Modelos predictivos con inteligencia artificial: detección temprana de perfiles de diversidad comunicativa en educación médica superior

Autores/as

Resumen

Introducción: La detección temprana de perfiles de diversidad comunicativa es una línea de investigación contemporánea que pudiera garantizar procesos formativos efectivos en ciencias de la salud al integrase inteligencia artificial.

Objetivo: Establecer un modelo predictivo respaldado por inteligencia artificial para la identificación precoz de perfiles de diversidad comunicativa en alumnos de educación médica superior.

Métodos: Investigación cuantitativa-aplicada, de alcance explicativo-predictivo y diseño no experimental con enfoque transversal. Participaron 200 estudiantes de ciencias de la salud, evaluados con instrumentos comunicativos, cognitivos y metacognitivos. Los datos se gestionaron con modelos supervisados mediante inteligencia artificial (regresión logística, SVM, Random Forest, Gradient Boosting y redes neuronales), y se emplearon validación cruzada estratificada y métricas de rendimiento predictivo.

Resultados: La detección temprana de perfiles de diversidad comunicativa tuvo el mejor desempeño predictivo con los modelos de ensamble. Sobresalió Gradient Boosting, con AUC-ROC = 0,90 ± 0,02, F1-score = 0,87 y sensibilidad del 89,1 %. El rendimiento de Random Forest fue estadísticamente similar (AUC-ROC = 0,88 ± 0,02), con una estabilidad superior entre pliegues (CV < 4%). Aunque se encontraron diferencias notables entre la regresión logística y Gradient Boosting (ΔAUC = 0,10; p < 0,001), no fue así en comparación con Random Forest (p > 0,05). Según el análisis de interpretabilidad, las principales variables predictivas resultaron la comprensión lectora (24,7 %), la comunicación oral académica (28,4 %) y la autorregulación del aprendizaje (19,6 %). La concordancia fue alta entre los evaluadores expertos (Kappa = 0,79).

Conclusiones: Los modelos de ensamble tienen un rendimiento predictivo mucho mayor en la detección temprana de perfiles de diversidad comunicativa.

Descargas

Los datos de descargas todavía no están disponibles.

Descargas

Publicado

2026-03-06

Cómo citar

1.
García Calle DF, Becilla Vera ML, Cordero Alvarado NI, Urgilés Carabajo CG, Solano Farias KM, Ortiz Salas DA, et al. Modelos predictivos con inteligencia artificial: detección temprana de perfiles de diversidad comunicativa en educación médica superior. Educación Médica Superior [Internet]. 6 de marzo de 2026 [citado 20 de marzo de 2026];40. Disponible en: https://ems.sld.cu/index.php/ems/article/view/5147

Número

Vol. 40 (2026): publicación continua

Sección

Artículos originales

Licencia

Derechos de autor 2026 Diana Flor García Calle, Mayra Lorena Becilla Vera, Narcisa Isabel Cordero Alvarado, Carmen Graciela Urgilés Carabajo, Karina Mariela Solano Farias, Diana Asunción Ortiz Salas, Aracely Jacqueline Mendoza Vega

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Los autores conservan todos los derechos sobre sus obras, las cuales pueden reproducir y distribuir siempre y cuando citen la fuente primaria de publicación.

La revista se encuentra sujeta bajo la Licencia Creative Commons Atribución-No Comercial 4.0 Internacional (CC BY-NC 4.0) y sigue el modelo de publicación de SciELO Publishing Schema (SciELO PS) para la publicación en formato XML.

Usted es libre de:

  • Compartir — copiar y redistribuir el material en cualquier medio o formato
  • Adaptar — remezclar, transformar y construir a partir del material.

La licencia no puede revocar estas libertades en tanto usted siga los términos de la licencia

Bajo los siguientes términos:

  • Atribución — Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
  • No Comercial — Usted no puede hacer uso del material con propósitos comerciales.
  • No hay restricciones adicionales — No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a hacer cualquier uso permitido por la licencia.

 Avisos:

  • No tiene que cumplir con la licencia para elementos del material en el dominio público o cuando su uso esté permitido por una excepción o limitación aplicable.
  • No se dan garantías. La licencia podría no darle todos los permisos que necesita para el uso que tenga previsto. Por ejemplo, otros derechos como publicidad, privacidad, o derechos morales pueden limitar la forma en que utilice el material.