Modelo para la estimación de la
deserción estudiantil Awajún y Wampis empleando minería de datos
Awajún and Wampis Student Dropout Estimation Model
Using Data Mining
Lenin Quiñones Huatangari1,*,
Diomer M. Jara1, Nicanor Alvarado1, Manuel E. Milla1,
Oscar A. Gamarra1
1-
Instituto de Ciencia de Datos. Universidad Nacional de Jaén (UNJ), Perú.
* E-mail: lenin.quinones@unj.edu.pe
Recibido:
01/04/2020; Aprobado: 14/10/2020
Resumen
La deserción estudiantil es un problema
complejo y crucial en el campo de la educación, que está presente en todos los
niveles y modalidades del sistema educativo, por tanto, la detección temprana es
una estrategia clave para las instituciones académicas. La Minería de Datos
Educacional permite modelar la deserción de estudiantes considerando sus datos socioeconómicos,
académicos y personales. El objetivo del trabajo fue emplear la minería de
datos para determinar modelos que estimen la deserción de estudiantes Awajún y
Wampis de la Universidad Nacional de Jaén. Se empleó la metodología CRISP-DM: Entender
el problema de la deserción del 45% de la población en estudio, comprender las
variables, construir la matriz de datos de los cuarenta y nueve estudiantes,
modelamiento utilizando el software Weka y evaluación del modelo. Se identificaron
cinco variables que influyen en la deserción: Los cursos aprobados, créditos
aprobados, comunidad de procedencia, promedio y ciclo de ingreso. Además, se proponen
tres modelos con porcentaje de instancias bien clasificadas de 87.8, de los que
se concluye que si los cursos aprobados, son inferiores a diez asignaturas o
los créditos aprobados son menores a 27, el estudiante se retira de la
Universidad.
Palabras clave: Pueblos originarios; Deserción
estudiantil, Minería de datos educacional.
Abstract
Student
dropout is a complex and crucial problem in the field of education, which is
present at all levels and modalities of the educational system. Therefore,
early detection is a key strategy for academic institutions. Educational Data
Mining allows modeling the dropout of registered students with their
socioeconomic, academic and personal data. The objective of the work was to use
data mining to determine models that estimate the dropout of Awajún and Wampis
students from the National University of Jaén. The CRISP-DM methodology was used
to understand the dropout problem of 45% of the study population, understand
the variables and build the data matrix of the forty-nine students. The Weka
software and model evaluation were used for modelling. Five variables that
influence dropout were identified: the approved courses, approved credits,
community of origin, average and cycle of admission. In addition, three models
are proposed with percentages of well classified instances of 87.8, from which
it is concluded that if the approved courses are less than ten subjects or the
approved credits are less than 27, the student withdraws from the University.
Keywords:
Native peoples; Student dropout; Educational data mining.
Introducción
El Perú posee una gran diversidad cultural, sin
embargo, se conoce muy poco de esta. Existen dos pueblos originarios que
habitan en la Amazonía del Perú, en la frontera con Ecuador, específicamente al
norte de los departamentos de Amazonas, Loreto, Cajamarca y San Martín. Estos
pueblos están íntimamente relacionados, debido a que comparten una tradición
histórica, cultural y sus idiomas pertenecen a la misma familia lingüística
(Jíbaro). Son conocidos por su habilidad como guerreros y la fuerte resistencia
frente a distintas poblaciones que incursionaron en el territorio ocupado por
ellos. El pueblo Awajún, también conocido con el nombre de “aguaruna”. Asimismo,
el pueblo originario Wampis es conocido con los nombres de “Shuar” o “huambisa”
[1].
Por otra parte, la minería de datos es el conjunto
de técnicas y tecnologías que permiten explorar grandes bases de datos, de
manera automática o semiautomática, con el objetivo de encontrar patrones
repetitivos, tendencias o reglas que expliquen el comportamiento de los datos
en un determinado contexto [2]. Los algoritmos de uso común de minería de datos [3]: Regresión lineal, regresión logística, árbol de decisión,
máquinas de vectores de soporte, red bayesiana, kNN, K-medias, algoritmos de
reducción de dimensión y algoritmos de aumento de gradiente. Debido al empleo
de la minería de datos a problemas de Educación, se ha creado la Minería de
Datos Educacional (MDE), donde una de las áreas de aplicación permite predecir
la deserción estudiantil [4].
