Aplicación de la minería de datos en la extracción de perfiles de deserción estudiantil [Application of data mining in extracting student dropout profiles]

Abstract

Resumen En este artículo se presentan los primeros resultados del proyecto de investigación cuyo objetivo es detectar patrones de deserción estudiantil a partir de los datos socioeconómicos, académicos, disciplinares e institucionales de los estudiantes de los programas de pregrado de la Universidad de Nariño e Institución Universitaria IUCESMAG, dos instituciones de educación superior de la ciudad de Pasto (Colombia), utilizando técnicas de Minería de Datos. Los resultados obtenidos corresponden a la Universidad de Nariño. Se descubrieron perfiles socioeconómicos y académicos de los estudiantes que desertan utilizando la técnica de clasificación basada en árboles de decisión. El conocimiento generado permitirá soportar la toma de decisiones eficaces de las directivas universitarias enfocadas a formular políticas y estrategias relacionadas con los programas de retención estudiantil que actualmente se encuentran establecidos. Palabras claveExtracción de Perfiles, Deserción Estudiantil, Minería de Datos, Clasificación, Árboles de Decisión Abstract The first results of the research project that aims to identify patterns of student dropout from socioeconomic, academic, disciplinary and institutional data of students from undergraduate programs at the University of Nariño and IUCESMAG University, two higher education institutions in the city of Pasto (Colombia), using data mining techniques are presented. The results correspond to the University of Nariño. Socioeconomic and academic profiles were discovered of students who drop using classification technique based on decision trees. The knowledge generated will support effective decision-making of university staff focused to develop policies and strategies related to student retention programs that are currently set.KeywordsExtraction of Profiles, Student Dropout, Data Mining, Classification, Decision Trees

Applying Predictive Data Mining to Discover Factors Associated to the Language Skill Performance from Elementary School Students

“…Educational institutions can use data mining to make comprehensive analysis of the characteristics of their students and evaluation methods, to reveal successful processes or, on the contrary, detect fraud or inconsistencies, and determine the probability of dropout of any student [10][11][12][13].…”

Using Decision Trees to Predict Critical Reading Performance.

“…The use of data mining in education is not a new topic. Its study and implementation have been very relevant in recent years, and its techniques can be used to explain or predict any phenomenon within the educational field [7]. For example, it is possible to predict the dropout probability of any student with a very high-reliability rate through data mining techniques [7,8,9].…”

“…Its study and implementation have been very relevant in recent years, and its techniques can be used to explain or predict any phenomenon within the educational field [7]. For example, it is possible to predict the dropout probability of any student with a very high-reliability rate through data mining techniques [7,8,9]. Furthermore, educational institutions can use data mining to analyze their student's characteristics or evaluation methods comprehensively and thus discover successful methodologies, frauds or inconsistencies [9].…”

Detección de patrones de desempeño académico en la competencia de matemáticas en las pruebas Saber 5o

“…Se utilizó la metodología CRISP-DM (cross-industry standard process for data mining), que involucra la minería de datos. SegúnTimarán et al (2013) y Valero et al (2005, CRISP-DM es uno de los modelos utilizados, principalmente, en los ambientes académico e industrial y la guía de referencia más ampliamente utilizada en el desarrollo de este tipo de proyectos. CRISP-DM está compuesta por seis fases: análisis del problema, análisis de los datos, preparación de los datos, modelado, evaluación e implementación.En la fase de análisis del problema, se recopiló y seleccionó el material bibliográfico necesario para que los investigadores pudieran conocer y apropiar el conocimiento acerca de las pruebas Saber 5 o y de las competencias que evalúa, haciendo énfasis en el área de matemáticas.…”

“…Esto resultó en el conjunto de datos denominado sbr5_776436A15, compuesto por 776436 registros y 15 atributos, el cual sirvió de base para la fase de modelado. En la Tabla 1 se muestra el diccionario de datos del conjunto sbr5_776436A15.En la fase del modelado se seleccionó un modelo de clasificación con árboles de decisión como la técnica de minería de datos más adecuada para solucionar el problema del estudio, dada su facilidad y simplicidad para interpretar los patrones obtenidos(Azevedo and Santos, 2008;Hernández et al, 2005;Timarán et al, 2017). Esta técnica tiene varias ventajas.…”