Comparación de técnicas de minería de datos para identificar indicios de deserción estudiantil, a partir del desempeño académico

Uno de los grandes retos en las instituciones educativas consiste en poder establecer la posibilidad de retiro o deserción de sus estudiantes. En este artículo se presentan los resultados de un estudio de comparación de técnicas para apoyar la identificación de deserción estudiantil a partir del registro académico de los estudiantes de una Universidad en Colombia para el programa de Ingeniería de Sistemas. El registro académico se estableció para un periodo de 7 años. Árboles de decisión, regresión logística y Naive Bayes, fueron comparados para lograr establecer la mejor técnica de detección de desertores. Adicionalmente, la herramienta Watson Analytics de IBM fue utilizada para comparar su usabilidad y precisión para un usuario no experto. Nuestra experimentación demostró que el uso de algoritmos simples es suficiente para alcanzar niveles ideales de precisión. Estos resultados son presentados a la comunidad académica para ayudar en la disminución de la deserción estudiantil.

• Autores: PEREZ GUTIERREZ, BORIS RAINIERO
• Tipo de recurso: Article of journal
• Fecha de publicación: 2020
• Institución: Universidad Francisco de Paula Santander
• Repositorio: Repositorio Digital UFPS
• Idioma: spa
• OAI Identifier: oai:repositorio.ufps.edu.co:ufps/1592
• Acceso en línea: http://repositorio.ufps.edu.co/handle/ufps/1592; https://doi.org/10.18273/revuin.v19n1-2020018
• Palabra clave: datos estudiantiles; educación superior; minería de datos; modelos de predicción; deserción; student data; higher education; data mining; prediction models; dropout
• Rights: openAccess
• License: Atribución-SinDerivadas 4.0 Internacional (CC BY-ND 4.0)