En efecto, la deserción estudiantil es
un problema complejo y crucial en el campo de la educación, que está presente
en todos los niveles y modalidades del sistema educativo. Esto genera daños
sociales, económicos, políticos, académicos y financieros a todos los involucrados
en el proceso educativo [5]. En este sentido, la razón del
trabajo de investigación, fue recolectar información y determinar patrones con
respecto a la deserción de los estudiantes de la Universidad Nacional de Jaén
(UNJ), que provienen de los pueblos originarios Awajún y Wampis. En
consecuencia, se planteó el problema: ¿Empleando técnicas de minería de datos en la información histórica de
los estudiantes proveniente de los pueblos originarios Awajún y Wampis de la Universidad Nacional de Jaén, será posible
determinar modelos que permitan describir deserción en la misma?
Se han realizado estudios en el área de MDE
para predecir la deserción estudiantil, diferenciándose entre ellos, el área de
estudio, las técnicas empleadas y las propuestas que han originado: Los autores proporcionan una visión general
del fenómeno de predicción de deserción de estudiantes de un curso de Massive
Open Online Course (MOOC), cursos online masivos y abiertos, además proponen ideas y recomendaciones que
podrían conducir al desarrollo de soluciones útiles y efectivas de aprendizaje
automático para resolver el problema de la deserción de MOOC [6]. No obstante, otros autores proponen un plan de
tutoría que puede ser usado por las instituciones para reducir el porcentaje de
deserción de los cursos virtuales [7]. Incluso se han realizado artículos de revisión
sobre el tema: Se analizaron múltiples trabajos, identificando las ventajas y
desventajas de las metodologías más utilizadas; análisis correlacionales,
análisis de regresión logística, análisis de supervivencia y minería de datos.
Dichos resultados son consistentes con los obtenidos por diversos autores a lo
largo del tiempo, y en base a ellos se proponen dos tipos de medidas; por un
lado, acciones encaminadas a facilitar el diagnóstico respecto al problema de la
deserción, y por otro lado, medidas encaminadas a su prevención [8]. Se encontraron las brechas
existentes en la predicción de la
deserción educativa en todos los artículos científicos publicados en revistas
científicas de alto impacto y determinaron los atributos que faltan, lo que
puede aportar para una mejor predicción [4].
Se ha evidenciado la efectividad de los
modelos de árboles de decisión que evalúa a los nuevos posibles desertores [11, 3, 15], han obtenido reglas que fueron
programadas y visualizadas en una interfaz web [10]. Utilizaron los algoritmos de
Exponential smoothing state (ETS) y Redes Neuronales, para la construcción del
modelo de minería de datos basado en series de tiempo logrando realizar las
predicciones de deserción escolar y el uso de la metodología XP para el
desarrollo del sistema [11]. Sobre la base de lo anterior y
considerando los estudios previos realizados [12], se concluye que mediante técnicas
de minería de datos es posible determinar modelos que estimen la deserción
estudiantil universitaria, analizando la historia académica del estudiante
junto a los factores socio económicos y otros, que determinan su condición de
potencial desertor.
En este contexto, el objetivo del
trabajo de investigación fue emplear
la minería de datos para determinar modelos que estimen la deserción de
estudiantes Awajún y Wampis de la UNJ.
Materiales
y métodos
Tipo
de Investigación
El tipo de investigación fue
descriptivo, ya que se buscó especificar las variables socioeconómicas,
académicas y personales que influyen en la deserción del grupo de estudiantes
universitarios provenientes de pueblos originarios Awajún y Wampis de la UNJ.
Población,
muestra y muestreo
Población y muestra
La población es igual a la muestra, cuando
la muestra coincide con la población se está en presencia de una muestra
censal. Ha sido el elemento de registro de información socioeconómica,
académica y personal de los cuarenta y nueve (49) estudiantes Awajún y Wampis
en los períodos 2012 – 2019 en la UNJ.
