Rendimiento Académico, Nivel Socioeconómico y Brecha Digital: Un Análisis Big Data a las Pruebas Saber 11. (2008-2024)
DOI:
https://doi.org/10.24054/cie.v2i23.4589Palabras clave:
Rendimiento académico, nivel socioeconómico, brecha digital, datos masivos, análisis de conglomeradosResumen
El artículo analiza la relación entre las condiciones socioeconómicas, el acceso a las Tecnologías de la Información y la Comunicación (TIC) y el rendimiento académico de los estudiantes colombianos en las pruebas Saber 11 durante el periodo 2008-2024. El estudio parte de la premisa de que la brecha digital constituye un factor determinante en la desigualdad educativa, especialmente tras la pandemia de COVID-19, que aceleró la transición hacia entornos de aprendizaje mediados por tecnologías digitales. Para ello, se empleó un enfoque cuantitativo, longitudinal y descriptivo-correlacional, utilizando una base de datos de más de nueve millones de registros depurados del ICFES. La metodología incluyó procesos de extracción, transformación y carga de datos (ETL), análisis estadístico, correlaciones de Pearson y técnicas de aprendizaje automático, particularmente Random Forest, MissForest y el algoritmo K-Means. Los resultados evidencian un crecimiento significativo del acceso a internet, que pasó del 22,2 % en 2008 al 73,4 % en 2024. Sin embargo, persisten diferencias importantes entre estudiantes de instituciones públicas y privadas, tanto en acceso como en intensidad de uso de las tecnologías.El análisis de conglomerados identificó tres perfiles de estudiantes. El grupo con mejor desempeño académico presentó mayores niveles socioeconómicos y acceso casi universal a internet y computadores. En contraste, el grupo de menor rendimiento evidenció una marcada exclusión digital y condiciones socioeconómicas desfavorables. Asimismo, las correlaciones mostraron asociaciones positivas entre acceso tecnológico, estrato socioeconómico y resultados en matemáticas, lectura crítica e inglés. Se concluye que la brecha digital trasciende el acceso a la tecnología y está estrechamente vinculada con factores socioeconómicos que condicionan el aprovechamiento educativo de las TIC y las oportunidades de aprendizaje.
Descargas
Referencias
Álvarez, O. (2024). Essay on education: evidence from a developing country [Tesis de Doctorado, Universitat de Barcelona]. https://www.tdx.cat/bitstream/handle/10803/693349/OAV_PhD_THESIS.pdf?sequence=1&isAllowed=y
Arias, F. (2012). El proyecto de investigación: Introducción a la metodología científica (6ª ed.). Editorial Episteme. https://abacoenred.org/wp-content/uploads/2019/02/El-proyecto-de-investigaci%C3%B3n-F.G.-Arias-2012-pdf-1.pdf
Ariza, J. F., Saldarriaga, J. P., Reinoso, K. Y., y Tafur, C. D. (2021). Tecnologías de la información y la comunicación y desempeño académico en la educación media en Colombia. Lecturas de Economía, (94), 47-86. https://doi.org/10.17533/udea.le.n94a338690
Ballesteros-Alfonso, A. L., y Gómez-Velasco, N. Y. (2022). Desigualdad de resultados pruebas Saber-11 antes y durante la pandemia covid-19 (2014-2021). Revista Latinoamericana de Ciencias Sociales, Niñez y Juventud, 20(3), 46-68. https://doi.org/10.11600/rlcsnj.20.3.5189
Barrios Aguirre, F., Forero, D. A., Castellanos Saavedra, M. P., y Mora Malagón, S. Y. (2021). The impact of computer and internet at home on academic results of the saber 11 national exam in colombia. SAGE Open, 11(3), 21582440211040810. https://doi.org/10.1177/21582440211040810
Escobar, W. F. (2024). Análisis a la Brecha Digital en la Educación Colombiana: Un Estudio Documental [Tesis de Maestría, Corporación Universitaria Minuto de Dios]. https://repository.uniminuto.edu/server/api/core/bitstreams/b94d92af-de3e-4349-9720-198b747c4b88/content
García Sagrado, R. (2025). Desigualdad educativa y brecha digital: un análisis post-aceleración tecnológica. Revista Investigación & Praxis En CS Sociales, 4(1), 26–37. https://doi.org/10.24044/ripcs.v4i1.4011
Guo, P., Saab, N., Post, L. S., y Admiraal, W. (2020). A review of project-based learning in higher education: Student outcomes and measures. International Journal of Educational Research, 102, Artículo 101586. https://doi.org/10.1016/j.ijer.2020.101586
Hernández González, M., Ramos Quiroz, J. M., Chávez Maciel, F. J., y Trejo Cázares, M. C. (2024). Ventajas y riesgos de la Inteligencia Artificial Generativa desde la percepción de los estudiantes de educación superior en México. European Public & Social Innovation Review, 9, 1–18.
Hernández-Sampieri, R. y Mendoza, C. (2018). Metodología de la investigación: Las rutas cuantitativa, cualitativa y mixta. McGrawHillEducation.
