creado nuevas oportunidades para el análisis educativo basado en datos mediante la modelización de relaciones no lineales complejas entre las características cognitivas, conductuales y académicas de los estudiantes utilizando técnicas de Aprendizaje Automático (ML) y Aprendizaje Profundo (DL).

Un desafío importante sigue siendo la observación y evaluación efectiva de la dinámica del aula, teniendo en cuenta los comportamientos estudiantiles en evolución. Los enfoques tradicionales para evaluar la calidad educativa y analizar el comportamiento de los estudiantes de ingeniería suelen ser lentos y susceptibles al juicio subjetivo humano. La falta de atención del estudiante durante las actividades en el aula afecta negativamente los resultados del aprendizaje y el rendimiento académico7,8. Sin embargo, mantener la atención sostenida entre los estudiantes de ingeniería sigue siendo un reto debido a distracciones internas y externas, así como a fluctuaciones en la motivación.

Evaluar y mejorar la participación de los estudiantes se ha vuelto cada vez más importante con la amplia adopción del aprendizaje en línea, las aulas inteligentes y otras tecnologías educativas interactivas. Garantizar la inclusión entre diversos grupos de estudiantes de ingeniería resalta aún más la necesidad de marcos integrales que integren enfoques basados en tecnología con la práctica educativa, manteniendo al mismo tiempo la privacidad y los estándares éticos. Además, la limitada transparencia de los modelos y los desafíos asociados con la integración tecnológica9,10, incluyendo el sesgo metodológico y la equidad educativa, continúan obstaculizando el desarrollo de sistemas predictivos capaces de apoyar a los estudiantes mediante un monitoreo continuo.

Los enfoques de aprendizaje automático se han utilizado ampliamente para abordar desafíos educativos, como predecir el riesgo estudiantil y las tasas de deserción. Estos enfoques han demostrado la capacidad de identificar a estudiantes en alto riesgo, apoyando así intervenciones que mejoran el rendimiento académico11. También se han desarrollado sistemas de gestión educativa basados en inteligencia artificial (AI) para mejorar tanto los procesos administrativos como académicos dentro de las instituciones de educación superior. Los conjuntos de datos educativos comúnmente incluyen registros académicos, como calificaciones en cursos, asistencia y historial de inscripciones12.

Estudios previos han analizado el comportamiento del estudiante desde tres perspectivas: datos de evaluación, métodos y resultados13,14. Se han desarrollado modelos de predicción basados en la alfabetización informacional para analizar las características conductuales de los estudiantes universitarios. Estos estudios se centran principalmente en la evaluación del comportamiento del aprendiz mediante métodos de aprendizaje profundo (Deep Learning, DL). Sin embargo, la investigación sobre la evaluación inteligente del comportamiento del docente aún se encuentra en una etapa inicial, lo que limita el progreso en este ámbito. Las redes neuronales convolucionales rápidas basadas en regiones (Fast R-CNNs) se han aplicado a conjuntos de datos educativos para mejorar la detección de actividades en el aula, demostrando mejoras significativas en el rendimiento en comparación con los métodos tradicionales15.

Los modelos bidireccionales de memoria a largo y corto plazo (Bi-LSTM) que incorporan mecanismos de autorregulación también han mejorado la precisión en la predicción de calificaciones para estudiantes universitarios. De manera similar, los modelos de predicción desarrollados utilizando conjuntos de datos de comportamiento en el aprendizaje en línea han demostrado un rendimiento predictivo mejorado16,17,18. Además, el agrupamiento k-medias (KMC) se ha utilizado para identificar las características de diferentes grupos de estudiantes mediante análisis de conglomerados, proporcionando información sobre el comportamiento estudiantil que apoya mejoras en la enseñanza, la gestión y el aprendizaje. También se han propuesto estrategias basadas en aprendizaje profundo para mejorar la detección y evaluación de comportamientos docentes en el aula. En estos enfoques, se utilizan características de comportamiento en el aula para establecer relaciones entre representaciones de características e hiperplanos, empleando valores iniciales linealmente separables para la Máquina de Vectores de Soporte (SVM)19,20. Sin embargo, desafíos como la oclusión, los detalles conductuales finos y las interferencias ambientales continúan limitando la precisión del reconocimiento del comportamiento de estudiantes de ingeniería en entornos de aula.

El aprendizaje profundo también se ha aplicado a la evaluación basada en resultados de cursos universitarios, incluyendo la evaluación educativa en educación política e ideológica21,22. La eficacia de estos modelos de predicción se ha demostrado utilizando conjuntos de datos educativos de acceso público. Se han empleado redes neuronales espigadas hacia adelante (FSNN, por sus siglas en inglés) para predecir el rendimiento académico de los estudiantes utilizando datos recopilados de plataformas de aprendizaje en línea y sistemas de gestión del aprendizaje. Como se ilustra en Figura 1, el flujo de trabajo computacional propuesto incorpora un conjunto de datos de evaluación educativa para identificar los intereses de los estudiantes de ingeniería mediante etapas secuenciales de preprocesamiento de datos, análisis de patrones de comportamiento, selección de características y clasificación. Tabla 123,24,25,26,27,28,29,30,31,32 resume métodos representativos reportados en estudios previos, junto con las técnicas empleadas y sus limitaciones asociadas para identificar el interés del estudiante dentro de los sistemas de gestión del aprendizaje.

figure-introduction-1
Figura 1: Marco de identificación del interés del estudiante. Flujo de trabajo general del marco propuesto para la identificación del interés del estudiante de ingeniería, que incluye la adquisición de datos, el preprocesamiento, el análisis de patrones de comportamiento, la selección de características y la clasificación. Haga clic aquí para ver una versión más grande de esta figura.

Tabla 1: Análisis del comportamiento del estudiante en la gestión docente. Resumen de métodos representativos, técnicas, conjuntos de datos, métricas de evaluación y limitaciones reportadas para el análisis del comportamiento del estudiante en la gestión docente. Haga clic aquí para descargar esta tabla.

El transformador Swin y la red ligera de pirámide de características (FPN) se han aplicado a la detección del comportamiento del estudiante en el aula mediante el procesamiento eficiente de mapas de características multiescala33. Además, se ha utilizado una red neuronal recurrente ajustable optimizada con algoritmo de mosca de la fruta (PFFO-ARNN) para analizar el comportamiento del estudiante en el aprendizaje en línea y predecir el rendimiento académico en los cursos34. Estudios basados en datos de comportamiento estudiantil recopilados de sistemas universitarios de gestión del aprendizaje también han destacado la ineficiencia y la naturaleza lenta del monitoreo del comportamiento en el aula con métodos convencionales de aprendizaje profundo35. Tabla 236,37,38,39,40,41,42,43,44,45,46,47 resume métodos representativos de clasificación, conjuntos de datos, métricas de evaluación y limitaciones reportadas para sistemas inteligentes de gestión docente en la educación en ingeniería.

Tabla 2: Sistemas inteligentes de gestión docente basados en aprendizaje profundo para la educación en ingeniería. Comparación de sistemas representativos de gestión docente basados en aprendizaje profundo, conjuntos de datos, métricas de evaluación y limitaciones reportadas. Haga clic aquí para descargar esta tabla.

Un estudio previo48 desarrolló un modelo mixto de evaluación de la calidad docente basado en redes de creencias profundas (DBNs) y propuso una estrategia de evaluación combinada para valorar la calidad de la enseñanza en universidades. El enfoque propuesto superó al algoritmo genético (GA) convencional tanto en precisión de clasificación como en tiempo de ejecución, alcanzando una precisión superior al 95 % en menos de 5,4 ms. El modelo se entrenó utilizando conjuntos de datos educativos etiquetados y se evaluó mediante una estrategia de prueba independiente49,50. Los resultados informados demostraron un rendimiento predictivo elevado, con un error absoluto medio (MAE) del 0,593 % y un error cuadrático medio (RMSE) del 0,785 %.

