Detección de patrones de bajo rendimiento académico, deserción estudiantil y de docentes e impacto de egresados con técnicas de minería de datos, en el programa de ingeniería electrónica en la Universidad Popular del Cesar
DOI:
https://doi.org/10.26507/paper.3050Palabras clave:
Learning Analitic, Ciencia de datosResumen
La deserción universitaria, la falta de cualificación docente y el panorama de inserción laboral de los egresados son problemáticas que enfrentan la mayoría de las instituciones de educación superior en Colombia, trayendo efectos negativos para todos los actores de la comunidad educativa; especialmente los estudiantes porque, truncan el ciclo de formación educativo y sus posibilidades de ocupación laboral, lo cual trae consecuencias a todo nivel. Igualmente, para las universidades, porque afecta los indicadores de calidad educativa, y en el caso de las instituciones públicas, los recursos que recibe por cada estudiante; ya que, al no cumplirse el objeto de dichos recursos, estos se desaprovechan afectando las finanzas de las instituciones. Este escenario, junto a la falta de cualificación docente y la situación de egresados en el espectro laboral colombiano, afectan la calidad de la educación, los procesos de gestión, docencia y administrativos en las instituciones de educación superior.
Actualmente, en Colombia las universidades comienzan a utilizar las técnicas de alta computación enfocadas a sus sistemas de información con el fin de optimizar los procesos de gestión, aprendizaje y desarrollo cualitativo de sus profesores. Es por eso que, la Universidad Popular del Cesar viene desarrollando un trabajo de investigación con el fin de desarrollar modelos de IA ( Inteligencia Artificial) y de reconocimiento de patrones capaces de brindar información para trazar políticas públicas relacionadas con el bienestar estudiantil, profesoral y de los egresados a fin de evitar o reducir la deserción estudiantil a partir de sus causas, el retiro de profesores por falta de motivación, entre otras problemáticas en el programa de Ingeniería Electrónica el cual se ha tomado como piloto para desarrollar esta propuesta.
Como la deserción estudiantil como profesoral es multicausal, depende en gran medida de las condiciones tanto de los estudiantes como de los docentes y del entorno en que estos se desenvuelven. Lo primero que este trabajo propone es poder incluir la mayor cantidad de variables posibles (características individuales, socioeconómicas, académicas e institucionales) con las cuales podamos dar explicación al fenómeno de la deserción de estudiantes, docentes y el impacto de nuestros egresados en la sociedad.
Esta investigación tiene como objetivo principal proponer un modelo basado en learning analytics a partir de la información recogida de los estudiantes, profesores y egresados del programa de Ingeniería Electrónica de la Facultad de Ingeniería y Tecnológicas de la Universidad Popular del Cesar; el propósito es que pueda servir como una herramienta que identifique a aquellos estudiantes que se encuentran en riesgo de desertar desde el momento en que se matriculan en la universidad y de los profesores que se encuentran desmotivados por las condiciones que ofrece la institución para ellos. Con el fin de poder cumplir con los propósitos investigativos se planea implementar una metodología con modelos sucesivos, con lo cual se crearán modelos predictivos en tres momentos diferentes, los cuales son normales en nuestra institución de acuerdo con los estudios iniciales.
Descargas
Citas
Delen, D. (2010). A comparative analysis of machine learning techniques for student retention management. Rev. Decision Support Systems, vol 49 no. 4, pp 498-506. https://doi.org/10.1016/j.dss.2010.06.003
Eckert K. B and Suénaga R. (2015). Análisis de deserción-permanencia de estudiantes universitarios utilizando técnica de clasificación en minería de datos. Form. Univ., vol. 8, no. 5, pp. 3–12. https://doi.org/10.4067/S0718-50062015000500002
Fayyad, U., Piatetsky-Shapiro, G.and Smyth P. (1996): The KDD Process for Extracting Useful Knowledge from Volumes of Data. In Communications of the ACM, Vol. 39, No 11. https://doi.org/10.1145/240455.240464
Tan. M and Shao P. (2015). Prediction of student dropout in e-Learning program through the use of machine learning method. Int. J. Emerg. Technol. Learn., vol. 10, no. 1. https://doi.org/10.3991/ijet.v10i1.4189
Yang, D, Adamson D, Sinha T, and Rose C. P (2013). “‘Turn on, tune in, drop out’: Anticipating Student Dropouts in Massive Open Online Courses Investigating Individual Learner Behavior in Educational Technologies View project Investigating the Impact of Social and Interpersonal Factors on Learning View project ‘Turn on, tune in, drop out’: Anticipating student dropouts in Massive Open Online Courses,”
Zárate-Valderrama J, Bedregal-Alpaca N, and Cornejo-Aparicio V. (2021). Modelos de clasificación para reconocer patrones de deserción en estudiantes universitarios. Ingeniare. Rev. Chil. Ing., vol. 29, no. 1, pp. 168–177. https://doi.org/10.4067/S0718-33052021000100168
Gestión Universitaria Integral del Abandono. (2011-2015). Documento de síntesis del proyecto. Consultado el 21 de septiembre de 2022 en http://redguia.net/index.php/es/archivo/documentacion
Descargas
Publicado
Cómo citar
Evento
Sección
Licencia
Derechos de autor 2023 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 |