Dashboard para analizar el problema de la deserción usando variables sociales y académicas de la educación media y la educación superior
DOI:
https://doi.org/10.26507/paper.2583Palabras clave:
Deserción, Pruebas Saber11, ICFES, DashboardResumen
La deserción estudiantil del sistema de educación superior es un asunto de mucha importancia para las Instituciones de Educación Superior (IES) en Colombia, debido a la necesidad de fomentar la graduación de los estudiantes del sistema de educación superior. Por ello, se hace necesario identificar factores inherentes a los estudiantes y a las IES que influyan sobre el desempeño de los estudiantes en los programas académicos, de manera que se puedan realizar acciones correctivas para mejorar el rendimiento de los futuros profesionales. El Instituto Colombiano de Evaluación de la Educación (ICFES) y las IES recopilan datos de los estudiantes, de algunas características económicas y de los resultados en pruebas específicas al ingreso y durante su vida académica. Sin embargo, estas bases de datos son construidas de manera independiente, sin una variable que permita relacionar el desempeño en la educación media y superior. A la fecha no se encuentran estudios que usen datos masivos para asociar las características del estudiante antes del ingreso a la IES con la deserción del programa universitario. En este artículo presentamos un tablero interactivo disponible en https://danielrivera1.shinyapps.io/DesercionF/ el cual fue creado con el paquete Shiny® del lenguaje de programación R Core Team®. La información usada en el tablero corresponde a estudiantes de la Facultad de Ingeniería de la Universidad de Antioquia que ingresaron en el periodo 2010-2018 y desertaron. El tablero relaciona las variables sociales observadas en las pruebas Saber 11, en el examen de ingreso y durante el periodo de estancia antes de desertar del programa, así como el puntaje obtenido en cada una de las pruebas. La aplicación presenta de manera gráfica e interactiva, las relaciones y comportamientos de las variables medidas en las distintas bases de datos en el periodo de los datos. El tablero interactivo permite analizar el fenómeno de la deserción desde una perspectiva multidimensional relacionando las características sociales y académicas, en diferentes periodos en la vida académica. Este tablero es de mucha utilidad para los administradores de la IES pues permite analizar la relación que hay varios factores y la deserción.
Descargas
Citas
Bin Mat, U., Buniyamin, N., Arsad, P. M., & Kassim, R. A. (2014). An overview of using academic analytics to predict and improve students’ achievement: A proposed proactive intelligent intervention. 2013 IEEE 5th International Conference on Engineering Education: Aligning Engineering Education with Industrial Needs for Nation Development, ICEED 2013, 126–130. https://doi.org/10.1109/ICEED.2013.6908316
Campbell, J. P., DeBlois, P. B., & Oblinger, D. G. (2007). Academic Analytics A New Tool for A New Era. EDUCAUSE Review, 51(July/August), 40–57.
Canales , A., and Rios, D. (2009). Retención de Estudiantes Universitarios Vulnerables. Calidad en la Educación, 50-84.
Castaño, E., Gallón, S., Gómez, K., & Vásquez, J. (2004). Deserción estudiantil universitaria: una aplicación de modelos de duración. Lecturas de Economía, 60, 39–65.
Castaño, E., Gallón, S., Gómez, K., & Vásquez, J. (2006). Análisis de los factores asociados a la deserción estudiantil en la Educación Superior. Lecturas, 65(Jul-Dic), 9–36.
Catarci, Tiziana, et al. "My (fair) big data" 2017 IEEE International Conference on Big Data (Big Data). IEEE, 2017.
Chang, W., & Borges-Ribeiro, B. (2018). shinydashboard: Create Dashboards with “Shiny” (R package version 0.7.1).
Chang, W., Cheng, J., Allaire, J., Xie, Y., & McPherson, J. (2020). shiny: Web Application Framework for R (R package version 1.5.0).
Chen, R. (2012). Institutional Characteristics and College Student Dropout Risks: A Multilevel Event History Analysis. Research in Higher Education, 53(5). https://doi.org/10.1007/s11162-011-9241-4
Chen, Y., Chen, Q., Zhao, M., Boyer, S., Veeramachaneni, K., & Qu, H. (2016, October). DropoutSeer: Visualizing learning patterns in Massive Open Online Courses for dropout reasoning and prediction. In 2016 IEEE Conference on Visual Analytics Science and Technology (VAST) (pp. 111-120). IEEE.
Daniel, B. K., & Butson, R. (2013). Technology Enhanced Analytics (TEA) in Higher Education. International Association for the Development of the Information Society, 89–96.
Derocchis, A. M., Michalenko, A., Boucheron, L. E., & Stochaj, S. J. (2018). Extending academic analytics to engineering education. Proceedings - Frontiers in Education Conference, FIE, October, 1–5. https://doi.org/10.1109/FIE.2018.8658373
Dierkhising, D. (1996). The Holding Power Index: A `re-look’ at the art of reporting dropouts. High School Journal, 80(ct/Nov96), 11–20.
Ferreira, S. A., & Andrade, A. (2014). Academic analytics: Anatomy of an exploratory essay. Education and Information Technologies, 21(1), 229–243. https://doi.org/10.1007/s10639-014-9317-9
Garnier, S. (2018). viridis: Default Color Maps from “matplotlib” (R package version 0.5.1).