Muestreo
Se ha empleado un muestreo por conveniencia.
El muestreo de o por conveniencia es una técnica de muestreo no probabilístico
donde los sujetos son seleccionados dada la conveniente accesibilidad y
proximidad de los sujetos para los investigadores [13].
Metodología
La metodología empleada, fue la
propuesta por la Cross Industry Standard Process for Data Mining, CRISP-DM [19,
11]. Constó de cinco fases:
Entendimiento del problema: Se realizó una revisión de la
literatura del tema, se consultó con profesionales expertos sobre pueblos
originarios y minería de datos.
Comprensión de los datos: Los datos
fueron recolectados de las oficinas de la UNJ (Admisión, Asuntos Académicos,
Archivo, Bienestar Universitario e Informática). Fueron alojados en una base de
datos, realizado en una hoja de cálculo de Microsoft Excel.
El fin de la base de datos fue determinar los
modelos basados en minería de datos, que nos permitieron describir el
comportamiento de deserción estudiantil proveniente de los pueblos originarios
Awajún y Wampis de la UNJ. Estuvo constituida por 49 instancias concernientes a
la misma cantidad de la muestra. Cada instancia constó de diecisiete (17)
variables, ver Tabla 1. Las variables fueron determinadas en base
al análisis bibliográfico de trabajos relacionados [14], [15] .
Tabla 1: Nombre de las diecisiete variables, definición,
tipo y rango.
|
Variables |
Definición |
Tipo |
Rango |
|
Comunidad |
Determina el nombre de la comunidad originaria de
procedencia. |
Nominal |
|
|
Distrito |
Determina el nombre del distrito que pertenece el
pueblo originario de procedencia. |
Nominal |
|
|
Provincia |
Determina la provincia que pertenece el pueblo
originario de donde proviene. |
Nominal |
|
|
Año nacimiento |
Se determina en base a la partida de nacimiento
para postular a la Universidad. |
Discreta |
|
|
Genero |
Género del alumno. |
Nominal |
• M:
Masculino • F:
Femenino |
|
Ingreso colegio |
Año de ingreso al nivel secundario. |
Discreta |
|
|
Termino colegio |
Año de finalización del nivel secundario. |
Discreta |
|
|
Modalidad ingreso |
Modalidad de ingreso a la Universidad Nacional de
Jaén. |
Nominal |
•CI: Examen extraordinario • AD: Examen regular |
|
Código estudiante |
Código único de matrícula del estudiante. |
Nominal |
|
|
Carrera Profesional |
Nombre de la carrera profesional de la
Universidad Nacional de Jaén a donde el estudiante pertenece. |
Nominal |
• IIA: Ingeniería de Industrias Alimentarias • IC: Ingeniería Civil •IM: Ingeniería Mecánica • IFA: Ingeniería Forestal y Ambiental • TM: Tecnología Médica |
|
Cursos matemática |
Número de veces que ha llevado cursos de
matemáticas, incluyendo las repeticiones. |
Discreta |
|
|
Créditos aprobados |
Número de créditos aprobados en la carrera
profesional donde pertenece. |
Discreta |
|
|
Cursos aprobados |
Número de cursos aprobados en la carrera
profesional donde pertenece. |
Discreta |
|
|
Cursos desaprobados |
Número de cursos desaprobados en la carrera
profesional donde pertenece. |
Discreta |
|
|
Promedio |
Promedio acumulado del estudiante durante los
semestres cursados. |
Continua |
|
|
Ciclo ingreso |
Ciclo de ingreso del estudiante. |
Nominal |
•
2012-I • 2016-I •
2012-II • 2016-II •
2013-I • 2017-I •
2013-II • 2017-II •
2014-I •2018-I •
2014-II •2018-II •
2015-I •2019-I •2015-II •2019-II |
|
Deserción Universidad |
Identifica si el alumno desertó de los estudios hasta
el semestre 2019-I; esta variable es la que se desea predecir. |
Nominal |
• Estudiante • Retirado |
Preparación de los datos: Se obtuvieron datos sin valores
nulos o anómalos, que permitieron obtener resultados confiables, para ello se
ha utilizado técnicas estadísticas como la media, mediana y la moda. Se
transformó la base de datos al formato arff (atribute relation file format)
requerido por el software empleado. Existen varios métodos, para seleccionar
variables independientes que más cercanamente afectan la variable dependiente;
los mismos, que permiten hacer una descripción de los datos a un menor costo y
por su importancia, son ampliamente usados en procesos asociados a aprendizaje
de máquina [16]. En este sentido, se ha empleado el algoritmo InfoGainAttributeEval de
Weka. Por esto, de las dieciséis variables independientes descritas
en la Tabla 1, solo se emplearon cinco variables para determinar los modelos,
las cuales fueron: Cursos aprobados, créditos aprobados, comunidad de origen, promedio
acumulado y ciclo de ingreso. En conclusión, siendo estas variables las que
mayor inciden en la variable dependiente, que fue la deserción de los
estudiantes.
