Modelo para la estimación de la deserción estudiantil Awajún y Wampis empleando minería de datos

Contenido principal del artículo

Lenin Quiñones Huatangari
M. Jara Diomer
Nicanor Alvarado
Manuel E. Milla
Oscar A. Gamarra

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.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
Quiñones Huatangari, L., Diomer, M. J., Alvarado, N., Milla, M. E., & Gamarra, O. A. (2020). Modelo para la estimación de la deserción estudiantil Awajún y Wampis empleando minería de datos. Revista De Ciencia Y Tecnología, 34(1), 45–50. https://doi.org/10.36995/j.recyt.2020.34.006
Sección
Ingeniería, Tecnología e Informática
Recibido 2020-04-01
Aceptado 2020-10-14
Publicado 2020-11-27

Citas

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.

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.

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.

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.

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.

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.

Datamining (Minería de datos). https://www.sinnexus.com/business_intelligence/datamining.aspx (accedido oct. 02, 2019).

E. Pineda, E. Leal, y C. Barrera, «Los Sistemas Expertos como alternativa de Solución a la Deserción Universitaria», Congreso Académico UDI, Octubre 2010.

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.

Inicio | BDPI. https://bdpi.cultura.gob.pe/ (accedido oct. 02, 2019).

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.

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.

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.

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.

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.

¿Qué es el muestreo por conveniencia?, QuestionPro, abr. 28, 2018. https://www.questionpro.com/blog/es/muestreo-por-conveniencia/ (accedido oct. 02, 2019).

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.

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.

Contador de visualizaciones: Resumen : 268 vistas.