Deserción universitaria: Evaluación de diferentes algoritmos de Machine Learning para su predicción

• Julio Elvis Valero Cajahuanca https://orcid.org/0000-0002-8522-6249
• Ángel Fernando Navarro Raymundo https://orcid.org/0000-0002-9385-6187
• Alfredo César Larios Franco https://orcid.org/0000-0002-4258-8549
• Janett Deisy Julca Flores https://orcid.org/0000-0002-2354-3388

DOI: https://doi.org/10.31876/rcs.v28i3.38480

Palabras clave: Deserción universitaria, modelo de predicción, regresión logística, árbol de clasificación, K-Nearest-Neighbor

Resumen

La deserción universitaria se ha incrementado significativamente en Perú antes y aún más después de la pandemia de COVID-19, es por ello, que las universidades públicas necesitan identificar e implementar programas para disminuirla. El trabajo tiene como propósito determinar el algoritmo de Machine Learning que tiene mejor desempeño para detectar la deserción universitaria. Este análisis se basó en el estudio de la deserción universitaria en Perú entre 2018 y 2021. La población está compuesta de 652 estudiantes, para los datos de entrenamiento se utilizó el 30% y para los de prueba el 70% de una data set de 106 datos válidos, para el desarrollo de los modelos de clasificación se utilizó el lenguaje Python de Anaconda a través de sus distintas librerías, el tipo investigación es aplicada y diseño descriptivo. Se obtuvo como resultado que el algoritmo K-Nearest-Neighbor con una precisión de 0.91, tiene mejor desempeño para pronosticar la deserción universitaria con las variables académicas y socioeconómicas de los estudiantes. En conclusión, el modelo obtenido puede ayudar a predecir en los primeros ciclos de estudios, los alumnos más probables en abandonar sus estudios, así como, alertar a la oficina de bienestar, la necesidad y atención de tutorías individuales y grupales.

Citas

Alayo, F. (28 de Setiembre de 2020). Unos 174.000 estudiantes peruanos dejaron la universidad en lo que va del 2020. El Comercio. https://elcomercio.pe/lima/sucesos/unos-174000-estudiantes-peruanos-dejaron-la-universidad-en-lo-que-va-del-2020-noticia/
Arbeláez-Campillo, D. F., Villasmil, J. J., y Rojas-Bahamón, M. J. (2021). Inteligencia artificial y condición humana: ¿Entidades contrapuestas o fuerzas complementarias? Revista de Ciencias Sociales (Ve), XXVII(2), 502-513. https://doi.org/10.31876/rcs.v27i2.35937
Barreno-Vereau, E. (2012). Análisis comparativo de modelos de clasificación en el estudio de la deserción universitaria. Interfases, (005), 45-82. https://doi.org/10.26439/interfases2012.n005.149
Chalpartar, L. T. M., Fernández, A. M., Betancourth, S., y Gómez, Y. A. (2022). Deserción en la población estudiantil universitaria durante la pandemia, una mirada cualitativa. Revista Virtual Universidad Católica Del Norte, (66), 37-62. https://doi.org/10.35575/rvucn.n66a3
Delen, D. (2010). A comparative analysis of machines learning techniques for student retention managemnet. Decision Support System, 49(4), 498-506. https://doi.org/10.1016/j.dss.2010.06.003
Digital55 (01 de Junio de 2020). Qué es Machine Learning: casos de éxito en empresas. Digital55. https://www.digital55.com/innovacion/que-es-machine-learning-casos-exito-empresas
Duche, A. B., Paredes, F. M., Gutiérrez, O. A., y Carcausto, L. C. (2020). Transición secundaria-universidad y la adaptación a la vida universitaria. Revista de Ciencias Sociales (Ve), XXVI(3), 244-258. https://doi.org/10.31876/rcs.v26i3.33245
Fagella, D. (March 4, 2020). Artificial Intelligence in retail – 10 present and future use cases. Emerj. https://emerj.com/ai-sector-overviews/artificial-intelligence-retail/
Ferreyra, M. M., Avitabile, C., Botero, J., Haimovich, F., y Urzúa, S. (2017). Momento decisivo: La educación superior en América Latina y el Caribe. Grupo Banco Mundial. https://openknowledge.worldbank.org/bitstream/handle/10986/26489/211014ovSP.pdf?sequence=5&isAllowed
Gallegos, J. A., y Campos, N. A. (2019). Determinantes del rendimiento académico estudiantil: Caso Universidad Católica de la Santísima Concepción. Revista de Ciencias Sociales (Ve), XXV(2), 163-177.
Greenwood, W. T. (1978). Teoría de decisiones y sistemas de información. Trillas.
Hernádez, R., Fernandez, C., y Baptista, M. D. P. (2014). Metodología de la investigación. McGraw-Hill / Interamericana de Editores, S.A. de C.V.
Lizares, M. (2017). Comparación de modelos de clasificación: Regresión logística y árboles de clasificación para evaluar el rendimiento académico [Tesis de pregrado, Universidad nacional Mayor de San Marcos]. https://cybertesis.unmsm.edu.pe/handle/20.500.12672/7122?show=full
Llanos, M. G. (2019). Percepciones de los hijos únicos sobre sus vivencias en la interacción universitaria. Revista de Ciencias Sociales (Ve), XXV(E-1), 400-414. https://doi.org/10.31876/rcs.v25i1.29630
Lugo, A. (2020). ¿Qué es el Machine Learning? INVID. https://invidgroup.com/es/machine-learning-metodos/
Menacho, C. H. (2017). Predicción del rendimiento académico aplicando técnicas de minería de datos. Anales Científicos, 78(1), 26-33. https://doi.org/10.21704/ac.v78i1.811
Microsoft Azure (03 de Enero de 2022). How to select algorithms for Azure Machine Learning. Microsoft Azure. https://docs.microsoft.com/en-us/azure/machine-learning/how-to-select-algorithms
Rico, D. A. (2006). Caracterización de la deserción estudiantil en la Universidad Nacional de Colombia sede Medellín. Universidad Nacional de Colombia.
UPlanner (27 de Marzo de 2017). 8 causas de deserción estudiantil en la educación superior. uPlanner https://uplanner.com/es/8-causas-de-desercion-estudiantil-en-la-educacion-superior-2/
Witten, I. H., Frank, E., y Hall, M. A. (2011). Data mining: Practical Machine Learning tools and techniques. Morgan Kaufmann Publishers.