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
![Creative Commons License](http://i.creativecommons.org/l/by/4.0/88x31.png)
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.