El aprendizaje automático en la educación superior como herramienta para optimizar los índices de deserción y detectar los factores que la ocasionan

El aprendizaje automático en la educación superior como herramienta para optimizar los índices de deserción y detectar los factores que la ocasionan

Main Article Content

William Ruiz Martínez

Abstract

La deserción escolar se ha convertido en una de las grandes preocupaciones de las instituciones de educación superior ya que de la permanencia de sus estudiantes depende en cierto grado su propia sustentabilidad económica. Para nadie es un secreto que la actual situación económica del país, y otros factores como la reticencia de los estudiantes a cursar programas educativos extensos, cada vez llaman menos la atención de los estudiantes. Atenuantes como el difícil y exigente panorama laboral y los elevados costos de matrículas de ciertas instituciones educativas contribuyen a desincentivar el ya minado y reducido mercado estudiantil. Es por ello que las universidades deben reinventarse y plantear nuevas alternativas y métodos de educación donde la realidad laboral coincida y sea congruente con los conocimientos impartidos en las aulas de clase. Para poder estar seguro de cuáles son las causas de la deserción escolar no basta con presumir, sino que se deben comprobar los verdaderos factores de la deserción.. Consecuentemente el objetivo del presente artículo es presentar una revisión de diferentes estudios relacionados con la deserción escolar en ámbitos de educación superior y establecer cómo se puede predecir dicha deserción basándose en la aplicación de diferentes modelos y algoritmos de aprendizaje.

Downloads

Download data is not yet available.

Article Details

Author Biography (SEE)

William Ruiz Martínez, CORPORACIÓN UNIFICADA NACIONAL DE EDUCACIÓN SUPERIOR - CUN

Magister en dirección estratégica de Ingeniería de software, UNINI, Especialista en Gerencia de proyectos, Ingeniero de Sistemas, Docente asociado del programa de Ingeniería de Sistemas, miembro del grupo de investigación Axón, william_ruizmar@cun.edu.co - Bogotá/Colombia

References (SEE)

Delen, D. (2010). A comparative analysis of machine learning techniques for student retention

management. Decision Support Systems 49(4), 498–506. doi:10.1016/j.

dss.2010.06.003

Felizzola, H., Jaime, A., Pedroza, F., y Castillo, A. (2018). Modelo de predicción para la deserción

temprana en la facultad de Ingeniería de la Universidad de la Salle. En

C. Lozano (Presidencia), Gestión, calidad y desarrollo en las facultades de ingeniería.

Conferencia llevada a cabo en el congreso Encuentro Internacional de Educación

Superior ACOFI (págs. 21-29). Cartagena de Indias, Colombia.

Fischer, E. (2012). Modelo para la automatización del proceso de determinación de riesgo de deserción

en estudiantes universitarios (Tesis de maestría). Universidad de Chile, Santiago de

Chile, Chile.

Formia, S., Lanzarini, L. C., & Hasperue, W. (2013). Caracterización de la deserción universitaria en

la UNRN utilizando minería de datos. Revista Iberoamericana de Tecnología En Educación

y Educación En Tecnología, 11, 92-98.

Guadalupe, A., Dorantes, A., y Can Valle, A.R. (2019). Factors that influence in school dropout

in higher education students from a perspective. International journal of Advanced

Research, 7(12), 23-29.doi: 10.21474/IJAR01/10119

Heredia, D., Amaya, Y., y Barrientos, E. (2015). Student Dropout Predictive Model Using Data

Mining Techniques. IEEE Latin America Transactions, 13(9), 3127-3134.

Ji-Wu, J., y Mareboyana, M. (2013). Machine Learning Algorithms and Predictive Models for

Undergraduate Student Retention. Proceedings of the World Congress on Engineering

and Computer Science. Conferencia llevada a cabo en el World congress on Engineering

& Computer science 2013. San Francisco, Eu.

Ministerio de Educación Nacional de Colombia. (2009). Deserción estudiantil en la educación superior

colombiana. Recuperado de https://www.mineducacion.gov.co/sistemasdeinformacion/

/articles-254702_libro_desercion.pdf

Ministerio de Educación Nacional. (2016). Reporte sobre deserción y graduación en educación superior

año 2016. Recuperado de https://bit.ly/3HbqVm9

Russo, C.C., Ramón, H.D., Alonso, N., Cicerchia, B., Esnaola, L., y Tessore, J. P. (2016). Tratamiento

masivo de datos utilizando técnicas de machine learning En XVIII Workshop

de Investigadores en Ciencias de la Computación; WICC 2016 (pp. 131-134). Entre-

Rios, Argentina: Facultad de Ciencias de la Administración.

Semana. (2018, abril, 11). ¿Cómo puede Colombia reducir la deserción universitaria?. Semana.

Recuperado de https://bit.ly/3oU1wXs

Telefónica educación digital. (14 de 03 de 2019). MiriadaX. Recuperado de: https://www.

telefonica.com/es/sala-comunicacion/blog/educacion-y-competencias-para-

la-era-digital-la-necesidad-de-mejorar-nuestras-habilidades-y-volver-a-capacitarnos/

Tinto, V. (1982). Limits of Theory and Practice in Student Attrition. The Journal of Higher Education,

(6), 687-700.

Zhang, Y., Oussena, S., Clark, T., y Hyeonsook, K. (2010). Using data mining to improve student

retention in higher education. En J. Cordeiro (Presidencia). Ponencia realizada

en International Conference on Enterprise Information Systems ICEIS. Lisboa