Identificación de estudiantes universitarios en riesgo por género mediante la prueba Kostick
DOI:
https://doi.org/10.56162/transdigital603Palabras clave:
competencia, prueba de aptitud, educación superior, enseñanza, análisis cuantitativoResumen
El objetivo de esta investigación fue identificar y analizar las características y las necesidades de los estudiantes de nuevo ingreso a la universidad, con el fin de abordarlas y facilitar su desempeño académico. Para ello se aplicó la prueba Kostick a 1,922 estudiantes. Se realizó un análisis cuantitativo; sobresale la competencia de liderazgo (5.61), indicando una fortaleza a considerar en cualquier actividad académica dentro y fuera del aula. Se pronuncian por actividades académicas intensas (6.41) en esfuerzo físico y mental. Reconocen que deben mejorar su modo de vida (alimentación, ejercicio, descanso, organización del tiempo, hábitos). Los logros han dejado de ser su principal motivante con la puntuación más baja (4.05). El estudio proporcionó información valiosa para que los administradores universitarios, profesores y servicios de apoyo a los estudiantes desarrollen intervenciones y programas específicos que apoyen el desarrollo integral de los estudiantes y mejoren sus posibilidades de éxito en la educación superior.
Citas
AFB Compucenter. (2021). Kostick (inventario de la percepción): Manual del Examinador. AFB Compucenter. https://afbcompucenter.com/blog/wp-content/uploads/2021/02/Kostick-Manual.pdf
Aguiar, E., Ambrose, G. A. A., Chawla, N. V., Goodrich, V., & Brockman, J. (2014). Engagement vs Performance: Using Electronic Portfolios to Predict First Semester Engineering Student Persistence. Journal of Learning Analytics, 1(3), 7-33. https://doi.org/10.18608/jla.2014.13.3
Alwarthan, S., Aslam, N., y Khan, I. U. (2022). An Explainable Model for Identifying At-Risk Student at Higher Education. IEEE Access, 10, 107649-107668. https://doi.org/10.1109/ACCESS.2022.3211070
Caviglia-Harris, J., & Maier, K. (2020). It’s not all in their heads: The differing role of cognitive factors and non-cognitive traits in undergraduate success. Education Economics, 28(3), 245-262.
Chemers, M. M., Hu, L., & Garcia, B. F. (2001). Academic self-efficacy and first year college student performance and adjustment. Journal of Educational Psychology, 93(1), 55-64. https://doi.org/10.1037/0022-0663.93.1.55
Credé, M., & Kuncel, N. R. (2008). Study Habits, Skills, and Attitudes: The Third Pillar Supporting Collegiate Academic Performance. Perspectives on Psychological Science, 3(6), 425-453.
Franestian, I. D., Suyanta, & Wiyono, A. (2020). Analysis problem solving skills of student in Junior High School. Journal of Physics: Conference Series, 1440(1), 012089. https://doi.org/10.1088/1742-6596/1440/1/012089
Glandorf, D., Lee, H. R., Orona, G. A., Pumptow, M., Yu, R., & Fischer, C. (2024). Temporal and Between-Group Variability in College Dropout Prediction [Sesión de congreso]. 14th Learning Analytics and Knowledge Conference, Kyoto, Japan.
Guha, R., Wagner, T., Darling-Hammond, L., Taylor, T., & Curtis, D. (2018). The Promise of Performance Assessments: Innovations in High School Learning and Higher Education Admissions. Learning Policy Institute.
Jaramillo Flores, P. D. (2024). Aplicación de algoritmos predictivos para mejorar la retención y el éxito académico en la educación superior. Revista Multidisciplinaria de Desarrollo Agropecuario Tecnólogico, Empresarial y humanista, 6(2). https://doi.org/10.61236/dateh.v6i2.944
Kuo, M.-M., Li, X., Qian, L., Obiomon, P., & Dong, X. (2024). Deep Knowledge Tracing for Personalized Adaptive Learning at Historically Black Colleges and Universities. arXiv. https://doi.org/10.48550/arXiv.2410.13876
Malkoç, A., & Mutlu, A. K. (2018). Academic Self-efficacy and Academic Procrastination: Exploring the Mediating Role of Academic Motivation in Turkish University Students. Universal Journal of Educational Research, 6(10), 2087-2093. https://doi.org/10.13189/ujer.2018.061005
Mansfield, P. M., Pinto, M. B., Parente, D. H., & Wortman, T. I. (2004). College Students and Academic Performance: A Case of Taking Control. NASPA Journal, 41(3), 551-567.
