Predictive Models using Artificial Intelligence: Early Detection of Communicative Diversity Profiles in Higher Medical Education
Abstract
Introduction: Early detection of communicative diversity profiles represents a contemporary line of research that can support effective educational processes in the health sciences through the integration of artificial intelligence.
Objective: To establish an artificial intelligence-supported predictive model for the early identification of communicative diversity profiles in students of higher medical education.
Methods: A quantitative, applied study with an explanatory-predictive scope and a non-experimental, cross-sectional design was conducted. A total of 200 health sciences students participated and were assessed using communicative, cognitive, and metacognitive instruments. Data were analysed using supervised artificial intelligence models (logistic regression, SVM, Random Forest, Gradient Boosting, and neural networks), employing stratified cross-validation and predictive performance metrics.
Results: Early detection of communicative diversity profiles showed the highest predictive performance with ensemble models, with Gradient Boosting standing out (AUC-ROC = 0.90±0.02; F1-score = 0.87; sensitivity = 89.1%). Random Forest achieved statistically comparable performance (AUC-ROC = 0.88±0.02), with greater stability across folds (CV < 4%). Significant differences were observed between logistic regression and Gradient Boosting (ΔAUC = 0.10; p<0.001), but not in comparison with Random Forest (p>0.05). Interpretability analysis identified reading comprehension (24.7%), academic oral communication (28.4%), and self-regulated learning (19.6%) as the main predictive variables. Inter-rater agreement among expert evaluators was high (Kappa = 0.79).
Conclusions: Ensemble models exhibit substantially higher predictive performance for the early detection of communicative diversity profiles.
Downloads
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 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
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
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.
![Secimed](/templates/images/secimed.png"){kind=small}