Arquitecturas recientes mejoradas con mecanismos de atención, como KANFormer51, integran la autoatención multi-cabeza con redes de Kolmogorov-Arnold para mejorar la predicción del rendimiento estudiantil mediante la captura de interacciones complejas entre características. Los modelos de rastreo del conocimiento basados en transformadores también han demostrado una mayor precisión y capacidad de interpretación en las predicciones, aprovechando mecanismos de atención para modelar las trayectorias de aprendizaje de los estudiantes52. Aunque las arquitecturas basadas en transformadores y en mecanismos de atención han mejorado el desempeño en tareas de predicción educativa al modelar dependencias contextuales e interacciones complejas entre características distantes, estos enfoques se centran principalmente en la predicción del rendimiento estudiantil o en el rastreo del conocimiento, más que en la identificación de intereses estudiantiles con conciencia de incertidumbre mediante modelado cognitivo inspirado en la mecánica cuántica, selección optimizada de características y metaaprendizaje híbrido.

A pesar de los recientes avances en el aprendizaje automático y el aprendizaje profundo para el análisis educativo, los métodos existentes para identificar los intereses de los estudiantes de ingeniería presentan varias limitaciones. Muchos enfoques convencionales se centran principalmente en la precisión predictiva, pasando por alto la naturaleza multifacética del comportamiento estudiantil, que incluye preferencias de aprendizaje cambiantes, incertidumbre conductual, relaciones contextuales e interacciones semánticas. Además, estos métodos suelen depender de ingeniería tradicional de características y estrategias de aprendizaje deterministas, que podrían no capturar adecuadamente patrones conductuales no lineales ni adaptarse a entornos de aprendizaje dinámicos. Por consiguiente, se necesita un marco más integral que integre un preprocesamiento robusto de datos, modelado conductual inteligente, selección adaptativa de características y técnicas híbridas de aprendizaje para mejorar el análisis de datos educativos complejos.

Para abordar estas limitaciones, el marco propuesto integra un preprocesamiento robusto de datos, modelado conductual inspirado en la mecánica cuántica, selección optimizada de características y aprendizaje neuronal híbrido cuántico-clásico en un flujo de trabajo computacional unificado para identificar los intereses de los estudiantes de ingeniería. Al combinar estos componentes complementarios, el protocolo propuesto ofrece un enfoque sistemático y reproducible para analizar datos educativos complejos y apoyar el aprendizaje personalizado y la toma de decisiones educativas.

El objetivo de este estudio es desarrollar y validar el marco CQEI utilizando datos multidimensionales educativos y conductuales para la identificación del interés estudiantil en ingeniería. El marco combina un preprocesamiento robusto de datos, modelado cuántico inspirado en estados cognitivos, selección optimizada de características y el Clasificador Neural Híbrido Cuántico-Clásico con Metaaprendizaje (ML-HQNC) para analizar las conductas de aprendizaje de los estudiantes y facilitar una identificación precisa de sus intereses. El desempeño se evalúa mediante métricas estándar, incluyendo precisión, puntuación F1 y el área bajo la curva de característica operativa del receptor (AUC), junto con la Precisión en la Detección de Intereses (IDP), el Índice de Estabilidad de Patrones Cuánticos (QPSI) y la Ganancia de Adaptabilidad entre Dominios (CDAG). Al integrar estos componentes complementarios en un único flujo de trabajo computacional, el marco propuesto ofrece un enfoque sistemático para el análisis educativo y la toma inteligente de decisiones educativas.

Protocolo

Este estudio utilizó un conjunto de datos de acceso público y anonimizado obtenido del repositorio de Kaggle. No se reclutaron ni participaron directamente sujetos humanos, ni se recopiló información personalmente identificable. Por lo tanto, no se requirió aprobación ética institucional ni consentimiento informado. Las herramientas de investigación utilizadas en este estudio se enumeran en la Tabla de materiales.

1. Visión general del marco CQEI
El marco propuesto de Inteligencia Educativa Conceptual Inspirada en la Cuántica (CQEI) integra el preprocesamiento de datos, el análisis de patrones de comportamiento, la selección de características y la clasificación para identificar los intereses de los estudiantes de ingeniería mediante el conjunto de datos de Evaluación de la Calidad Docente obtenido del repositorio de Kaggle. En primer lugar, el conjunto de datos se preprocesó utilizando el método de Escalado Robusto del Rango Intercuartílico de Box-Cox (BCRIS) para reducir el ruido semántico y normalizar las características de entrada. Posteriormente, se analizaron los patrones de comportamiento de los estudiantes mediante el Modelo Cuántico de Estado Cognitivo (QCSM). Luego, se aplicó el algoritmo de Selección de Características mediante Optimización Cuántica Mejorada de Enjambre-Ballena (QES-WOFS) para identificar características informativas mientras se reducía la redundancia mediante la modelización de la selección cuántica óptima, la significancia del retroalimentación y las variaciones transitorias del comportamiento. Finalmente, el Clasificador Neuronal Híbrido Cuántico-Clásico de Metaaprendizaje (ML-HQNC) integró el aprendizaje inspirado en la cuántica con capas semánticas residuales profundas para identificar los intereses de los estudiantes.

El flujo de trabajo general del marco propuesto ML-HQNC se ilustra en la Figura 2. El protocolo constó de seis etapas secuenciales, comenzando con la adquisición del conjunto de datos educativos desde el repositorio de Kaggle, seguida por el preprocesamiento de los datos mediante la Escalación Robusta IQR de Box–Cox (BCRIS), la transformación de características y representación conductual mediante el Modelo de Estado Cognitivo Cuántico (QCSM), y la selección de características utilizando el algoritmo de Selección de Características mediante Optimización Cuántica Mejorada de Enjambre–Ballena (QES-WOFS). Las características seleccionadas se utilizaron posteriormente para el entrenamiento y validación del Clasificador Neuronal Híbrido Cuántico–Clásico de Metaaprendizaje (ML-HQNC), y finalmente se evaluó el marco mediante la precisión, la puntuación F1, el área bajo la curva de característica operativa del receptor (AUC), la Precisión en la Detección de Interés (IDP), el Índice de Estabilidad de Patrones Cuánticos (QPSI) y la Ganancia de Adaptabilidad entre Dominios (CDAG).

figure-protocol-1
Figura 2: Marco del clasificador híbrido cuántico-clásico mediante aprendizaje meta (ML-HQNC). Arquitectura general del marco ML-HQNC propuesto, que integra la Escalación Robusta IQR de Box-Cox (BCRIS) para el preprocesamiento de datos, el Modelo Cuántico de Estado Cognitivo (QCSM) para el análisis de patrones de comportamiento, el algoritmo Cuántico Mejorado de Selección de Características mediante Optimización de Enjambre–Ballena (QES-WOFS) para la selección de características, y el aprendizaje neuronal híbrido cuántico-clásico para la clasificación del interés del estudiante. Haga clic aquí para ver una versión más grande de esta figura.

2. Conjunto de datos de evaluación de la calidad docente
El marco propuesto se desarrolló utilizando el conjunto de datos de evaluación de la calidad docente, disponible públicamente en el repositorio de Kaggle. El conjunto de datos contenía 1.014 registros educativos con 14 características multidimensionales que representaban el rendimiento académico, las calificaciones en evaluaciones, la asistencia, las características de la instrucción y los indicadores del comportamiento estudiantil, recopilados mediante la Plataforma Integral de Gestión Educativa (CEMP). Estos atributos proporcionaron la información educativa multidimensional necesaria para modelar las relaciones no lineales asociadas con la identificación de los intereses de los estudiantes de ingeniería.

Como se muestra en la Figura 3, el conjunto de datos se dividió en subconjuntos de entrenamiento (80 %) y prueba (20 %). Un total de 800 registros se utilizó para entrenar el modelo propuesto, reservándose 200 para la evaluación del rendimiento. El conjunto de datos está disponible públicamente en: https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset. Posteriormente, los conjuntos de datos de entrenamiento y prueba se procesaron mediante el marco propuesto para construir el modelo de aprendizaje y mejorar su capacidad predictiva.