Modelación: La herramienta de software
libre de minería de datos que se empleó en este estudio para determinar los
modelos que estimaron la deserción, fue
Weka [16]. Para la selección de los
algoritmos adecuados; se llevó a cabo la experimentación empleando todos los
métodos que posee el software, concerniente a árboles y reglas. Esta selección se ha realizado debido a que estos
algoritmos, porque se obtienen reglas de clasificación del tipo “Si – Entonces”
o árboles de decisión; además son empleados en trabajos previos [7, 3, 19, 4]. Una regla tiene dos partes, el antecedente (la
parte del “Si”) y el consecuente (la parte del “Entonces”). De esta manera, una
regla asigna una instancia de datos a la variable señalada por el consecuente
(estudiante o deserta) si los valores de los atributos de predicción satisfacen
las condiciones expresadas en el antecedente.
Evaluación del modelo: Con el fin de evaluar la
calidad y precisión de la predicción de las reglas de clasificación obtenidas
se utilizó el método de validación cruzada con 10 pliegues (n-fold cross
validation). Se evaluó mediante Weka, a través de los estadísticos: Error
cuadrático medio (RMSE) que comparó el valor predicho y el valor conocido,
porcentaje de aciertos que está bien clasificado mediante las reglas
determinadas (% aciertos), el coeficiente de Kappa permitió medir el grado de concordancia
de las evaluaciones nominales realizadas, error absoluto medio (MAE) sirvió
para cuantificar la precisión de los modelos comparando los valores predichos
frente a los recolectados y el área bajo
la curva ROC (AUC) que representó la probabilidad de que el modelo clasifique
un ejemplo positivo aleatorio más alto que un ejemplo negativo aleatorio.
Además, se eliminaron las variables
redundantes o irrelevantes. Se interpretaron los tres modelos descubiertos para
determinar su calidad y consolidar el conocimiento descubierto, para
confrontarlo con conocimiento previamente descubierto. De esta manera se obtuvo
patrones útiles en términos que sean entendibles para el usuario.
Resultados
En la Tabla 2, se muestran tres modelos que están
basados en técnicas de minería de datos que poseen mejor comportamiento, para
estimar la deserción estudiantil Awajún y Wampis. Los mismos que han
considerado dos variables independientes (cursos aprobados y créditos
aprobados) de las cinco que más influyen en la deserción de estudiantes de los
pueblos Awajún y Wampis de la UNJ (cursos aprobados, créditos aprobados,
comunidad de origen y promedio acumulado y ciclo de ingreso). Además, se menciona
a las técnicas empleadas y las reglas que se han originado por cada modelo.
Tabla 2: Algoritmo empleado y reglas obtenidas de los tres
modelos.
|
Identificador |
Algoritmo |
Reglas |
|
Modelo 1 |
J48 |
Si (cursos aprobados <=10),
entonces (deserción universidad=retirado) Si (cursos aprobados >10), entonces
(deserción universidad = estudiante) |
|
Modelo 2 |
Ridor |
Si (créditos aprobados<=27),
entonces (deserción universidad=retirado) Si (créditos aprobados
>27), entonces (deserción universidad = estudiante) |
|
Modelo 3 |
PART |
Si (cursos aprobados <=10),
entonces (deserción universidad = retirado) Si (cursos aprobados >10), entonces
(deserción universidad = estudiante) |
Figura 1: Árbol
creado con el algoritmo J48 en el software Weka
En la Tabla 3, se describe el comportamiento de los
tres modelos propuestos, para ello se ha empleado la validación cruzada. Los indicadores
estadísticos empleados han sido el RMSE, porcentaje de aciertos, Kappa, MAE y AUC.
