Resumen: Desde la implantación del Espacio Europeo de Educación Superior (EEES) en los diferentes grados, se ha puesto de manifiesto la necesidad de utilizar diversos mecanismos que permitan evaluar automáticamente y proporcionar una retroalimentación rápida tanto al alumnado como al profesorado sobre la evolución de los alumnos en una asignatura. En este artículo se presenta GradeForeseer, un recurso docente para la predicción de notas basado en técnicas de aprendizaje automático que permite evaluar la evolución del alumnado de forma automática y estimar su nota final al terminar el curso. Este recurso se ha complementado con una interfaz de usuario para el profesorado que puede ser usada en diferentes plataformas software (sistemas operativos) y en cualquier asignatura del grado de Ingeniería Informática. Además de la descripción del recurso, este artículo presenta los resultados obtenidos al aplicar el sistema de predicción en las asignaturas de Programación I (PI) y Diseño de Software (DSW) del grado de Ingeniería Informática de la Universidad de Barcelona. La capacidad predictiva se ha evaluado de forma binaria (aprueba o no) o según un criterio de rango (suspenso, aprobado, notable o sobresaliente), obteniendo mejores predicciones en los resultados evaluados de forma binaria: 86.96 en DSW y 85.87 en PI.

Abstract: The implementation of the European Higher Education Area (EHEA) has highlighted the need for alternative mechanisms to automatically evaluate students’ progress in a subject, and to provide both students and teachers with quick feedback on progress. This paper presents GradeForeseer, a teaching resource for the prediction of grades on any Computer Science degree course. It is based on machine learning techniques, evaluates students’ progress and estimates their final grade at the end of the course. This resource is endowed with a user interface for teachers that can be used on different software platforms (i.e., operating systems). Additionally, this paper presents predicted results in the subjects of Software Design (DSW) and Programming I (PI) in the degree of Computer Science at the University of Barcelona. Its predictive capacity was assessed using both binary (pass or fail) and range (fail, pass , good, or excellent) criteria. Binary predictions turned out to achieve best results (86.96%and 85.87% in DSW and PI, respectively).