Aunque el conjunto de datos subyacente tiene por título Conjunto de Datos de Evaluación de la Calidad Docente, este estudio tuvo como objetivo identificar los intereses de los estudiantes de ingeniería. Los atributos educativos, conductuales y pedagógicos contenidos en el conjunto de datos sirvieron como variables de entrada para entrenar y evaluar el marco propuesto. En consecuencia, todos los resultados de predicción y métricas de rendimiento reportados describen la eficacia del marco para identificar los intereses de los estudiantes de ingeniería, y no para evaluar la calidad docente. Antes del preprocesamiento de los datos, se verificó el conjunto de datos importado para asegurar que los 1.014 registros se hubieran cargado correctamente, que el esquema del conjunto de datos coincidiera con el formato esperado, y que se hubieran identificado y abordado cualquier registro faltante o duplicado.

3. Preprocesamiento de datos mediante escalado robusto del RIC con transformación Box–Cox (BCRIS)
El método de Escalado Robusto del Rango Intercuartílico con Transformación Box–Cox (BCRIS) se utilizó para preprocesar y normalizar el conjunto de datos educativos, combinando la transformación Box–Cox con una normalización robusta basada en el rango intercuartílico (RIC) para reducir la influencia de los valores extremos. La corrección de simetría junto con una normalización centrada en la mediana generó representaciones de características estadísticamente estables y escalables, adecuadas para análisis posteriores. Dentro del marco propuesto de inteligencia educativa, BCRIS transformó indicadores multidimensionales educativos, instruccionales y conductuales en representaciones de características con varianza controlada. Características como attendance_rate, interactive_sessions_percentage y otras variables educativas relacionadas se normalizaron para mejorar la consistencia de los conjuntos de datos de entrenamiento y prueba. Explicaciones matemáticas detalladas se proporcionan en Archivo Suplementario 1 (Sección S1). El método BCRIS ofreció una estrategia de preprocesamiento compatible con computación cuántica que normalizó datos educativos heterogéneos antes del análisis estadístico posterior, al tiempo que preservó las características conductuales subyacentes necesarias para la modelización posterior. Antes del análisis conductual, se verificó la tubería de preprocesamiento para asegurar que el conjunto de datos normalizado no contuviera valores inválidos o faltantes, que se hubiera reducido el ruido semántico y que las características procesadas fueran adecuadas para la modelización conductual subsiguiente.

4. Transformación de características y representación del comportamiento mediante el modelo de estado cognitivo cuántico (QCSM)
Se implementó el Modelo de Estado Cognitivo Cuántico (QCSM) para modelar la dinámica de los intereses de los estudiantes de ingeniería utilizando representaciones probabilísticas inspiradas en la mecánica cuántica. El interés del estudiante se representó como una superposición de múltiples estados conceptuales que reflejaban la jerarquía de conceptos cognitivos, la incertidumbre, el solapamiento conceptual, la participación simultánea en múltiples temas, comportamientos de aprendizaje dudosos o indecisos, y la probabilidad de cambios en las preferencias de aprendizaje. Los indicadores multidimensionales del conjunto de datos de Evaluación de la Calidad Docente en Ingeniería, incluyendo Student_Avg_Score, Attendance_rate y Student_Feedback_Rating, se representaron como transiciones cognitivas ponderadas por amplitud dentro de un espacio de estado cuántico normalizado. El QCSM combinó transiciones de estado cuántico con alineación conceptual basada en interferencia para generar representaciones cognitivas inspiradas en la mecánica cuántica que reflejaban la estabilidad y la evolución del interés del estudiante a lo largo del tiempo. Las formulaciones matemáticas detalladas se proporcionan en Archivo Suplementario 1 (Sección S2). El QCSM modeló estados cognitivos probabilísticos para representar la adquisición de conocimiento, el cambio conceptual, la implicación en el aprendizaje y el interés por la asignatura mediante representaciones normalizadas de estado cuántico. Las representaciones del comportamiento se verificaron en todos los registros de estudiantes para asegurar que las características extraídas del estado cognitivo capturaran con precisión los comportamientos de aprendizaje y las transiciones entre temas.

5. Selección de características mediante el algoritmo Selector de Características Optimizado por Enjambre-Ballena con Refuerzo Cuántico (QES-WOFS)
El algoritmo de Selección de Características Optimizado por Enjambre-Ballena con Refuerzo Cuántico (QES-WOFS) se utilizó para identificar el subconjunto óptimo de características y determinar las características conductuales con mayor contenido informativo a partir de datos educativos multidimensionales. Mecanismos de búsqueda inspirados en la mecánica cuántica mejoraron la integración de estrategias de búsqueda global y local para la optimización de características. Se evaluaron variables educativas, incluyendo interactive_sessions_percentage, assignments_time_percentage y course_completion_rate, según su correlación con el resultado objetivo. Los subconjuntos de características candidatas se modelaron utilizando representaciones de probabilidad cuántica, mientras que un mecanismo de túnel cuántico permitió transiciones probabilísticas más allá de óptimos locales. La importancia de las características se estimó mediante la verosimilitud marginal para cuantificar la contribución de cada característica al rendimiento de clasificación y a los estados adaptativos del enjambre. El algoritmo QES-WOFS seleccionó características estables y con significado conductual, mejorando la robustez frente al ruido, las variaciones entre semestres y las fluctuaciones conductuales periódicas.

Para superar las limitaciones asociadas con el uso independiente del algoritmo de optimización de ballenas (WOA) o del algoritmo de optimización por enjambre de partículas (PSO), el algoritmo QES-WOFS combinó la exploración global basada en PSO con la explotación local basada en WOA. Un mecanismo de túnel cuántico permitió además transiciones probabilísticas más allá de los óptimos locales, aumentando así la diversidad de la población, reduciendo la redundancia de características y mejorando la convergencia hacia un subconjunto óptimo de características para identificar el interés del estudiante de ingeniería.

Se proporcionan formulaciones matemáticas detalladas en el Archivo Suplementario 1 (Sección S3). El algoritmo QES-WOFS combinó la codificación cuántica probabilística de características, una estrategia de velocidad adaptada de la optimización por enjambre de partículas (PSO) y un mecanismo de búsqueda en espiral inspirado en las ballenas para identificar las características educativas más informativas. Los hiperparámetros se optimizaron empíricamente utilizando el conjunto de datos de entrenamiento. Se evaluaron valores candidatos mediante experimentación sistemática, y se seleccionó la combinación que produjo el mayor rendimiento en la validación. Específicamente, se seleccionaron el parámetro de transformación Box-Cox (λ = 0,25), el margen de pérdida contrastiva (m = 1,0) y los coeficientes de túnel cuántico (α = 0,7 y β = 0,3) en función de la precisión de validación, el puntaje F1 y el comportamiento de convergencia. Antes del entrenamiento del clasificador, se verificaron los resultados de la selección de características para asegurar que el algoritmo QES-WOFS hubiera seleccionado el subconjunto óptimo de características y eliminado las características redundantes o de baja importancia.

6. Entrenamiento y validación del modelo mediante el clasificador neuronal híbrido cuántico-clásico basado en metaaprendizaje (ML-HQNC)
El clasificador neuronal híbrido cuántico-clásico basado en metaaprendizaje (ML-HQNC) se implementó combinando redes neuronales profundas con cálculos inspirados en la mecánica cuántica para identificar los intereses de los estudiantes de ingeniería. Mecanismos de atención cuántica multinúcleo y capas semánticas residuales profundas capturaron relaciones no lineales complejas dentro de datos educativos multidimensionales representados mediante circuitos cuánticos variacionales (VQCs). Las características derivadas del comportamiento, incluyendo la_calificación_promedio_del_estudiante, la_tasa_de_asistencia y la_calificación_de_retroalimentación_del_estudiante, se proyectaron en un espacio de estados cuánticos, donde las entradas normalizadas se transformaron en representaciones cuánticas basadas en amplitud para modelar patrones de participación superpuestos y probabilísticos. Los vectores normalizados de características conductuales del estudiante se calcularon según las ecuaciones proporcionadas en Archivo Suplementario 1 (Sección S4). Posteriormente, el ML-HQNC clasificó e identificó los intereses de los estudiantes de ingeniería.