Tabla 3: Comportamiento de los tres modelos, empleando
diversos indicadores estadísticos.
|
Identificador |
RMSE |
%
aciertos |
Kappa |
MAE |
AUC |
|
Modelo 1 |
0.3373 |
87.7551 |
0.7525 |
0.2156 |
0.805 |
|
Modelo 2 |
0.3499 |
87.7551 |
0.7525 |
0.1224 |
0.876 |
|
Modelo 3 |
0.3373 |
87.7551 |
0.7525 |
0.2156 |
0.805 |
Discusión
La población de estudiantes provenientes
de pueblos originarios Awajún y Wampis de la UNJ, estuvo conformado por todos
los ingresantes desde el semestre 2012-I, semestre en que la universidad inició
sus actividades académicas, hasta el 2019-II, conformada por 49 personas. Los
factores que han conllevado a la deserción del 45% (22) de los 49 estudiantes,
debe ser analizados a profundidad en trabajos futuros. Se ha podido recabar
información de diecisiete variables concerniente a datos personales, demográficos
y académicos de la población estudiada, siendo este un estudio piloto. Una
tarea importante realizada en este trabajo, fue la recopilación de la
información y el pre procesado de los datos, ya que la calidad y fiabilidad de la
información afecta de manera directa en los resultados. Es una tarea, que ha
implicado invertir mucho tiempo y disposición, puesto que se tuvo que realizar
la integración de datos de cinco fuentes diferentes para formar la base de
datos. En cambio en otros trabajos, las instituciones poseen un data warehouse,
el cual les permite tener centralizada la información como en el trabajo de
Gallardo [9].
Cada situación de estudio responde a un
modelo específico adaptado a la realidad de información de cada región
geográfica por sus variables socioeconómicas y educativas. De aquí que el
presente estudio ha considerado una población particular y no se debe realizar
ninguna inferencia, generalización o expansión de estos tres modelos a otros
lugares del sistema universitario nacional. Se realizó un conjunto de
experimentos con el objetivo de conseguir predecir con un buen grado de
exactitud el estado académico de los estudiantes hasta la fecha mediante la
utilización de los algoritmos J48, Ridor, PART y de esta manera obteniendo el modelo
1, modelo 2 y modelo 3. Los algoritmos J48 y Ridor han sido empleados en el
trabajo de Vera [17]. De las diferentes variables
que Kumar [4] en su estado del arte propone,
las que frecuentemente son usadas para predecir la deserción estudiantil.
Considera el género, sin embargo, esta variable en el presente estudio, no ha
sido considerado por los tres modelos propuestos. Debido a que al emplear el
algoritmo InfoGainAttributeEval del software Weka, el mismo que evalúa el valor
de un atributo para medir la información consigue con respecto a la clase,
determinó que las cinco variables que influyen en la deserción estudiantil, han
sido: cursos aprobados, créditos
aprobados, comunidad de origen y promedio acumulado y ciclo de ingreso.
El algoritmo J48 descubre un árbol con
dos hojas y de tamaño tres, ver Figura 1. De la cual se desprenden las dos
reglas del modelo 1. La primera regla nos dice que, si la cantidad de los
cursos aprobados es menor o igual que diez, entonces el alumno estaría retirado
o propenso a retirarse de la UNJ. La segunda regla menciona que, si los cursos
aprobados son mayores que diez, ese alumno sigue siendo estudiante de la UNJ. Interpretando
estas dos reglas, el patrón que se desprende, es que los estudiantes de los
pueblos originarios que han desertado, no aprobaron más de diez cursos, es
decir ni dos ciclos seguidos, debido a que un ciclo tiene siete cursos. Las
reglas obtenidas del modelo 3, son lógicamente equivalentes con las dos reglas
obtenidas del modelo 1 y que se originan del árbol de decisión respectivo. En
las dos reglas que componen el modelo 2, la variable que influye es la cantidad
de créditos aprobados; la primera regla menciona que, si la cantidad de
créditos aprobados es menor o igual a veinte y siete, ese alumno ya está
retirado o se va a retirar de la UNJ y la segunda regla es que, si el alumno
tiene más de veinte y siete créditos aprobados, esta persona va a seguir siendo
estudiante de la UNJ.
