Keywords
características predictivas
seguimiento académico
How to Cite
Abstract
La predicción a través del modelamiento puede contribuir a mitigar la deserción académica de estudiantes universitarios. Esta problemática constituye un elemento de preocupación durante el seguimiento académico en varios países. La Universidad Nacional de Santa en Perú muestra un comportamiento desfavorable en este sentido. Consecuentemente se declara como objetivo: proponer las características que deberán formar parte de un modelo de predicción basado en Machine Learning que contribuya a la adopción de medidas oportunas durante el seguimiento académico. Esta investigación responde a un caso de estudio y forma parte de los resultados del proceso de generación del modelo predictivo. Como materiales y métodos se emplearon: el análisis-síntesis y la inducción-deducción, revisión documental y métodos estadísticos. Se utilizaron los softwares libres: Júpiter, Anaconda, Python y Pandas. Se destacan como resultados: los antecedentes que ponen luz roja en la deserción académica universitaria, el análisis de las variables más frecuentemente empleadas en los estudios de predicción, la data maestra de la Universidad depurada y la propuesta de características que deberán integrar el modelo. Se concluyó que: en Perú sólo el 65% de los estudiantes universitarios logran el grado de bachiller, los resultados de abandono académico sin haber obtenido Grado académico ni Título profesional ponen luz roja a esta problemática, las características halladas durante el estudio, así como los resultados de las datas de esta institución constituyeron los referentes para la propuesta. Estas formarán parte del modelo predictivo que posibilitará proyectar cuántos de los estudiantes y egresados lograrán graduarse de bachiller o titularse
References
Abarca Rodríguez, A., & Sánchez Vindas, A. (2005). La deserción estudiantil en la educación superior: El caso de la Universidad de Costa Rica. Revista Electrónica Actualidades Investigativas En Educación, 5.
Arco-Tirado, J. L., Fernández-Martín, F. D., & Fernández-Balboa, J.-M. (2011). The impact of a peer-tutoring program on quality standards in higher education. Higher Education, 62(6), 773–788.
Bean, J. P. (1985). Interaction Effects Based on Class Level in an Explanatory Model of College Student Dropout Syndrome. American Educational Research Journal, 22(1), 35–64.
Bendangnuksung, & Prabu, D. (2018). Students’ Performance Prediction Using Deep Neural Network. 1171–1176.
Castaño, E., Gallón, S., Gómez, K., & Vásquez, J. (2004). Deserción estudiantil universitaria: una aplicación de modelos de duración. Lecturas de Economía, (60), 39–65.
CLABES. (2019). Noveno Congreso Latinoamericano sobre el abandono en la educación superior.
Colvin, J. W. (2015). Peer Mentoring and Tutoring in Higher Education BT - Exploring Learning & Teaching in Higher Education (M. Li & Y. Zhao, Eds.).
Donoso Díaz, S., & Arias R., Ó. (2010). Retención de estudiantes y éxito académico en la educación superior análisis de buenas prácticas.
Dresel, M., & Rindermann, H. (2011). Counseling University Instructors Based on Student Evaluations of Their Teaching Effectiveness: A Multilevel Test of its Effectiveness Under Consideration of Bias and Unfairness Variables. Research in Higher Education, 52(7), 717–737.
Ethington, C. A. (1990). A psychological model of student persistence. Research in Higher Education, 31(3), 279–293.
Fernández, S. G. (2018). Rendimiento Académico en Educación Superior: Desafíos para el Docente y Compromiso del Estudiante. Revista Científica de La UCSA, 5, 55–63.
Ferreyra, M. M., Avitabile, C., Álvarez, J., Paz, F. H., & Urzúa, S. (2017). Momento Decisivo: La Educación Superior en América Latina y el Caribe.
Fishbein, M. A., & Ajzen, I. (1975). Belief, attitude, intention and behaviour: An introduction to theory and research (Vol. 27).
Forero, L. D., Piñeros, Y. F., & Rodríguez, J. I. (2019). Machine Learning for the Identification of Students at Risk of Academic Desertion BT - Learning Technology for Education Challenges (L. Uden, D. Liberona, G. Sanchez, & S. Rodríguez-González, Eds.). Cham: Springer International Publishing.