El clasificador ML-HQNC empleó una estrategia de metaaprendizaje episódica durante el entrenamiento. En cada episodio se asignó una tarea de metaaprendizaje seleccionada aleatoriamente del conjunto de datos de entrenamiento. Manteniendo la distribución de clases, los datos de entrenamiento se dividieron en un conjunto de soporte (80 %) y un conjunto de consulta (20 %). El conjunto de soporte se utilizó para la adaptación de parámetros específicos de la tarea mediante el bucle interno de optimización, mientras que el conjunto de consulta evaluó el modelo adaptado y calculó la pérdida meta utilizada para actualizar los parámetros compartidos. Se generaron un total de 100 tareas de metaaprendizaje en cada ciclo de entrenamiento. Se utilizaron cinco pasos de actualización por gradiente con una tasa de aprendizaje interna de 0,001 para la adaptación en el bucle interno, mientras que el optimizador Adam con una tasa de aprendizaje externa de 0,0005 optimizó los parámetros meta. El muestreo aleatorio de tareas se repitió en cada época de entrenamiento para exponer al modelo a patrones de comportamiento diversos y mejorar la generalización a perfiles de estudiantes previamente no vistos. La estimación de la pérdida para la alineación contrastiva cuántica se describe en Archivo Suplementario 1 (Ecuaciones 41–45). Se verificó el entrenamiento del modelo para asegurar una convergencia exitosa sin errores computacionales y que las curvas de pérdida de entrenamiento y validación se hubieran estabilizado a lo largo de épocas sucesivas.

Resultados

El marco propuesto ML-HQNC se evaluó frente a Fast R-CNN, Bi-LSTM, CNN y XGBoost utilizando métricas convencionales de clasificación, incluyendo Exactitud, Precisión, Exhaustividad, puntuación F1 y el área bajo la curva de característica operativa del receptor (AUC), junto con las métricas de evaluación propuestas Precisión en la Detección de Intereses (IDP), Índice de Estabilidad de Patrones Cuánticos (QPSI) y Ganancia de Adaptabilidad entre Dominios (CDAG). Las definiciones matemáticas de estas métricas se proporcionan en Archivo Suplementario 1 (Sección S5).

Para evaluar la solidez del marco propuesto, todos los experimentos se repitieron cinco veces utilizando diferentes inicializaciones aleatorias. Los valores de rendimiento informados se presentan como la media ± desviación estándar a lo largo de las cinco ejecuciones. La significancia estadística entre el marco propuesto y los modelos de referencia se evaluó mediante una prueba t pareada, considerándose estadísticamente significativa una p < 0,05.

Como se resume en la Tabla Suplementaria 1, los experimentos de simulación se realizaron utilizando el conjunto de datos de Evaluación de la Calidad Docente que contiene 1.014 registros. Un total de 800 registros se utilizaron para el entrenamiento del modelo, mientras que se reservaron 200 registros para pruebas. El marco ML-HQNC propuesto y los modelos comparativos se implementaron en el entorno Jupyter Notebook utilizando Python. El atributo Teaching_Quality sirvió como variable objetivo original en el conjunto de datos de Evaluación de la Calidad Docente de acceso público y constaba de dos clases, Buena y Excelente. Estas etiquetas se utilizaron como objetivos de predicción para el entrenamiento y la evaluación del marco ML-HQNC. Las categorías resultantes de predicción se resumen en la Tabla 3. La Tabla Suplementaria 2 resume los resultados de validación de la etapa de preprocesamiento de Escalado Robusto IQR de Box–Cox (BCRIS). La canalización de preprocesamiento eliminó registros faltantes y duplicados, redujo la influencia de valores atípicos, normalizó las distribuciones de características y mejoró la coherencia semántica y conductual antes de la transformación de características y el entrenamiento del modelo.

Tabla 3: Variable objetivo del Conjunto de Datos de Evaluación de la Calidad Docente. Descripción de la variable objetivo original Teaching_Quality y sus categorías de clasificación (Good y Excellent) utilizadas para el entrenamiento y la evaluación del modelo. Haga clic aquí para descargar esta tabla.

Tabla Suplementaria 3 presenta características representativas generadas por el Modelo de Estado Cognitivo Cuántico (QCSM). Las características extraídas describen el comportamiento de aprendizaje del estudiante, incluyendo estado cognitivo, nivel de participación, incertidumbre, transiciones entre temas y consistencia conductual, y sirvieron como entrada para la etapa posterior de selección de características QES-WOFS. La Tabla Suplementaria S4 enumera las características finales seleccionadas por el algoritmo QES-WOFS junto con sus categorías de características, niveles relativos de influencia y funciones dentro del marco propuesto. Las características de las características conductuales multidimensionales extraídas se resumen en la Tabla Suplementaria 5. Tabla Suplementaria 6 presenta estructuras de enlaces representativas generadas durante la representación conductual para las dos clases de predicción (Bueno y Excelente).

Como se muestra en la Figura 4 y en la Tabla 4, el marco ML-HQNC propuesto alcanzó la puntuación F1 más alta (87,9 %) entre los métodos evaluados. Las puntuaciones F1 correspondientes para Fast R-CNN, Bi-LSTM, CNN y XGBoost fueron del 77,9 %, 80,2 %, 82,8 % y 85,8 %, respectivamente. La significancia estadística se evaluó mediante una prueba t independiente de dos colas (p < 0,05).

Figura 5 y Tabla 5 resumen los resultados de precisión en la detección de interés (IDP). El marco propuesto ML-HQNC alcanzó un IDP del 89,3 %, en comparación con el 79,11 %, 82,12 %, 84,6 % y 87,10 % de Fast R-CNN, Bi-LSTM, CNN y XGBoost, respectivamente. Figura 6 y Tabla 6 presentan los resultados del índice de estabilidad de patrones cuánticos (QPSI). El marco propuesto alcanzó un valor de QPSI del 92,7 %, mientras que Fast R-CNN, Bi-LSTM, CNN y XGBoost alcanzaron el 81,1 %, 84,11 %, 87,4 % y 90,9 %, respectivamente. Figura 7 y Tabla 7 resumen los resultados de ganancia en adaptabilidad cruzada de dominios (CDAG). El marco propuesto ML-HQNC obtuvo el valor más alto de CDAG (0,95), en comparación con Fast R-CNN (0,78), Bi-LSTM (0,83), CNN (0,80) y XGBoost (0,86). Como se muestra en la Figura 8 y la Tabla 8, el marco propuesto ML-HQNC alcanzó la mayor precisión de clasificación (96,17 %). Las precisiones correspondientes para Fast R-CNN, Bi-LSTM, CNN y XGBoost fueron del 85,10 %, 87,21 %, 90,14 % y 93,19 %, respectivamente. Figura 9 y Tabla 9 presentan el tiempo computacional requerido por cada método. El marco propuesto ML-HQNC requirió 9,02 ms, mientras que Fast R-CNN, Bi-LSTM, CNN y XGBoost requirieron 31,2 ms, 27,5 ms, 22,4 ms y 17,6 ms, respectivamente. Figura 10 presenta el análisis de la característica operativa del receptor (ROC). El marco propuesto ML-HQNC alcanzó un AUC de 0,944, lo que indica una alta tasa de verdaderos positivos y una baja tasa de falsos positivos a través del umbral de clasificación evaluado.

figure-results-1
Figura 4: Comparación del puntaje F1 en diferentes tamaños de conjuntos de datos. Comparación del puntaje F1 obtenido por ML-HQNC y modelos competidores en diferentes tamaños de conjuntos de datos. Los resultados se presentan como media ± desviación estándar de cinco ejecuciones experimentales independientes (n = 5). Las barras de error representan una desviación estándar. La significancia estadística se evaluó mediante una prueba t independiente de dos colas (p < 0,05). Haga clic aquí para ver una versión más grande de esta figura.

