INTRODUCCIÓN. La deshonestidad académica representa una crisis ética para la educación superior que afecta la calidad formativa. La literatura ha empleado la Teoría de la Acción Planificada para explicar la deshonestidad por el efecto de creencias sobre la trampa, norma subjetiva y control conductual sobre la intencionalidad volitiva. Pero aún falta considerar elementos afectivos como el autoconcepto académico y la neutralización de la responsabilidad ética. Este estudio propone un modelo integrador que evalúa si las relaciones funcionales entre estas variables pronostican la conducta deshonesta. MÉTODO. Mediante diseño predictivo se evaluó a 561 universitarios con una batería psicotécnica. Los datos se analizaron con modelos Machine Learning de regresión logística y Random Forest Classifier. RESULTADOS. El modelo de árboles mostró mejor ajuste, resaltando el papel de intención conductual, neutralización y actitud hacia la trampa como los predictores más relevantes. DISCUSIÓN. La integración de variables afectivas y el uso de Random Forest permite descubrir interacciones significativas y efectos de los predictores que resultan útiles para formular políticas educativas que superen lo punitivo y se enfoquen en la prevención, más que en la corrección.
INTRODUCCIÓN. La deshonestidad académica representa una crisis ética para la educación superior que afecta la calidad formativa. La literatura ha empleado la Teoría de la Acción Planificada para explicar la deshonestidad por el efecto de creencias sobre la trampa, norma subjetiva y control conductual sobre la intencionalidad volitiva. Pero aún falta considerar elementos afectivos como el autoconcepto académico y la neutralización de la responsabilidad ética. Este estudio propone un modelo integrador que evalúa si las relaciones funcionales entre estas variables pronostican la conducta deshonesta. MÉTODO. Mediante diseño predictivo se evaluó a 561 universitarios con una batería psicotécnica. Los datos se analizaron con modelos Machine Learning de regresión logística y Random Forest Classifier. RESULTADOS. El modelo de árboles mostró mejor ajuste, resaltando el papel de intención conductual, neutralización y actitud hacia la trampa como los predictores más relevantes. DISCUSIÓN. La integración de variables afectivas y el uso de Random Forest permite descubrir interacciones significativas y efectos de los predictores que resultan útiles para formular políticas educativas que superen lo punitivo y se enfoquen en la prevención, más que en la corrección. Read More