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
How to Cite
Download Citation
Show authors biography
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
- 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