Tabla 4: Comparación del puntaje F1 en diferentes tamaños de conjunto de datos. Comparación del puntaje F1 obtenido por ML-HQNC y modelos competidores. Los resultados se reportan como media ± desviación estándar de cinco ejecuciones experimentales independientes (n = 5). Haga clic aquí para descargar esta tabla.

figure-results-2
Figura 5: Comparación de la precisión en la detección de interés (IDP) según el tamaño del conjunto de datos. Comparación de la precisión en la detección de interés (IDP) obtenida por ML-HQNC y modelos competidores según diferentes tamaños de conjuntos de datos. Los resultados se presentan como media ± desviación estándar de cinco ejecuciones experimentales independientes (n = 5). Las barras de error representan una desviación estándar. La significancia estadística se evaluó mediante una prueba t independiente de dos colas (p < 0,05). Haga clic aquí para ver una versión más grande de esta figura.

Tabla 5: Comparación de la precisión en la detección de interés (IDP) en diferentes tamaños de conjuntos de datos. Comparación de la precisión en la detección de interés (IDP) alcanzada por ML-HQNC y modelos competidores. Los resultados se reportan como media ± desviación estándar de cinco ejecuciones experimentales independientes (n = 5). Haga clic aquí para descargar esta tabla.

figure-results-3
Figura 6: Comparación del Índice de Estabilidad del Patrón Cuántico (QPSI) en diferentes tamaños de conjuntos de datos. Comparación del Índice de Estabilidad del Patrón Cuántico (QPSI) obtenido por ML-HQNC y modelos competidores en diferentes tamaños de conjuntos de datos. Los resultados se reportan como media ± desviación estándar de cinco ejecuciones experimentales independientes (n = 5). Las barras de error representan una desviación estándar. La significancia estadística se evaluó mediante una prueba t independiente de dos colas (p < 0,05). Haga clic aquí para ver una versión más grande de esta figura.

Tabla 6: Comparación del Índice de Estabilidad de Patrones Cuánticos (QPSI) en diferentes tamaños de conjuntos de datos. Comparación del Índice de Estabilidad de Patrones Cuánticos (QPSI) alcanzado por ML-HQNC y modelos competidores. Los resultados se reportan como media ± desviación estándar de cinco ejecuciones experimentales independientes (n = 5). Haga clic aquí para descargar esta tabla.

figure-results-4
Figura 7: Comparación de la ganancia de adaptabilidad entre dominios (CDAG) en diferentes tamaños de conjuntos de datos. Comparación de la ganancia de adaptabilidad entre dominios (CDAG) obtenida por ML-HQNC y modelos competidores en diferentes tamaños de conjuntos de datos. Los resultados se reportan como media ± desviación estándar de cinco ejecuciones experimentales independientes (n = 5). Las barras de error representan una desviación estándar. La significancia estadística se evaluó mediante una prueba t independiente de dos colas (p < 0,05). Haga clic aquí para ver una versión más grande de esta figura.

Tabla 7: Comparación de la ganancia de adaptabilidad entre dominios (CDAG) en diferentes tamaños de conjuntos de datos. Comparación de la ganancia de adaptabilidad entre dominios (CDAG) lograda por ML-HQNC y modelos competidores. Los resultados se presentan como media ± desviación estándar de cinco ejecuciones experimentales independientes (n = 5). Haga clic aquí para descargar esta tabla.

figure-results-5
Figura 8: Comparación de la precisión de clasificación en diferentes tamaños de conjunto de datos. Comparación de la precisión de clasificación alcanzada por ML-HQNC y modelos competidores en diferentes tamaños de conjunto de datos. Los resultados se reportan como media ± desviación estándar de cinco ejecuciones experimentales independientes (n = 5). Las barras de error representan una desviación estándar. La significancia estadística se evaluó mediante una prueba t independiente de dos colas (p < 0,05). Haga clic aquí para ver una versión más grande de esta figura.

Tabla 8: Comparación de la precisión de clasificación en diferentes tamaños de conjunto de datos. Comparación de la precisión de clasificación alcanzada por ML-HQNC y modelos competidores. Los resultados se reportan como media ± desviación estándar de cinco ejecuciones experimentales independientes (n = 5). Haga clic aquí para descargar esta tabla.

figure-results-6
Figura 9: Comparación del tiempo computacional en diferentes tamaños de conjuntos de datos. Comparación del tiempo de ejecución computacional de ML-HQNC y modelos competidores en diferentes tamaños de conjuntos de datos. Los resultados se presentan como media ± desviación estándar de cinco ejecuciones experimentales independientes (n = 5). Las barras de error representan una desviación estándar. Valores más bajos indican un tiempo de ejecución computacional más corto. La significancia estadística se evaluó mediante una prueba t independiente de dos colas (p < 0,05). Haga clic aquí para ver una versión ampliada de esta figura.

Tabla 9: Comparación del tiempo computacional en diferentes tamaños de conjuntos de datos. Comparación del tiempo de ejecución computacional de ML-HQNC y modelos competidores. Los resultados se presentan como media ± desviación estándar de cinco ejecuciones experimentales independientes (n = 5). Valores más bajos indican un tiempo de ejecución computacional más corto. Haga clic aquí para descargar esta tabla.

figure-results-7
Figura 10: Comparación del área bajo la curva de característica de operación del receptor (AUC). Comparación del AUC obtenido por ML-HQNC y modelos competidores para la identificación del interés de estudiantes de ingeniería. Los valores de AUC informados corresponden a una sola ejecución experimental; por lo tanto, no se presentan barras de error ni análisis de significancia estadística. Haga clic aquí para ver una versión más grande de esta figura.

Figura suplementaria 1 presenta la matriz de correlación de variables conductuales representativas. Se observaron correlaciones positivas fuertes entre Avg_Score y Course_Completion_Rate (0,81) y entre Attendance_Rate y Course_Completion_Rate (0,75). Se observaron correlaciones moderadas entre Avg_Score y Course_Completion (0,72) y entre Attendance_Rate y Time_Assignment_Percentage (0,74). Las figuras suplementarias 2 y 3, junto con la tabla 10, resumen los mapas de precisión de entrenamiento y prueba. El marco propuesto ML-HQNC alcanzó una precisión de entrenamiento del 96,1 % y una precisión de prueba del 93,8 %, superando el desempeño de los métodos comparativos. Las figuras suplementarias 4 y 5, junto con la tabla 11, resumen el análisis de convergencia. El marco propuesto ML-HQNC alcanzó la pérdida de entrenamiento más baja (0,21) y la pérdida de prueba más baja (0,26), con una convergencia estable a lo largo de todo el proceso de optimización.

Tabla 12 resume el rendimiento general del marco propuesto ML-HQNC y de los métodos comparativos en todas las métricas de evaluación. El marco propuesto alcanzó el rendimiento más alto en precisión, puntuación F1, AUC, IDP, QPSI y CDAG, al mismo tiempo que requirió el menor tiempo computacional entre los métodos evaluados. Tabla 13 presenta el análisis de ablación por componentes del marco propuesto. La incorporación progresiva de la etapa de preprocesamiento BCRIS, la representación conductual QCSM, el algoritmo de selección de características QES-WOFS y el clasificador completo ML-HQNC produjo mejoras incrementales en el rendimiento de clasificación, demostrando la contribución de cada componente al marco general.

Tabla 10: Comparación de la precisión en entrenamiento y prueba. Comparación de la precisión alcanzada durante el entrenamiento y la prueba por ML-HQNC y los modelos competidores. Los valores reportados corresponden a una única ejecución experimental. Haga clic aquí para descargar esta tabla.

Tabla 11: Comparación de la pérdida en entrenamiento y prueba. Comparación de la pérdida en entrenamiento y prueba alcanzada por ML-HQNC y modelos competidores. Los valores reportados corresponden a una única ejecución experimental. Haga clic aquí para descargar esta tabla.

