Comparación de técnicas de minería de datos para identificar indicios de deserción estudiantil, a partir del desempeño académico

Abstract

Uno de los grandes retos en las instituciones educativas consiste en poder establecer la posibilidad de retiro o deserción de sus estudiantes. En este artículo se presentan los resultados de un estudio de comparación de técnicas para apoyar la identificación de deserción estudiantil a partir del registro académico de los estudiantesde una Universidad en Colombia para el programa de Ingeniería de Sistemas. El registro académico se estableció para un periodo de 7 años. Árboles de decisión, regresión logística y Naive Bayes, fueron comparados para lograr establecer la mejor técnica de detección de desertores. Adicionalmente, la herramienta Watson Analytics de IBM fue utilizada para comparar su usabilidad y precisión para un usuario no experto. Nuestra experimentación demostró que el uso de algoritmos simples es suficiente para alcanzar niveles ideales de precisión. Estos resultados son presentados a la comunidad académica para ayudar en la disminución de la deserción estudiantil.

Factores asociados a la deserción estudiantil en el ámbito universitario. Una revisión sistemática 2018-2023

“…Uno de los principales motivos que originan que el estudiante opte por la decisión de desertar es el bajo desempeño académico, puesto que las bajas calificaciones y el abandono se encuentran íntimamente relacionados (Pérez, 2019).…”

“…Por lo tanto, resulta imperativo analizar este fenómeno con el fin de determinar las causas que llevan a los alumnos a tomar esa decisión (Preciado et al, 2022), dado que existe una apreciable correlación entre la formación profesional, el progreso económico y la reducción de los niveles de desempleo en los países (Pérez, 2019). De hecho, el análisis de los factores que influyen en la deserción permitirá desarrollar estrategias que aseguren la retención universitaria, lo que contribuiría a que los estudiantes alcanzaran su meta de convertirse en profesionales (Di Paola et al, 2022).…”

Contributions of Data Mining to University Education, in the Context of the Covid-19 Pandemic: A Systematic Review of the Literature

“…Virtual teaching Academic performance [51][52][53][54][55][56] Face-to-face teaching Academic performance [44], [57][58][59][60][61] Student desertion [24], [36], [62], [63] Based on the findings of the systematic review, a crosstab analysis was performed between the teaching modality and the variable under study, with respect to the teaching field. In reference to Table 5, it is shown that, from the articles reviewed to a greater extent, 37.5% apply data mining in face-to-face teaching, taking the academic performance as the study variable.…”

“…Therefore, it is necessary that the members of the university board know the organizational dynamics and the behavior assumed by its members who intervene in it [35]. In this regard, in Pérez-Gutiérrez [36], it is established that it is relevant for higher education institutions to generate predictive or classification models that contribute to improving educational quality. Another relevant aspect of data mining in educational settings is that they are not only linked to the individual behavior of students, but rather seek to establish relationships between a group of students with demographic, economic, and administrative aspects [37].…”

Desarrollo de un software académico para el cálculo de carga térmica para la asignatura de Aires acondicionados en la Universidad de Pamplona

“…La mejora del proceso de enseñanza influye en la reducción del índice de deserción estudiantil y en el presente estas mejoras han tomado un enfoque hacia el uso herramientas tecnológicas. Muchas de estas herramientas requieren softwares especializados cuyas licencias son costosas o que cuentan con versiones estudiantiles bastante limitadas [3]. Por lo tanto, las instituciones universitarias se ven en la necesidad de desarrollar herramientas computacionales que cumplan con los objetivos de enseñanza.…”