Hellas, A., Ihantola, P., Petersen, A., Ajanovski, V. V, Gutica, M., Hynninen, T., … Liao, S. N. (2018). Predicting Academic Performance: A Systematic Literature Review. Proceedings Companion of the 23rd Annual ACM Conference on Innovation and Technology in Computer Science Education, 175–199.
Hernández, C. A. (2016). Diagnóstico del rendimiento académico de estudiantes de una escuela de educación superior en México. Revista Complutense de Educación, 27(3 SE-Artículos).
Jia, J.-W., & Mareboyana, M. (2014). Predictive Models for Undergraduate Student Retention Using Machine Learning Algorithms BT - Transactions on Engineering Technologies (H. K. Kim, S.-I. Ao, & M. A. Amouzegar, Eds.). Dordrecht: Springer Netherlands.
Kostopoulos, G., Lipitakis, A.-D., Kotsiantis, S., & Gravvanis, G. (2017). Predicting Student Performance in Distance Higher Education Using Active Learning BT - Engineering Applications of Neural Networks (G. Boracchi, L. Iliadis, C. Jayne, & A. Likas, Eds.). Cham: Springer International Publishing.
Ministerio de Educación Nacional Colombia. (2015). Guía para la implementación del Modelo de Gestión de permanencia y graduación estudiantil en Instituciones de Educación Superior. Imprenta Nacional de Colombia.
Morí Sánchez, M. del P. (2012). DESERCIÓN UNIVERSITARIA EN ESTUDIANTES DE UNA UNIVERSIDAD PRIVADA DE IQUITOS. Revista Digital de Investigación En Docencia Universitaria, 6(1 SE-Artículos de investigación).
Müller, A. C., & Guido, S. (2016). Introduction to Machine Learning with Python. O’Reilly Media, Inc.
Oancea, B., Dragoescu, R., & Ciucu, S. (2013, April 26). Predicting students’ results in higher education using neural networks. 190–193. Jelgava, Latvia.
Puchi, R., Moraga, A., & Villagran, W. (2016). Modelo De Seguimiento De La Retención Y El Rendimiento De Los Estudiantes De Pregrado De Primer Año En La Universidad De La Frontera.
Salvador-Blanco, L., & Garcia-Valcarcel Muñoz-Repiso, A. (1989). El rendimiento académico en la universidad de Cantabria: abandono y retraso en los estudios (M. de E. y Ciencia, Ed.).
Scott, G., Shah, M., Grebennikov, L., & Singh, H. (2008). Improving Student Retention A University of Western Sydney Case Study. Journal of Institutional Research, 14(1), 9–23.
Shahiri, A. M., Husain, W., & Rashid, N. A. (2015). A Review on Predicting Student’s Performance Using Data Mining Techniques. Procedia Computer Science, 72, 414–422.
Spady, W. G. (1970). Dropouts from higher education: An interdisciplinary review and synthesis. Interchange, 1(1), 64–85.
SUNEDU I. (2018). Informe Bienal sobre la realidad universitaria peruana.
SUNEDU II. (2020). II informe bienal sobre la realidad universitaria en el Perú.
Tinto, V. (1975). Drop-Outs From Higher Education: A Theoretical Synthesis of Recent Research. Review of Educational Research, 45, 89–125.
Torres Guevara, L. E. (2012). Retención estudiantil en la educación superior. Revisión de la literatura y elementos de un modelo para el contexto colombiano (Editorial Pontificia Universidad Javeriana, Ed.). Bógota.
Whitlock, J. L. (2018). Using Data Science and Predictive Analytics to Understand 4-Year University Student Churn.
Contacto
Hugo Esteban Caselli Gismondi
hcasellig@uns.edu.pe
This work is licensed under a Creative Commons Attribution 4.0 International License.
Copyright (c) 2021 Hugo Esteban Caselli Gismondi, Luis Vladimir Urrelo Huiman