La evaluación del comportamiento de los
tres modelos se ha obtenido mediante diversos estadísticos, ver Tabla 3: Se ha
obtenido un porcentaje de instancias bien clasificadas de 87.8, el coeficiente
de Kappa 0.7525 que se interpreta como la fuerza de concordancia buena, los
valores de RMSE y MAE cercanos a cero indican cuán cerca están los puntos de
datos observados de los valores predichos del modelo, finalmente el valor de
AUC es la probabilidad del 0.81 que el modelo clasifique un ejemplo positivo
aleatorio más alto que un ejemplo negativo aleatorio.
Conclusiones
Se realizó una base de datos, constituida por 49 instancias y cada
instancia constó de diecisiete (17) variables concernientes a información socioeconómica,
académica y personal de los estudiantes provenientes de los pueblos originarios
Awajún y Wampis de la Universidad Nacional de Jaén. Empleando
el algoritmo de selección de variables, InfoGainAttributeEval del software
Weka, se redujo a cinco variables independientes: cursos aprobados, créditos aprobados, comunidad de
origen, promedio acumulado y ciclo de ingreso. La variable dependiente fue la
variable deserción de la UNJ.
El empleo de los algoritmos J48, Ridor y
PART de clasificación han permitido obtener tres
modelos basados en dos reglas por cada uno con un porcentaje de instancias bien
clasificadas de 87.8, de esta manera siendo los que tienen mejor comportamiento.
El modelo 1, es equivalente al modelo 3 que nos menciona que, si los cursos
aprobados de los estudiantes son menores o iguales a diez, este alumno
proveniente de pueblos originarios se retirará o ya ha abandonado la UNJ; sin
embargo, si el estudiante ha aprobado más de diez cursos, entonces el alumno
sigue siendo estudiante de la UNJ. Del modelo 2, se interpreta que, si un
alumno va a ser estudiante excepto cuando sus créditos aprobados sean menores o
iguales a veinte y siete, en este caso el alumno proveniente de pueblos
originarios se retiraría o ya ha desertado de la vida universitaria.
Se puede usar las reglas generadas por
los algoritmos de minería de datos en la implementación de un software que
permita alertar sobre los estudiantes provenientes de los pueblos originarios Awajún y Wampis que potencialmente se
encuentren en riesgo de desertar. De esta manera, la universidad pueda realizar
acciones que puedan servir de ayuda a los estudiantes en riesgo.
Finalmente, se incluye algunas líneas futuro
de trabajo derivado del desarrollo logrado: (a) Proponer métodos para ayudar a
los estudiantes provenientes
de los pueblos originarios Awajún y Wampis detectados dentro del grupo de riesgo
de desertar. (b) Posteriormente comprobar que porcentaje de las veces fue
posible evitar que el estudiante detectado a tiempo desertara. (c) Desarrollar
algoritmos basados en la combinación de técnicas de minería de datos para poder
comparar con los resultados de algoritmos clásicos y obtener mejores resultados
de predicción.
Bibliografía
[1] «Inicio | BDPI». https://bdpi.cultura.gob.pe/ (accedido oct. 02,
2019).
[2] «Datamining (Minería de datos)». https://www.sinnexus.com/business_intelligence/datamining.aspx
(accedido oct. 02, 2019).
[3] P. F. Alania Ricaldi, «Aplicación de técnicas
de minería de datos para predecir la deserción estudiantil de la facultad de
ingeniería de la Universidad Nacional Daniel Alcides Carrión», 2019. Master’s
Thesis, Universidad Nacional Daniel Alcides Carrión. Escuela de Posgrado,
Maestría en Ingeniería de Sistemas y Computación, 2019.
