Modelo Predictivo de la Deserción Escolar en Educación Superior: una Aproximación desde la Minería de Datos Utilizando la Metodología CRISP-DM
Resumen
Este artículo presenta el desarrollo de un modelo para predecir, de manera temprana y oportuna, casos de estudiantes que muestren un potencial riesgo de deserción escolar, mediante el uso de técnicas de minería de datos. La deserción escolar a nivel superior es un problema multifactorial y complejo de analizar por la intervención de elementos de diversa índole, como factores familiares, académicos, educacionales, la situación económica familiar, las habilidades intelectuales de los estudiantes o la didáctica de los profesores. Este gran volumen de información a analizar no es fácilmente manejable con técnicas estadísticas tradicionales, sino que se precisa buscar estrategias que permitan operar con los bancos de datos de modo más eficiente y rápido. En el desarrollo de la propuesta se aplicó de una manera novedosa la minería de datos, para explorar los cambios en los comportamientos de los estudiantes, vinculados a diferentes causas de abandono escolar, utilizando la metodología CRISP-DM, con datos de 1,374 estudiantes de una institución de educación superior. Los resultados muestran las técnicas utilizadas para identificar y seleccionar factores asociados a la deserción estudiantil y los algoritmos para generar los modelos predictivos, de los cuáles pudo seleccionarse el más preciso, con mayor puntuación y facilidad de interpretación.
Descargas
Citas
Antunes, C. (2011). Anticipating student’s failure as soon as possible. In Handbook of Educational Data Mining (pp. 353–363). https://doi.org/10.1201/b10274-28
ANUIES. (2021). ANUARIO_EDUCACION_SUPERIOR-LICENCIATURA_2021-2022. www.anuies.mx/
Cabrera, A. E., Nora, A., & Asker, E. H. (1999). Economic Influences on Persistence Reconsidered.
Cervantes, R., Warschauer, M., Nardi, B., & Sambasivan, N. (2011). Infrastructures for low-cost laptop use in Mexican schools. Proceedings of the 2011 Annual Conference on Human Factors in Computing Systems - CHI ’11, 945. https://doi.org/10.1145/1978942.1979082
Ethington, C. A. (1990). A Psychological Model of Student Persistence, 31(3), 279–293.
Han, J. (2007). Data Mining : Concepts and Techniques.
Himmel K., E. (2002). Modelos de análisis de la deserción estudiantil en la educación superior - Retención y movilidad estudiantil. Revista Calidad En La Educación, 91–108. http://www.alfaguia.org/alfaguia/files/1318955602Modelo de analisis de la desercion estudiantil en la educacion superior.pdf
INEGI. (2021). Anuario estadístico y geográfico de los Estados Unidos Mexicanos 2021, 45–81. www.inegi.org.mx/
Kovacic, Z. (2010). Early Prediction of Student Success : Mining Students Enrolment Data.
Marquez-Vera, C., Romero Morales, C., & Ventura Soto, S. (2013). Predicting School Failure and Dropout by Using Data Mining Techniques. IEEE Revista Iberoamericana de Tecnologias Del Aprendizaje, 8(1), 7–14. https://doi.org/10.1109/RITA.2013.2244695
Romero, C., & Ventura, S. (2010). Educational Data Mining : A Review of the State of the Art, 40(6), 601–618.
Spady, W. G. (1970). Dropouts from Higher Education : An Interdisciplinary Review and Synthesis 1.
Tinto, V. (1975). Review of Educational. https://doi.org/10.3102/00346543045001089
Wirth, R. (2000). CRISP-DM : Towards a Standard Process Model for Data Mining. Proceedings of the Fourth International Conference on the Practical Application of Knowledge Discovery and Data Mining, (24959), 29–39. https://doi.org/10.1.1.198.5133
Zhang, Y., Oussen, S., Clark, T., & Kim, H. (2010). Middlesex University Research Repository.
Derechos de autor 2023 M.C. Simón Guadalupe Cornejo Sifuentes , Ligia Gabriela Vega Pérez, María Guadalupe Naranjo Cantabrana, Ing. Isabel Francisca Osúa Acosta, Fausto Alberto Ávila Santana, María de los Ángeles Sotomayor Fierro
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.jpg)