Tabla 12: Comparación del rendimiento general. Comparación entre ML-HQNC y modelos competidores utilizando múltiples métricas de evaluación. Los resultados se presentan como media ± desviación estándar de cinco ejecuciones experimentales independientes (n = 5). Haga clic aquí para descargar esta tabla.

DISPONIBILIDAD DE LOS DATOS:
El conjunto de datos original de Evaluación de la Calidad Docente utilizado en este estudio está disponible públicamente en el repositorio de Kaggle (https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset). El acceso al conjunto de datos puede requerir autenticación de usuario y está sujeto a los términos de uso de Kaggle. Para favorecer la reproducibilidad cumpliendo con las condiciones de licencia del conjunto de datos original, los recursos generados en el estudio —incluyendo el conjunto de datos sintético, el código fuente, los archivos de implementación y configuración, las descripciones de características, el flujo de trabajo de preprocesamiento y la documentación complementaria necesaria para reproducir los experimentos descritos— se han depositado en un repositorio abierto de Zenodo: https://doi.org/10.5281/zenodo.21393413.

figure-results-8
Figura 3: Recopilación de características del conjunto de datos de evaluación de la calidad docente. Estructura y composición de características del conjunto de datos de evaluación de la calidad docente utilizado para la identificación del interés de los estudiantes de ingeniería. Haga clic aquí para ver una versión más grande de esta figura.

Figura suplementaria 1: Matriz de correlación de características. Matriz de correlación que muestra las relaciones por pares entre las variables educativas y conductuales representativas utilizadas por el marco propuesto ML-HQNC. Haga clic aquí para descargar este archivo.

Figura suplementaria 2: Comparación de la precisión del entrenamiento. Comparación de la precisión del entrenamiento alcanzada por ML-HQNC y modelos competidores durante el proceso de entrenamiento. Haga clic aquí para descargar este archivo.

Figura suplementaria 3: Comparación de la precisión en las pruebas. Comparación de la precisión en las pruebas alcanzada por ML-HQNC y modelos competidores durante el proceso de evaluación. Haga clic aquí para descargar este archivo.

Figura suplementaria 4: Análisis de la pérdida durante el entrenamiento. Comparación de la pérdida durante el entrenamiento alcanzada por ML-HQNC y modelos competidores durante la optimización del modelo. Haga clic aquí para descargar este archivo.

Figura suplementaria 5: Análisis de la pérdida en la prueba. Comparación de la pérdida en la prueba obtenida por ML-HQNC y modelos competidores durante la evaluación del modelo.  Haga clic aquí para descargar este archivo.

Tabla suplementaria 1: Parámetros de simulación y configuraciones experimentales. Resumen de los parámetros de simulación, entorno de implementación, particionado del conjunto de datos y configuraciones experimentales utilizados para evaluar el marco propuesto ML-HQNC. Haga clic aquí para descargar este archivo.

Tabla suplementaria 2: Resultados de validación de la etapa de preprocesamiento de escalado robusto IQR de Box-Cox (BCRIS). Comparación de las características representativas del conjunto de datos antes y después del preprocesamiento, incluyendo valores perdidos, registros duplicados, manejo de valores atípicos, normalización de características y consistencia de los datos. Haga clic aquí para descargar este archivo.

Tabla suplementaria 3: Características representativas generadas por el Modelo de Estado Cognitivo Cuántico (QCSM). Características conductuales representativas generadas por el QCSM tras el preprocesamiento de los datos, incluyendo características de estado cognitivo, participación, incertidumbre, transición de tema y consistencia conductual. Haga clic aquí para descargar este archivo.

Tabla suplementaria 4: Características seleccionadas por el algoritmo de Selección de Características mediante Optimización de Enjambre–Ballena con Refuerzo Cuántico (QES-WOFS). Subconjunto final de características seleccionado por el algoritmo QES-WOFS, junto con las categorías de características correspondientes, niveles relativos de influencia y funciones dentro del marco propuesto. Haga clic aquí para descargar este archivo.

Tabla suplementaria 5: Categorías de predicción de calidad docente. Descripción de las categorías de predicción y características conductuales representativas utilizadas por el marco propuesto ML-HQNC. Haga clic aquí para descargar este archivo.

Tabla suplementaria 6: Análisis de sensibilidad del margen. Resumen del análisis de sensibilidad del margen utilizado durante la evaluación del modelo. Haga clic aquí para descargar este archivo.

Archivo suplementario 1: Métodos suplementarios, formulaciones matemáticas, métricas de evaluación y tablas suplementarias. Este archivo contiene formulaciones matemáticas detalladas para la Escalación del Rango Intercuartílico Robusta de Box-Cox (BCRIS), el Modelo Cuántico de Estado Cognitivo (QCSM), la Selección de Características mediante Optimización Cuántica Mejorada de Enjambre–Ballena (QES-WOFS) y el Clasificador Híbrido Cuántico-Clásico de Red Neuronal con Metaaprendizaje (ML-HQNC) descritos en el protocolo principal. También incluye definiciones de las métricas de evaluación, parámetros de simulación, configuraciones experimentales y las Tablas Suplementarias S1–S6 que respaldan los resultados presentados en el manuscrito principal. Haga clic aquí para descargar este archivo.

Discusión

El marco propuesto ML-HQNC demostró un mejor desempeño en la identificación del interés del estudiante de ingeniería al integrar modelado conductual inspirado en la mecánica cuántica, selección adaptativa de características y meta-aprendizaje en un flujo de trabajo computacional unificado. En comparación con Fast R-CNN, Bi-LSTM, CNN y XGBoost, el marco logró consistentemente un desempeño superior en métricas convencionales de clasificación y en las métricas conductuales propuestas de evaluación. Estos hallazgos sugieren que la combinación de representación de estado cognitivo inspirada en la mecánica cuántica con optimización adaptativa de características mejoró la capacidad del marco para modelar comportamientos educativos complejos, manteniendo al mismo tiempo un desempeño robusto en clasificación. El bajo tiempo computacional y la pequeña diferencia entre el desempeño en entrenamiento y prueba indican además una optimización estable y una buena generalización.

Las métricas de evaluación propuestas complementaron las medidas convencionales de clasificación al proporcionar información adicional sobre la modelización del comportamiento. La Precisión en la Detección de Interés (IDP) cuantificó la exactitud en la identificación del interés, el Índice de Estabilidad de Patrones Cuánticos (QPSI) evaluó la estabilidad de las representaciones conductuales inspiradas en la mecánica cuántica, y la Ganancia de Adaptabilidad Cruzada (CDAG) analizó la capacidad del marco para generalizar entre diferentes particiones de datos. Juntas, estas medidas ofrecieron una evaluación más amplia del rendimiento del modelo que las métricas de predicción convencionales por sí solas.

El análisis de ablación por componentes (Tabla 13) demostró además la contribución de cada etapa del flujo de trabajo propuesto. La incorporación de la etapa de preprocesamiento de Escalado Robusto IQR de Box–Cox (BCRIS) mejoró la consistencia de los datos al reducir la influencia de los valores atípicos y generar representaciones normalizadas de las características. El Modelo Cuántico de Estado Cognitivo (QCSM) transformó las variables educativas multidimensionales en representaciones conductuales que capturaron la incertidumbre, el compromiso y las preferencias de aprendizaje cambiantes. La selección subsiguiente de características mediante el algoritmo de Selección de Características de Optimización de Enjambre–Ballena Potenciado por Cuántica (QES-WOFS) redujo la redundancia de características al tiempo que conservó las características conductuales informativas. Finalmente, la integración de estos componentes dentro del Clasificador Neural Híbrido Cuántico-Clásico de Metaaprendizaje (ML-HQNC) mejoró el rendimiento de clasificación y la generalización en comparación con los modelos de referencia.