Martin, A. J., Marsh, H. W., Williamson, A., & Debus, R. L. (2003). Self-handicapping, defensive pessimism, and goal orientation: A qualitative study of university students. Journal of Educational Psychology, 95(3), 617-628. https://doi.org/10.1037/0022-0663.95.3.617
Masia, C. L., & Chase, P. N. (1997). Vicarious learning revisited: A contemporary behavior analytic interpretation. Journal of Behavior Therapy and Experimental Psychiatry, 28(1), 41-51.
Matz, S. C., Bukow, C. S., Peters, H., Deacons, C., Dinu, A., & Stachl, C. (2023). Using machine learning to predict student retention from socio-demographic characteristics and app-based engagement metrics. Scientific Reports, 13(1), 5705.
Mayer, J. D., & Salovey, P. (1997). What is emotional intelligence. En P. Salovey & D. J. Sluyter (Eds.), Emotional development and emotional intelligence: Educational implications (pp. 3–34). Basic Books.
Mccausland, D. F., & Stewart, N. E. (1974). Academic Aptitude, Study Skills, and Attitudes and College GPA. The Journal of Educational Research, 67(8), 354-357. https://doi.org/10.1080/00220671.1974.10884654
Merante, J. A. (1983). Predicting student success in college: what does the research say? NASSP Bulletin, 67(460), 41-46.
Oussedik, E., Foy, C. G., Masicampo, E. J., Kammrath, L. K., Anderson, R. E., & Feldman, S. R. (2017). Accountability: A missing construct in models of adherence behavior and in clinical practice. Patient preference and adherence, 11, 1285-1294.
Roque Rodríguez, E. (2024). Iluminemos el camino de aquellos que han tropezado para que puedan salir adelante. RIDE Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 15(29). https://doi.org/10.23913/ride.v15i29.2049
Rubio-Tobar, X. (2025). Factores de deserción estudiantil y estrategias de retención en carreras universitarias de Ingeniería y Áreas Técnicas. Revista Científica FINIBUS - Ingeniería, Industria y Arquitectura, 8(15), 133–142. https://doi.org/10.56124/finibus.v8i15.014
Smith, M. A. (2021). Social Learning and Addiction. Behavioural Brain Research, 398, 112954. https://doi.org/10.1016/j.bbr.2020.112954
Soobramoney, R., & Singh, A. (2019). Identifying Students At-Risk with an Ensemble of Machine Learning Algorithms [Sesión de congreso]. 2019 Conference on Information Communications Technology and Society (ICTAS), Durban, South Africa.
Tamhane, A., Ikbal, S., Sengupta, B., Duggirala, M., & Appleton, J. (2014). Predicting student risks through longitudinal analysis [Sesión de congreso]. Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining, Jeju Island, Republic of Korea.
Tross, S. A., Harper, J. P., Osher, L. W., & Kneidinger, L. M. (2000). Not just the usual cast of characteristics: Using personality to predict college performance and retention. Journal of College Student Development, 41(3), 323–334.
Universidad de Guadalajara. (2024). Regresan al CUCEA 22,592 estudiantes para el Ciclo Escolar 2024-A. Página web oficial de la Universidad de Guadalajara. https://sitioanterior.cucea.udg.mx/es/noticia/16-ene-2024/regresan-al-cucea-22592-estudiantes-para-el-ciclo-escolar-2024
Descargas
Autor de correspondencia
El autor de correspodencia se identifica con el siguiente símbolo: *Publicado
Cómo citar
Número
Sección
Categorías
Licencia
Derechos de autor 2026 Ernesto Roque Rodríguez, Blanca Zamora Mata
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Todos los artículos en Transdigital están licenciados bajo Creative Commons Attribution 4.0 International License Los autores poseen los derechos de autor y conservan los derechos de publicación sin restricciones.