[4] M. Kumar,
A. J. Singh, y D. Handa, «Literature survey on educational dropout prediction»,
Int. J. Educ. Manag. Eng., vol. 7, n.o 2, p. 8,
2017.
[5] V. R. D. C.
Martinho, C. Nunes, y C. R. Minussi, «An intelligent system for prediction of
school dropout risk group in higher education classroom based on artificial
neural networks», en 2013 IEEE 25th International Conference on Tools with
Artificial Intelligence, 2013, pp. 159–166.
[6] F. Dalipi,
A. S. Imran, y Z. Kastrati, «MOOC dropout prediction using machine learning
techniques: Review and research challenges», en 2018 IEEE Global Engineering
Education Conference (EDUCON), 2018, pp. 1007–1014.
[7] C. Burgos,
M. L. Campanario, D. de la Pena, J. A. Lara, D. Lizcano, y M. A. Martínez,
«Data mining for modeling students’ performance: A tutoring action plan to
prevent academic dropout», Comput. Electr. Eng., vol. 66, pp. 541–556, 2018.
[8] A. B. B. Gutiérrez, R. C. Menéndez, L. J.
Rodríguez-Muñiz, J. C. N. Pérez, E. T. Herrero, y M. E. García, «Predicción del
abandono universitario: variables explicativas y medidas de prevención», Rev.
Fuentes, n.o 16, pp. 63–84, 2015.
[9] D. E. Gallardo Corrales, «Análisis de
patrones de deserción estudiantil de la unidad educativa Lenin School aplicando
minería de datos», Master’s Thesis, Universidad de las Fuerzas Armadas ESPE.
Maestría en Gestión de Sistemas de Información e Inteligencia de Negocios,
2017.
[10] B. R. Cuji Chacha, «Las Técnicas de Predicción
y su incidencia en la detección de patrones de Deserción Estudiantil en la
Carrera de Docencia en Informática de la Facultad de Ciencias Humanas y de la Educación
de la Universidad Técnica de Ambato», Master’s Thesis, Universidad Técnica de
Ambato. Facultad de Ingeniería en Sistemas, Electrónica e Industrial, 2016.
[11] L. E. Piscoya Ordoñez, «Aplicación de técnicas
de minería de datos para predecir la deserción estudiantil en la educación
básica regular en la Región de Lambayeque», Tesis de Licenciatura, Universidad
Señor de Sipán, Lambayeque, Perú 2017.
[12] E. Pineda, E. Leal, y C. Barrera, «Los Sistemas
Expertos como alternativa de Solución a la Deserción Universitaria», Congreso
Académico UDI, Octubre 2010.
[13] «¿Qué es el muestreo por conveniencia?», QuestionPro,
abr. 28, 2018. https://www.questionpro.com/blog/es/muestreo-por-conveniencia/
(accedido oct. 02, 2019).
[14] S. Pal,
«Mining educational data to reduce dropout rates of engineering students», Int.
J. Inf. Eng. Electron.
Bus., vol. 4,
n.o 2, p. 1, 2012.
[15] A. Torrado, Y. Karina, E. Barrientos Avendaño,
y D. J. Heredia Vizcaíno, «Modelo predictivo de deserción estudiantil
utilizando técnicas de minería de datos», Cuarta Conferencia de Directores de
Tecnología de Información, TICAL2014, pp 553-562, Mayo 2014.
[16] J. Arroyo Hernández, «Métodos de reducción de
dimensionalidad: Análisis comparativo de los métodos APC, ACPP y ACPK», UNICIENCIA,
vol. 30, n.o 1, pp. 115-122, 2016, doi:
http://dx.doi.org/10.15359/ru.30-1.7.
[17] K. Azoumana, «Análisis de la deserción
estudiantil en la Universidad Simón Bolívar, facultad Ingeniería de Sistemas,
con técnicas de minería de datos», Pensam. Am., vol. 6, n.o 10,
2013.
[18] C. M. Vera, C. R. Morales, y S. V. Soto,
«Predicción del fracaso escolar mediante técnicas de minería de datos», Rev.
Iberoam. Tecnol. Delda AprendizajeAprendizagem, vol. 109, 2012.