El protocolo propuesto tiene como finalidad la identificación del interés de estudiantes de ingeniería mediante datos educativos y conductuales multidimensionales recopilados de entornos digitales de aprendizaje. El flujo de trabajo computacional puede apoyar el aprendizaje personalizado, la orientación académica, la planificación curricular y la gestión educativa inteligente, al proporcionar un enfoque sistemático para analizar las conductas de aprendizaje de los estudiantes y detectar intereses emergentes. El marco es particularmente adecuado para conjuntos de datos educativos estructurados que contengan variables conductuales, académicas y contextuales.

La implementación exitosa depende de la disponibilidad de datos educativos de alta calidad y de recursos computacionales adecuados. Antes del análisis, los conjuntos de datos educativos deben examinarse para detectar valores faltantes, registros duplicados e inconsistencias, ya que la calidad de los datos influye directamente en el preprocesamiento y en la modelización conductual posterior. Asimismo, las representaciones estables de características dependen del preprocesamiento adecuado, la transformación de características y la optimización de hiperparámetros. Durante el entrenamiento del modelo, se debe monitorear la convergencia mediante las curvas de pérdida en el entrenamiento y la validación, y deben ajustarse los parámetros de optimización cuando sea necesario para mantener un comportamiento de aprendizaje estable.

Aunque el marco mostró un rendimiento efectivo utilizando el conjunto de datos evaluado, deben considerarse varias limitaciones. El protocolo se validó utilizando un único conjunto de datos educativos disponible públicamente, y se requiere una evaluación adicional mediante conjuntos de datos educativos más grandes, multiinstitucionales y más diversos para evaluar mejor su generalización. Además, el marco híbrido inspirado en la computación cuántica requiere mayores recursos computacionales que los enfoques convencionales de aprendizaje automático debido a sus componentes de preprocesamiento, optimización y aprendizaje híbrido. El marco también depende de datos educativos bien anotados, y su rendimiento podría verse afectado por conjuntos de datos incompletos, ruidosos o altamente desequilibrados.

Trabajos futuros se centrarán en extender el marco hacia la identificación de intereses estudiantiles multiclase con mayor nivel de detalle, incorporando modalidades adicionales de datos educativos como retroalimentación textual, comportamientos temporales de aprendizaje y registros de actividad en tiempo real de sistemas de gestión de aprendizaje, y evaluando el protocolo en diversos entornos de educación en ingeniería. Una mayor optimización del flujo de trabajo computacional también podría mejorar la escalabilidad y facilitar la implementación en sistemas de gestión educativa a gran escala.

En resumen, el marco propuesto ML-HQNC proporciona un flujo de trabajo computacional reproducible para la identificación del interés de los estudiantes de ingeniería mediante datos educativos multidimensionales. Al integrar un preprocesamiento robusto, modelado conductual inspirado en la computación cuántica, selección adaptativa de características y aprendizaje neuronal híbrido cuántico-clásico, el marco logró un mejor desempeño en clasificación, manteniendo al mismo tiempo una optimización estable y un cálculo eficiente. Estas características respaldan su posible aplicación en análisis educativos inteligentes y en la gestión de la educación en ingeniería.

Divulgaciones

El autor declara que no tiene intereses competidores.

Agradecimientos

El autor agradece a la Universidad de Bengbu, Bengbu, China, por proporcionar el apoyo académico y el entorno de investigación que facilitaron este estudio. No se recibió financiamiento externo para este estudio. Este trabajo fue apoyado por el Proyecto de Ingeniería de Calidad a Nivel Institucional 2025 de la Universidad de Bengbu (No. 2025zhkc1).

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Modelos de referencia (Fast R-CNN, Bi-LSTM, CNN, XGBoost)Implementaciones de código abiertoFast R-CNN (2015); implementación en TensorFlow/Keras v2.16; XGBoost v2.1.1Modelos de referencia utilizados para la evaluación comparativa de rendimiento.
Módulo de preprocesamiento de BCRISDesarrollado en este estudioVersión 1.0Módulo personalizado de preprocesamiento que implementa la transformación Box-Cox y la normalización robusta mediante el rango intercuartílico.
Jupyter NotebookProyecto JupyterVersión 7.2.2Entorno de desarrollo interactivo utilizado para la implementación, entrenamiento y pruebas.
Clasificador ML-HQNCDesarrollado en este estudioVersión 1.0Clasificador de red neuronal híbrida cuántica-clásica propuesto con marco de meta-aprendizaje.
PythonFundación Python SoftwareVersión 3.11.9Lenguaje de programación utilizado para el desarrollo y experimentación del modelo.
PyTorchFundación PyTorchVersión 2.5.1Marco de aprendizaje profundo utilizado para la implementación y el entrenamiento del modelo.
Modelo QCSMDesarrollado en este estudioVersión 1.0Modelo propuesto de estado cognitivo cuántico para la representación de patrones de comportamiento.
Algoritmo QES-WOFSDesarrollado en este estudioVersión 1.0Enjambre propuesto con mejora cuántica–algoritmo de selección de características mediante optimización de ballena
Scikit-learnDesarrolladores de Scikit-learnVersión 1.6.1Biblioteca de aprendizaje automático utilizada para el preprocesamiento, selección de características y evaluación.

