Skip to main navigation menu Skip to main content Skip to site footer

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




Section
Artículos

How to Cite
Ruiz Martínez, W. (2020). El aprendizaje automático en la educación superior como herramienta para optimizar los índices de deserción y detectar los factores que la ocasionan. #ashtag, 1(16), 8-16. https://doi.org/10.52143/2346139X.808

Dimensions
PlumX
Citations

How to Cite

Ruiz Martínez, W. (2020). El aprendizaje automático en la educación superior como herramienta para optimizar los índices de deserción y detectar los factores que la ocasionan. #ashtag, 1(16), 8-16. https://doi.org/10.52143/2346139X.808

Download Citation

William Ruiz Martínez
Sin roles de crédito asignados.

William Ruiz Martínez,

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


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.


Article visits 588 | PDF visits 609


Downloads

Download data is not yet available.
  1. Delen, D. (2010). A comparative analysis of machine learning techniques for student retention
  2. management. Decision Support Systems 49(4), 498–506. doi:10.1016/j.
  3. dss.2010.06.003
  4. Felizzola, H., Jaime, A., Pedroza, F., y Castillo, A. (2018). Modelo de predicción para la deserción
  5. temprana en la facultad de Ingeniería de la Universidad de la Salle. En
  6. C. Lozano (Presidencia), Gestión, calidad y desarrollo en las facultades de ingeniería.
  7. Conferencia llevada a cabo en el congreso Encuentro Internacional de Educación
  8. Superior ACOFI (págs. 21-29). Cartagena de Indias, Colombia.
  9. Fischer, E. (2012). Modelo para la automatización del proceso de determinación de riesgo de deserción
  10. en estudiantes universitarios (Tesis de maestría). Universidad de Chile, Santiago de
  11. Chile, Chile.
  12. Formia, S., Lanzarini, L. C., & Hasperue, W. (2013). Caracterización de la deserción universitaria en
  13. la UNRN utilizando minería de datos. Revista Iberoamericana de Tecnología En Educación
  14. y Educación En Tecnología, 11, 92-98.
  15. Guadalupe, A., Dorantes, A., y Can Valle, A.R. (2019). Factors that influence in school dropout
  16. in higher education students from a perspective. International journal of Advanced
  17. Research, 7(12), 23-29.doi: 10.21474/IJAR01/10119
  18. Heredia, D., Amaya, Y., y Barrientos, E. (2015). Student Dropout Predictive Model Using Data
  19. Mining Techniques. IEEE Latin America Transactions, 13(9), 3127-3134.
  20. Ji-Wu, J., y Mareboyana, M. (2013). Machine Learning Algorithms and Predictive Models for
  21. Undergraduate Student Retention. Proceedings of the World Congress on Engineering
  22. and Computer Science. Conferencia llevada a cabo en el World congress on Engineering
  23. & Computer science 2013. San Francisco, Eu.
  24. Ministerio de Educación Nacional de Colombia. (2009). Deserción estudiantil en la educación superior
  25. colombiana. Recuperado de https://www.mineducacion.gov.co/sistemasdeinformacion/
  26. /articles-254702_libro_desercion.pdf
  27. Ministerio de Educación Nacional. (2016). Reporte sobre deserción y graduación en educación superior
  28. año 2016. Recuperado de https://bit.ly/3HbqVm9
  29. Russo, C.C., Ramón, H.D., Alonso, N., Cicerchia, B., Esnaola, L., y Tessore, J. P. (2016). Tratamiento
  30. masivo de datos utilizando técnicas de machine learning En XVIII Workshop
  31. de Investigadores en Ciencias de la Computación; WICC 2016 (pp. 131-134). Entre-
  32. Rios, Argentina: Facultad de Ciencias de la Administración.
  33. Semana. (2018, abril, 11). ¿Cómo puede Colombia reducir la deserción universitaria?. Semana.
  34. Recuperado de https://bit.ly/3oU1wXs
  35. Telefónica educación digital. (14 de 03 de 2019). MiriadaX. Recuperado de: https://www.
  36. telefonica.com/es/sala-comunicacion/blog/educacion-y-competencias-para-
  37. la-era-digital-la-necesidad-de-mejorar-nuestras-habilidades-y-volver-a-capacitarnos/
  38. Tinto, V. (1982). Limits of Theory and Practice in Student Attrition. The Journal of Higher Education,
  39. (6), 687-700.
  40. Zhang, Y., Oussena, S., Clark, T., y Hyeonsook, K. (2010). Using data mining to improve student
  41. retention in higher education. En J. Cordeiro (Presidencia). Ponencia realizada
  42. en International Conference on Enterprise Information Systems ICEIS. Lisboa
Sistema OJS 3.4.0.9 - Metabiblioteca |