Géryk, J., & Popelínský, L. (2014). Visual Analytics for Increasing Efficiency of Higher Education Institutions. BIS 2014 Workshops, 183, 117–127. https://doi.org/10.1007/978-3-319-11460-6
Guzmán, C., Durán, D., Franco, J., Castaño, E., Gallón, S., Gómez, K., & Vásquez, J. (2009). Deserción estudiantil en la educación superior colombiana. Metodología de seguimiento, diagnóstico y elementos para su prevención. Bogotá: Ministerio de Educación Nacional
Hafer, L. C., Gibson, N. M., York, T. T., Fiester, H. R., & Tsemunhu, R. (2021). An Examination of Student Retention at a 2-Year College Through Structural Equation Modeling. Journal of College Student Retention: Research, Theory & Practice, 22(4). https://doi.org/10.1177/1521025118770813
He, H., Zheng, O., & Dong, B. (2018, October). VUSphere: Visual Analysis of Video Utilization in Online Distance Education. In 2018 IEEE Conference on Visual Analytics Science and Technology (VAST) (pp. 25-35). IEEE.
ICFES (2020). Bases de datos. Bogotá, Colombia. Acceso a Bases de datos. Recuperado de https://www.icfes.gov.co/web/guest/investigadores-y-estudiantes-posgrado/acceso-a-bases-de-datos.
Joshi, M., Bhalchandra, P., Muley, A., & Wasnik, P. (2016). Analyzing students performance using Academic Analytics. Proceedings of 2016 International Conference on ICT in Business, Industry, and Government, ICTBIG 2016, 0–3. https://doi.org/10.1109/ICTBIG.2016.7892706
Komenda, M., Víta, M., Vaitsis, C., Schwarz, D., Pokorná, A., Zary, N., & Du ek, L. (2015). Curriculum Mapping with Academic Analytics in Medical and Healthcare Education. PLoS ONE, 10(12), 1–18. https://doi.org/10.1371/journal.pone.0143748
Lauría, E. J. M., Baron, J. D., Devireddy, M., Sundararaju, V., & Jayaprakash, S. M. (2012). Mining academic data to improve college student retention. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge - LAK ’12, (May), 139. https://doi.org/10.1145/2330601.2330637
Lauría, E. J. M., Moody, E. W., Jayaprakash, S. M., Jonnalagadda, N., & Baron, J. D. (2013). Open Academic Analytics Initiative: Initial Research Findings. Conference: Proceedings of the Third International Conference on Learning Analytics and Knowledge, 150–154. https://doi.org/10.1145/2460296.2460325
López-Pérez, M. V., Pérez-López, M. C., & Rodríguez-Ariza, L. (2011). Blended learning in higher education: Students’ perceptions and their relation to outcomes. Computers and Education, 56(3). https://doi.org/10.1016/j.compedu.2010.10.023
Mat, U. bin, Buniyamin, N., Arsad, P. M., & Kassim, R. (2013). An Overview of Using Academic Analytics to Predict and Improve Students’ Achievement: A Proposed Proactive Intelligent Intervention. IEEE 5th Conference on Engineering Education
McNaughton, M., Rao, L., & Mansingh, G. (2017). An agile approach for academic analytics: a case study. Journal of Enterprise Information Management, 30(5), 701–722. https://doi.org/10.1108/JEIM-06-2016-0121
Ming Wong, B. T. (2017). Learning analytics in higher education: an analysis of case studies. Asian Association of Open Universities Journal, 12(1), 21–40. https://doi.org/10.1108/aaouj-01-2017-0009
Murnion, P., & Helfert, M. (2013). Academic Analytics in quality assurance using organisational analytical capabilities. UK Academy for Information Systems Conference Proceedings 2013. Retrieved from http://aisel.aisnet.org/ukais2013/53
Murnion, P., & Helfer, M. (2013). Academic Analytics in quality assurance using organisational analytical capabilities. UK Academy for Information Systems Conference Proceedings 2013.
OCDE. (2018). Panorama de la educación 2017: Indicadores de la OCDE. Madrid: Fundación Santillana.
Palmer, S. (2013). Modelling engineering student academic performance using academic analytics. International Journal of Engineering Education, 29(1), 132–138.
Perrier, V., Meyer, F., & Granjon, D. (2020). shinyWidgets: Custom Inputs Widgets for Shiny (R package version 0.5.4).
R Core Team (2022). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.Rproject.org/.
Rodriguez, A. M. (2015). Academic Analytics: Aplicando Técnicas De Business Intelligence Sobre Datos De Performance Académica En Enseñanza Superior. Interfaces Científicas - Exatas e Tecnológicas, 1(2), 35. https://doi.org/10.17564/2359-4942.2015v1n2p35-46
Sharkey, M. (2011). Academic analytics landscape at the University Of Phoenix. ACM International Conference Proceeding Series, 122–126. https://doi.org/10.1145/2090116.2090135
Shi, C., Fu, S., Chen, Q., & Qu, H. (2015, April). VisMOOC: Visualizing video clickstream data from massive open online courses. In 2015 IEEE Pacific visualization symposium (PacificVis) (pp. 159-166). IEEE.
Universidad de los Andes. (2014). Determinantes de la deserción. Retrieved from http://www.mineducacion.gov.co/sistemasdeinformacion/1735/articles-254702_Informe_determinantes_desercion.pdf
Wong, Y. Y. (2016). Academic analytics: A meta-analysis of its applications in higher education. International Journal of Services and Standards, 11(2), 176–192. https://doi.org/10.1504/IJSS.2016.077957
Descargas
Publicado
Cómo citar
Evento
Sección
Licencia
Derechos de autor 2022 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