Referencias

  1. Xu Q, Deng H. Research on education management system based on machine learning and multidimensional data modeling. Applied Mathematics and Nonlinear Sciences. 2024;9(1). https://dialnet.unirioja.es/servlet/articulo?codigo=9386765
  2. Li D. An interactive teaching evaluation system for preschool education in universities based on machine learning algorithm. Comput Hum Behav. 2024;157:108211. https://doi.org/10.1016/j.chb.2024.108211
  3. Chunhua H, Kaabar MKA, Qiuju X, Zhang G. Fuzzy comprehensive evaluation of students' classroom experience in online teaching. International Journal of Emerging Technologies in Learning. 2023;18(21):79-88.
  4. He Z, et al. Assessment of influencing factors of college and universities' teaching effects using fuzzy and deep learning techniques. Scientific Reports. 2026;16:5168. https://doi.org/10.1038/s41598-026-35940-5
  5. Liu J. Innovation and practice of educational management system in colleges and universities based on the concept of data analysis education. Applied Mathematics and Nonlinear Sciences. 2023;9(1). https://www.researchgate.net/publication/377568313
  6. Li C, Cao Z. Deep learning-based AI model for predicting academic success and engagement among physical higher education students. Scientific Reports. 2025;15:45471. https://doi.org/10.1038/s41598-025-29000-7
  7. Kong Y, Dong R, Zhang H. Classroom behavior analysis and digital teaching quality evaluation based on spatiotemporal graph neural network. Discover Artificial Intelligence. 2025;5:404. https://doi.org/10.1007/s44163-025-00623-z
  8. Zedan F, Jabali RR, Raiyn J. Detecting student inattention using deep learning and behavioral analysis. Journal of International Education Practice. 2026;9(1):1-17.
  9. Feng F. Deep learning-based model for analyzing student engagement in activities. Scientific Reports. 2025;16:2552. https://doi.org/10.1038/s41598-025-32521-w
  10. Turkmenbayev A, et al. The application of machine learning in predicting student performance in university engineering programs: A rapid review. Frontiers in Education. 2025;10:1562586. https://doi.org/10.3389/feduc.2025.1562586
  11. Albreiki B, Zaki N, Alashwal H. A systematic literature review of student performance prediction using machine learning techniques. Education Sciences. 2021;11(9):552. https://doi.org/10.3390/educsci11090552
  12. Lai Q. Research on the refinement of college student education management based on artificial intelligence. Discover Artificial Intelligence. 2026;6:31. https://doi.org/10.1007/s44163-025-00651-9
  13. Yuanyuan L, et al. Research on the application framework of intelligent technologies to promote teachers' classroom teaching behavior evaluation. Frontiers of Education in China. 2023;18(1):12–35. https://doi.org/10.3868/s110-008-023-0012-8
  14. Shi Y, Sun F, Zuo H, Peng F. Analysis of learning behavior characteristics and prediction of learning effect for improving college students' information literacy based on machine learning. IEEE Access. 2023;11:50447-50461.
  15. Liu S, Zhang J, Su W. An improved method of identifying learner's behaviors based on deep learning. Journal of Supercomputing. 2022;78(10):12861-12872.
  16. Yang J. Accurate prediction and analysis of college students' performance from online learning behavior data. IEIE Transactions on Smart Processing and Computing. 2023;12(3):404-411.
  17. Xie Y, Zhang S, Liu Y. Abnormal behavior recognition in classroom pose estimation of college students based on spatiotemporal representation learning. Traitement du Signal. 2021;38(6):1769-1778.
  18. Shen X, Yuan C. A college student behavior analysis and management method based on machine learning technology. Wireless Communications and Mobile Computing. 2021;2021:6611630. https://doi.org/10.1155/2021/6611630
  19. Li G, et al. A convolutional neural network-based approach for the recognition and evaluation of classroom teaching behavior. Scientific Programming. 2021;2021:5513886. https://doi.org/10.1155/2021/5513886
  20. Feng C, et al. IMRMB-Net: A lightweight student behavior recognition model for complex classroom scenarios. PLoS ONE. 2025;20(2):e0318817. https://doi.org/10.1371/journal.pone.0318817
  21. Zhang Y, Liu T, Ru B. Effect evaluation and student behavior design method of moral education in colleges and universities under the environment of deep learning. Scientific Programming. 2022;2022:6056117. https://doi.org/10.1155/2022/6056117
  22. Liu C, Wang H, Yuan Z. A method for predicting the academic performances of college students based on education system data. Mathematics. 2022;10(19):3737. https://doi.org/10.3390/math10193737
  23. Vora DR, Iyer KR. Deep learning in engineering education: performance prediction using cuckoo-based hybrid classification. In: Machine Learning and Deep Learning in Real-Time Applications. Studies in Computational Intelligence, Vol. 841, pp. 187-218. Springer; Singapore; 2020.
  24. Li H, Liu Z. An intelligent educational system: analyzing student behavior and academic performance using multi-source data. Electronics. 2024;14(16):3328. https://doi.org/10.3390/electronics14163328
  25. Zhang Y, Li J. Deep learning-based model for predicting student learning behavior: a pathway to early intervention and enhanced outcomes. Journal of Computational Methods in Sciences and Engineering. 2025;25(2):1169-1184.
  26. Jia Q, He J. Student behavior recognition in classroom based on deep learning. Applied Sciences. 2024;14(18):7981. https://doi.org/10.3390/app14187981
  27. Luo H. Prediction of student decision-making behaviour based on machine learning algorithms. Pakistan Journal of Life and Social Sciences. 2024;22(2):11045-11058.
  28. Abdi A, Sedrakyan G, Veldkamp B. Students' feedback analysis model using deep learning-based method and linguistic knowledge for intelligent educational systems. Soft Computing. 2023;27(38):14073-14094.
  29. Ning X. Behavior recognition of college students based on improved deep learning algorithm. International Journal of Web-Based Learning and Teaching Technologies. 2023;18(1):1-16.
  30. Sravya MN, Prashanth D, Saifa S, Reddy LS. A comprehensive analysis of learning behaviour characteristics and predictive modeling of learning outcomes to enhance college-level academic performance. International Journal of Pharmacy and Medical Sciences. 2025;5(2):94-100.
  31. Kalita E, et al. Predicting student academic performance using Bi-LSTM: a deep learning framework with SHAP-based interpretability and statistical validation. Frontiers in Education. 2025;10:1581247. https://doi.org/10.3389/feduc.2025.1581247
  32. Alias MAH, Hambali N, Aziz MAA. Feature selection techniques and classification algorithms for student performance classification: a review. International Journal of Electrical and Computer Engineering. 2024;14(3):3230-3242.
  33. Wang Z, et al. Students' classroom behavior detection system incorporating deformable DETR with Swin Transformer and lightweight feature pyramid network. Systems. 2023;11(7):372. https://doi.org/10.3390/systems11070372
  34. Zou X. Design of student behavior analysis and management system based on deep learning. International Journal of High Speed Electronics and Systems. 2024;33(1):2450005. https://doi.org/10.1142/S012915642450005X
  35. Zhang Q. The impact of machine learning-based student behaviour detection on teaching in classroom scenarios. Journal of Information and Knowledge Management. 2025;24(1):2450101. https://doi.org/10.1142/S021964922450101X
  36. Yu C, Wang Y. College student management system based on K-means clustering algorithm. Int J New Dev Educ. 2022;4(2):28-33.
  37. Chen J, Lu H. Evaluation method of classroom teaching effect under intelligent teaching mode. Mobile Networks and Applications. 2022;27(3):1262-1270.
  38. Han X, Chen X. The evaluation model of engineering practice teaching with complex network analytic hierarchy process based on deep learning. Scientific Reports. 2025;15:14733. https://doi.org/10.1038/s41598-025-14733-x
  39. Guo S, et al. The analysis of teaching quality evaluation for college sports dance by convolutional neural network model and deep learning. Heliyon. 2024;10(8):e36067. https://doi.org/10.1016/j.heliyon.2024.e36067
  40. Gao Y. Deep learning-based strategies for evaluating and enhancing university teaching quality. Computers and Education: Artificial Intelligence. 2025;8:100362. https://doi.org/10.1016/j.caeai.2025.100362
  41. Li Y, Lu B. Intelligent educational systems based on adaptive learning algorithms and multimodal behavior modeling. PeerJ Computer Science. 2025;11:e3157. https://doi.org/10.7717/peerj-cs.3157
  42. Geng F, John AD, Chinnappan CV. Analysis of the teaching quality using novel deep learning-based intelligent classroom teaching framework. Progress in Artificial Intelligence. 2023;12(2):147-162.
  43. Veluri RK, et al. Learning analytics using deep learning techniques for efficiently managing educational institutes. Materials Today: Proceedings. 2022;51(Part 8):2317-2320.
  44. Chen W, Min L. The evaluation model of physical education teaching performance based on deep learning algorithm. Scalable Computing: Practice and Experience. 2025;26(3):458-466.
  45. Zhang Y. A comprehensive evaluation system for physical education teaching effectiveness supported by multimodal machine learning. Discover Artificial Intelligence. 2026;6:75. https://doi.org/10.1007/s44163-026-00075-x
  46. Pei Y, Lu G. Design of an intelligent educational evaluation system using deep learning. IEEE Access. 2023;11:29790-29799.
  47. Ding J, Su Y. A teaching management system for physical education in colleges and universities using the theory of multiple intelligences and SVM. Soft Computing. 2024;28(2):685-701.
  48. Li Y, Zhang L, Tian Y, Qi W. Research on teaching practice of blended higher education based on deep learning route. Computational Intelligence and Neuroscience. 2022;2022:5751843. https://doi.org/10.1155/2022/5751843
  49. Jiang X, Du Y, Zheng Y. Evaluation of physical education teaching effect using Random Forest model under artificial intelligence. Heliyon. 2024;10(1):e23576. https://doi.org/10.1016/j.heliyon.2024.e23576
  50. Li S, Liu T. Performance prediction for higher education students using deep learning. Complexity. 2021;2021:6620684. https://doi.org/10.1155/2021/6620684
  51. Alnasyan B, Basheri M, Alassafi MO, Alnasyan K. Kanformer: An Attention-Enhanced Deep Learning Model for Predicting Student Performance in Virtual Learning Environments. Social Network Analysis and Mining. 2025;15:25. https://doi.org/10.1007/s13278-025-01446-7
  52. Lu Y, Tong L, Cheng Y. Advanced Knowledge Tracing: Incorporating Process Data and Curricula Information via an Attention-Based Framework for Accuracy and Interpretability. Journal of Educational Data Mining. 2024;16(2):58-84.

Reimpresiones y permisos

Etiquetas

EngineeringDeep LearningClassical engineering student modelEngineering CollegeTeaching management systemBCRISQES WOFS and ML HQNC
Contáctenos
Recomendar a la biblioteca

Privacidad

Condiciones de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.