Kaufman, L., y Rousseeuw, P. J. (2005). Finding Groups in Data: An Introduction to Cluster Analysis. Wiley. http://dx.doi.org/10.1002/9780470316801
Kimball, R., y Ross, M. (2013). The data warehouse toolkit: The definitive guide to dimensional modeling (3ª ed.). Wiley. https://ia801609.us.archive.org/14/items/the-data-warehouse-toolkit-kimball/The%20Data%20Warehouse%20Toolkit%20-%20Kimball.pdf
Little, R., y Rubin, D. (2019). Statistical Analysis with Missing Data (3ª ed.). Wiley. https://onlinelibrary.wiley.com/doi/book/10.1002/9781119482260
McKinney, W. (2010). Data structures for statistical computing in Python. Scipy, 445(1), 51-56. https://doi.org/10.25080/Majora-92bf1922-00a
McQueen, J. (1967). Some Methods for Classification and Analysis of Multivariate Observations. Computer and Chemistry, 4, 257-272. https://scispace.com/pdf/some-methods-for-classification-and-analysis-of-multivariate-4pswti19oz.pdf
Melo-Becerra, L. A., Ramos-Forero, J. E., Arenas, J. L. R., y Zárate-Solano, H. M. (2021). Efecto de la pandemia sobre el sistema educativo: El caso de Colombia. Borradores de Economía, (1179), 1-56. https://doi.org/10.32468/be.1179
Miah, M. (2024). Digital inequality: the digital divide and educational outcomes. ACETJCER, 17(1). https://openurl.ebsco.com/EPDB%3Agcd%3A11%3A423099/detailv2?sid=ebsco%3Aplink%3Acrawler&id=ebsco%3Agcd%3A175598103&link_origin=www.google.com
Naciones Unidas. (2015). Agenda 2030 para el desarrollo sostenible. Naciones Unidas. (Citado como UN, 2015).
Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. (2023). Global education monitoring report, 2023: technology in education: a tool on whose terms? UNESCO. https://doi.org/10.54676/UZQV8501
Organización para la Cooperación y el Desarrollo Económicos. (2020). Are Students Ready to Thrive in an Interconnected World? OECD. https://www.oecd.org/pisa/publications/pisa-2018-results-volume-vi-d5f68679-en.htm
Ortiz, O. (2015). Enfoques y métodos de investigación en las ciencias sociales. Ediciones de la U. https://www.researchgate.net/publication/315842152_Enfoques_y_metodos_de_investigacion_en_las_ciencias_humanas_y_sociales
Perezchica-Vega, J. E., Sepúlveda-Rodríguez, J. A., y Román-Méndez, A. D. (2024). Inteligencia artificial generativa en la educación superior: Usos y opiniones de los profesores. European Public & Social Innovation Review, 9, 1–20.
Ramos Sarmiento, H. M. (2025). Análisis del rendimiento académico en pruebas Saber 11° mediante un diseño factorial: influencia del estrato y naturaleza del colegio [Trabajo de Grado, Fundación Universitaria Los Libertadores]. https://repository.libertadores.edu.co/items/4fd74460-c270-42a6-9cb5-e4d84443faac
Rodríguez, J. L., y Gamboa, L. F. (2023). Access to ICTs during middle education: Who may benefit in the case of Colombia (Documentos de Trabajo Saber Investigar No. 4). Instituto Colombiano para la Evaluación de la Educación (ICFES). https://www.icfes.gov.co/web/guest/saber-investigar
Sirin, S. R. (2005). Socioeconomic status and academic achievement: A meta-analytic review of research. Review of Educational Research, 75(3), 417-453. https://doi.org/10.3102/00346543075003417
Stekhoven, D. J., y Bühlmann, P. (2012). MissForest—non-parametric missing value imputation for mixed-type data. Bioinformatics, 28(1), 112-118. https://doi.org/10.1093/bioinformatics/btr597
Tan Choon Keong, y Gao JiMei. (2025). Analyzing Flipped Classroom Themes Trends in Computer Science Education (2007–2023) Using CiteSpace. Journal of Advanced Research in Applied Sciences and Engineering Technology, 46(1), 15–27. https://doi.org/10.37934/araset.46.1.1527 (Citado como Tan Choon Keong et al., 2025).
UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO.
Universidad Nacional de Colombia. (12 de abril de 2021). El daño irreparable de la pandemia en la educación colombiana. Periódico UNAL. https://periodico.unal.edu.co/articulos/el-dano-irreparable-de-la-pandemia-en-la-educacion-colombiana
Vanegas-Giraldo, J. (2025). Impacto de la IA en la Brecha Educativa en Colombia. Revista Interamericana de Investigación, Educación y Pedagogía, 18(2), 11-30. https://doi.org/10.15332/25005421.10376
Villegas-José, V., y Delgado-García, M. (2024). Inteligencia artificial: revolución educativa innovadora en la Educación Superior. Pixel-Bit. Revista de Medios y Educación, 71, 159–177.
Zabala, O. J., Archila, B. F. L., y Hernández, J. D. (2023). Documento de trabajo N°12: El impacto de las condiciones socioeconómicas en el rendimiento académico (ICFES SABER 11) de los estudiantes de Norte de Santander. Observatorio Socioeconómico Regional de la Frontera. https://www.unipamplona.edu.co/unipamplona/portalIG/home_72/recursos/01_general/18122014/pag_documentos.jsp
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 CONOCIMIENTO, INVESTIGACIÓN Y EDUCACIÓN CIE
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
