Sporathe knowledge network
ES
Universidad Nacional de Colombia

Medellín - Minas - Maestría en Ingeniería - Ingeniería de Sistemas · 2021

Método para la detección de estudiantes en riesgo de deserción, basado en un diseño de métricas y una técnica de minería de datos

La deserción escolar es una problemática social de alto impacto para el sistema educativo, dificultando la movilidad social y la construcción de la equidad en un país. En la última década, con el auge de los datos estudiantiles, las investigaciones de este fenómeno en la educación ha sido abordado desde la minería de datos educativos y una de las principales problemáticas es su detección temprana, sobre todo en países emergentes y subdesarrollados donde el abandono escolar es cada vez más frecuente. Las instituciones educativas requieren detectar oportunamente el riesgo de deserción de estudiantes y así apoyar al estudiantado en su permanencia dentro del sistema educativo. Lo anterior, propició una revisión sistemática de literatura en el área computacional, demostrando que en los últimos cinco años se han desarrollado varios métodos para la detección temprana del riesgo de deserción escolar, y a su vez ha generado nuevos desafíos en la identificación de los factores mayormente influyentes, el planteamiento de nuevos métodos eficientes e interpretables que puedan ser implementados y la necesidad de representación y selección adecuada de características. Además, con este tipo de datos, es necesario una profunda tarea de preprocesamiento debido a la heterogeneidad de las variables. Sin embargo, no se trata sólo de encontrar las causas de la deserción, sino también reunir otras características que permitan generar estrategias para persuadir al estudiantado en su interés y decisión de permanecer en el sistema educativo. El propósito de esta tesis fue desarrollar un método basado en métricas para transformar las características iniciales, aportando al preprocesamiento y entendimiento profundo de los datos (análisis estadístico), de esta forma, apoyar una selección y representación óptima y adecuada de características, para luego llevarlas como entradas de clasificadores expertos en un tipo específico de características. Seguidamente, se utilizó la fusión a nivel de clasificador para obtener una respuesta más generalizada, ya que distintos clasificadores se equivocarán en muestras diferentes. Con esto, mejorar el rendimiento del clasificador y fácil interpretación de los resultados de los algoritmos de aprendizaje automático. La validación en términos de precisión, sensibilidad e interpretabilidad del método propuesto en la presente tesis se realizó en comparación con una técnica de minería de datos y las características iniciales, lo que permitió comprobar la capacidad de detección de la deserción escolar utilizando la transformación de características a partir de métricas, logrando un 82% de precisión y 64% de recall, estos resultados demuestran el aumento significativo con respecto al 71% de precisión y 57% de recall alcanzado con las características iniciales sin el uso de métricas. Por lo anterior, se recomienda su potencial aplicación en la analítica de datos educativos, que permita la predicción temprana del riesgo de deserción y la generación de estrategias que posibiliten persuadir al estudiantado de permanecer en la institución educativa. (Texto tomado de la fuente)

Full text 119 pages with text out of 123

Read the full thesis Record in the repository

Its library's thesaurus