En los últimos años, el uso y almacenamiento de datos en sectores como la producción, la educación y la vida cotidiana ha crecido rápidamente, impulsado por los avances tecnológicos y la digitalización acelerada por la pandemia del SARS-CoV-2. Las universidades peruanas han sido parte de este proceso, aunque se enfrentan a limitaciones debido a la ausencia de políticas eficaces de gestión de datos. Esta situación ha obligado a recurrir a encuestas como principal fuente de información, generando desconfianza y afectando tanto la cantidad como la calidad de los datos recopilados.
Con el fin de abordar esta limitación, se evaluó la eficacia de tres tipos de Redes Generativas Antagónicas (GAN, CGAN y CTGAN) para generar datos sintéticos, comparando su rendimiento frente a datos reales mediante tres clasificadores: Random Forest, XGBoost y Naive Bayes. Los datos reales mostraron mejores resultados, destacando Random Forest con una precisión del 80.5%. Entre los modelos generativos, CGAN obtuvo el desempeño más alto, alcanzando 70.5% con XGBoost y 69.5% con Random Forest. En contraste, Naive Bayes tuvo bajos niveles de precisión con todos los conjuntos sintéticos, especialmente con CTGAN.
Los hallazgos sugieren que CGAN es la opción más prometedora para generar datos sintéticos en entornos educativos, ya que ofrece resultados cercanos a los datos reales al emplear clasificadores más robustos. Además, se confirma que la elección del algoritmo de clasificación es clave al trabajar con datos sintéticos, lo que refuerza el valor de CGAN en investigaciones de minería de datos educativos.