Reconocimiento automático de estudiantes para el registro de asistencia: una revisión sistemática de enfoques y algoritmos basados en Machine Learning
Palabras clave:
Registro automático de asistencia, Machine Learning, Desafíos de registro de asistencia automática, Entornos educativosResumen
La automatización del registro de asistencia en entornos educativos ha ganado relevancia como respuesta a las limitaciones de los métodos tradicionales, tales como registros manuales, sistemas RFID y códigos QR. Esta revisión sistemática tiene como objetivo analizar los enfoques, algoritmos y tecnologías más utilizados en los sistemas de reconocimiento automático de estudiantes
basados en Machine Learning, proporcionando una visión integral sobre su aplicabilidad en instituciones educativas. Mediante la metodología PRISMA y herramientas como Biblioshiny y Rayyan, se identificaron y evaluaron 15 estudios relevantes publicados entre 2020 y 2024. Entre los modelos más destacados se encuentran CNN, FaceNet, YOLOv7 y combinaciones como MTCNN + Dlib,
que han demostrado altos niveles de precisión en el reconocimiento facial. Además, se exploran tecnologías complementarias como IoT, códigos QR dinámicos, geolocalización y verificación por IMEI, utilizadas para mejorar la seguridad y prevenir fraudes. Los resultados evidencian que la integración de técnicas de visión por computadora con inteligencia artificial optimiza significativamente
la gestión de asistencia, aunque persisten desafíos técnicos y éticos. Este estudio ofrece una base sólida para futuras investigaciones y desarrollos tecnológicos en el ámbito educativo.
