PROTOTIPO PARA GESTIONAR BAJAS ACADÉMICAS EN ENTORNOS UNIVERSITARIOS (PROTOTYPE TO MANAGE ACADEMIC WITHDRAWALS IN UNIVERSITY ENVIRONMENTS)
Resumen
La deserción escolar es un problema social que afecta a las universidades de México, generando una eficiencia terminal alrededor del 50% [Urbina-Nájera, 2020]. En muchas escuelas se realizan seguimientos de las bajas académicas para conocer los motivos que llevan a los alumnos a tomar la decisión de desertar, promoviendo así su retención. El objetivo de este trabajo es desarrollar un prototipo para automatizar el proceso de control de bajas académicas dentro de un entorno universitario, a la vez que se permite analizar datos de perfiles de ingreso para generar la predicción de posibles deserciones. Empleando las metodologías Prototyping y KDD, en registros de bajas académicas en la Unidad Académica de Ingeniería Eléctrica, se obtuvieron valores de precisión del 92.64% y exactitud del 96.34%. Los resultados mostraron que este prototipo es capaz de generar información para sustentar la toma de decisiones dentro de entornos universitarios, encaminando a mejorar su eficiencia terminal.
Palabras Clave: Análisis de datos educativos, control de bajas académicas, deserción escolar, eficiencia terminal, machine learning.
Abstract
School desertion is a social problem that affects universities in Mexico, generating a terminal efficiency of around 50% [Urbina-Nájera, 2020]. In many schools, academic withdrawals are monitored to find out the reasons that lead students to make the decision to drop out, thus promoting their retention. The aim of this work is to develop a prototype to automate the process of controlling academic withdrawals within a university environment, while allowing the analysis of data from admission profiles to generate possible desertions predictions. Using the Prototyping and KDD methodologies, in records of academic withdrawals in the Unidad Académica de Ingeniería Eléctrica, precision values of 92.64% and accuracy of 96.34% were obtained. The results showed that this prototype can generate information to support decision-making within university environments, aiming to improve its terminal efficiency.
Keywords: Analysis of educational data, control of academic withdrawals, machine learning, school desertion, terminal efficiency.
Texto completo:
3-22 PDFReferencias
Becerra, A., Zepeda, G., Pérez, A. I., & Ramírez-García, U. Learning Content Management Software Personalized for a University Environment. Pist. Educ., Vol. 40, No. 130, 347-362, 2018.
Bernardo, A., Cerezo, R., Rodríguez-Muñiz, L. J., Núñez, J. C., Tuero, E., & Esteban, M. Predicción del abandono universitario: variables explicativas y medidas de prevención. Rev. Fuentes, Vol. 16, 63-84, 2015.
Chaves, L. J., & José, P. A. C. Aplicativo web para el análisis, selección y admisión de aspirantes al programa de ingeniería de sistemas de la universidad Cundinamarca en la extensión Facatativá utilizando modelos predictivos de minería de datos. J. Chem. Inf. Model., Vol. 53, No. 9, 1689-1699, 2016.
Dieser, M. P., Cavero, L. V., Martín, C., Schlaps, E., Titionik, D., & Wagner, L. Evaluación de Técnicas de Clasificación para Predecir el Rendimiento Académico de Ingresantes a la Universidad en Temas de Matemática- Memorias XIX Work. Investig. en Ciencias la Comput. (WICC 2017). Buenos Aires, Argentina. Abril, 2017.
García, J., Molina J., Berlanga, A., Bustamante, A., Padilla, W., & Patricio, M. Ciencia de datos: técnicas analíticas y aprendizaje estadístico. Bogotá: Alfaomega, 2018.
Hernández, C., & Rodríguez, J. Preprocesamiento de datos estructurados. Vínculos, Vol. 4, No. 2, 27-48, 2008.
López, A., Albiter, A., & Ramírez, L. Eficiencia terminal en la educación superior, la necesidad de un nuevo paradigma. Rev. la Educ. Super., Vol. 37, No. 146, 135-151, 2008.
Mera, C., & Arrieta, J. Estudio Comparativo de Técnicas de Balanceo de Datos en el Aprendizaje de Múltiples Instancias. LACNEM2015 - Lat. Am. Conf. Networked Electron. Media, Vol. 6, 2015.
Molina, J. M., & García, J. Técnicas de análisis de datos aplicaciones prácticas utilizando microsoft excel y weka. 2006.
Paramo, G., & Correa, C. Deserción estudiantil universitaria. Conceptualización. Rev. Univ. EAFIT, Vol. 35, 65-78, 1999.
Ponce, J. C., & Toscano de la Torre, B. A. Análisis de la Eficiencia Terminal Basado en Técnicas de Minería de Datos para Identificar los Factores que Determinan su Logro. En: Tendencia de las Tecnologías de la Información y Comunicaciones. Alfa Omega, 309-322, 2016.
Riquelme, J., & Ruíz, R. Minería de Datos: Conceptos y Tendencias. Rev. Iberoam. Intel. Artif., Vol. 10, No. 29,11-18, 2012.
Rochin, F. Deserción escolar en la educación superior en México: revisión de literatura. RIDE. Rev. Iberoam. Investig. Desarro., Vol. 11, No. 22, 1-11, 2021.
Rodríguez, J., & Hernández, J. M. La deserción escolar universitaria en México. La experiencia de la Universidad Autónoma Metropolitana, Campus Iztapalapa. Actual. Investig. en Educ., Vol. 8, No. 1, 2011.
Romero, C., Márquez, C., & Ventura, S. Predicción del Fracaso Escolar Mediante Técnicas de Minería de Datos. IEEE-Rita, Vol. 7, No. 3, 109-117, 2012.
Ruiz, J., Jiménez, A., & Rodríguez-Maya, N. Hacia un modelo predictivo de la deserción escolar: El caso del Instituto Tecnológico de Zitácuaro. Congr. Ing. en Sist. Comput. Mecatrónica y Telemática [Online]. Disponible en: https://promep.sep.gob.mx/archivospdf/MEMORIAS/Producto2814830.PDF, 2016.
Sánchez Santamaría, J. Modelos predictivos para el estudio del abandono en centros universitarios, Tesis de Licenciatura, Universidad Politécnica de Madrid. Repositorio institucional, 2014.
Sommerville, I. Software engineering. Boston: Addison-Wesley, 2011.
Urbina-Nájera, A. B., Camino-Hampshire, J. C., & Cruz, R. Deserción escolar universitaria: Patrones para prevenirla aplicando minería de datos educativa. Reli. - Rev. Electrónica Investig. y Evaluación Educ., Vol. 26, No. 1, 2020.
Valdovinos, R. M. Técnicas de submuestreo, toma de decisiones y análisis de diversidad en aprendizaje supervisado con sistemas múltiples de clasificación, Tesis de Doctorado, Universitat Jaume I. Repositorio institucional, 2006.
Valero Orea, S., Salvador, A., & García Alonso, M. Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos. Recur. Digit. para la Educ. y la Cult., 33-39, 2010.
Vergara-Díaz, G., & Peredo López, H. Relación del desempeño académico de estudiantes de primer año de universidad en Chile y los instrumentos de selección para su ingreso. Rev. Educ., Vol. 41, No. 2, 95-104, 2017.
Weitzenfeld, A., & Guardati, S. Ingeniería de Software: El proceso para el desarrollo de software. Inst. Tecnológico Autónomo México, 355–396, 2008.
URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es
Pistas Educativas está bajo la Licencia Creative Commons Atribución 3.0 No portada. 
TECNOLÓGICO NACIONAL DE MÉXICO / INSTITUTO TECNOLÓGICO DE CELAYA
Antonio García Cubas Pte #600 esq. Av. Tecnológico, Celaya, Gto. México
Tel. 461 61 17575 Ext 5450 y 5146
pistaseducativas@itcelaya.edu.mx