La Universidad Nacional del Nordeste (UNNE) en Corrientes, Argentina, no es ajena a esta situación. En este sentido, ha realizado varios estudios con el objeto de aportar información que contribuya a configurar un cuadro de situación al interior de la institución (Ojeda, 2004), (Foio, 2003). La Facultad de Ciencias Exactas y Naturales y Agrimensura (FACENA) de la UNNE no escapa a la realidad descripta anteriormente. En esta Facultad se han realizado diferentes estudios relacionados con la temática, abordados desde distintas perspectivas. En uno de ellos se describe la problemática del bajo nivel de conocimientos previos de Matemática en los ingresantes de la FACENA (Porcel et al., 2001).

La oferta académica de la FACENA consta de 13 carreras, que de acuerdo a su perfil pueden clasificarse en tres categorías: a) de perfil Profesional: Licenciatura en Sistemas de Información, Agrimensura, Bioquímica y las Ingenierías Eléctrica y Electrónica; b) de perfil Docente: Profesorados en Matemática, Física, Química y Biología; c) de perfil orientado a las Ciencias Básicas: Licenciatura en Matemática, Física, Química y Biología.

Por su naturaleza y perfil, estas carreras tienen en el primer año contenidos de Matemática. Poseer una cultura matemática más elaborada supondría poner en juego las mismas estructuras lógicas, aplicar las mismas estrategias de resolución de problemas o ampliar el número de registros de representación en los que se maneja la información; por lo tanto, es posible que esta formación contribuya a favorecer un mayor desarrollo de competencias (Villar, Lacués y Pagano, 2007).

El término "rendimiento" tiene muchas implicaciones, principalmente si se considera a las calificaciones obtenidas por los alumnos como el referente casi exclusivo. Esta información puede generar, incluso, una lectura ingenua que centra sólo la responsabilidad académica en el alumno. Sin embargo, la responsabilidad institucional es clave para evaluar lo que se entiende por rendimiento. Más allá de las condiciones internas a las instituciones y de las prácticas docentes, resulta imprescindible también conocer las características que aportan quienes son los receptores de la labor docente. Esta información puede contribuir a estimar algunas de las razones que inciden en el rendimiento y la deserción de los alumnos universitarios (Toer, 2000).

Muchos factores influyen en el rendimiento académico, unos que pertenecen o se encuentran en el mismo estudiante (endógenos), y otros que pertenecen o se encuentran en el mundo circundante (exógenos). Estos factores no actúan aisladamente, el rendimiento académico es el resultado de la acción recíproca de lo interno y lo externo.

De esta manera, muchos estudios han centrado su interés en buscar diferentes factores que intervengan o condicionen el rendimiento académico de los alumnos, en busca de aportar datos útiles que orienten a la eficiencia del sistema educativo de una institución.

Diversas características del alumnado han sido consideradas a la hora de relacionarlas con el rendimiento académico, desde las características aptitudinales, intelectuales y de la personalidad del alumno hasta los aspectos motivacionales y de percepción personal de los estudiantes durante el transcurso de la carrera, así como también razones de ingreso a la misma. Otros autores han estudiado cómo la pertenencia a un cierto sector socioeconómico o características personales del alumno, tales como, edad, sexo y lugar de procedencia, pueden relacionarse y a su vez explicar el rendimiento académico.

Por otro lado, algunas investigaciones realizadas a nivel universitario han puesto su interés en cómo la asistencia a clases puede incidir en el rendimiento académico.

Girón Cruz y González Gómez, 2005) han abordado el tema desde los hábitos extraescolares del alumno, así como también la intervención de factores "externos" al alumno, como lo son las condiciones edilicias y las condiciones del profesorado.

Por su parte, Alcover et al. (2007) aplican técnicas de minería de datos (árboles de decisión y regresión multivariante) para analizar la influencia de los parámetros (socioeconómicos, características personales, nota de ingreso) más relevantes sobre el rendimiento académico de un alumno de primer curso en las titulaciones de informática de la Universidad Politécnica de Valencia, de forma que permita predecir este rendimiento disponiendo únicamente de la información aportada por el alumno en el momento de su matrícula. Encontraron que factores como los estudios previos del alumno y la nota de ingreso en la titulación aparecen de manera repetida como claramente correlacionados con el rendimiento académico el primer año. También aparecen factores que podrían influir en el rendimiento, como las ocupaciones y estudios de los padres, o la edad de ingreso del alumno, aunque estos dependen de la técnica utilizada. En cambio, el país de procedencia o el lugar de residencia (del alumno o de su familia) no aparecen en ningún caso.

Asimismo, Nghe, Janecek y Haddawy (2007) compararon la exactitud de las técnicas de árboles de decisión y redes bayesianas para predecir el rendimiento académico de estudiantes de pregrado y postgrado en dos centros académicos muy diferentes: la Universidad de CanTho (CTU), una gran universidad nacional en Vietnam, y el Instituto Asiático de Tecnología (AIT), un pequeño instituto de postgrado internacional en Tailandia, que atrae a estudiantes de 86 países diferentes. No obstante, las herramientas de minería de datos fueron capaces de lograr niveles similares de exactitud para predecir el rendimiento de los estudiantes: 73/71% para (malo, regular, bueno, muy bueno) y 94/93% para (desaprobado, aprobado) en el CTU/AIT, respectivamente. En este análisis, los árboles de decisión resultaron más precisos en un 3-12% que las redes bayesianas.

Por otra parte, el rendimiento académico ha sido representado de diferentes maneras según los estudios que han abordado el tema. En algunos de ellos, el rendimiento académico es representado por el número de materias aprobadas por un alumno en una carrera, en otros por el resultado de tests específicamente diseñados, así como también, por el promedio de notas de las materias cursadas. Esta variedad de manifestaciones del rendimiento académico está ligada a las particularidades de la investigación en cuestión, referidas al nivel de estudios en el cual se analiza el desempeño de los alumnos, el tiempo de la investigación o el enfoque del investigador.

El objetivo de este trabajo es predecir el rendimiento académico de los alumnos de primer año de la FACENA (UNNE), en función de sus características socioeducativas empleando la técnica de regresión logística.

La Regresión Logística es un método lineal que intenta modelizar la probabilidad de ocurrencia de un evento. La variable dependiente es categórica dicotómica o policotómica, a los efectos de facilitar la interpretación (Britos, 2005).

Se describen a continuación algunos trabajos, como antecedentes de aplicación de la técnica de regresión logística en el ámbito de la educación.

Wilson y Hardgrave (1995) en García Jiménez y Alvarado Izquierdo (2000), usaron como predictores del rendimiento académico distintos factores, como la nota media durante una carrera, la puntuación del test de admisión de posgrado, la experiencia profesional, etc., y encontraron que el análisis discriminante o la regresión logística son más adecuadas que la regresión lineal múltiple a la hora de predecir el éxito/fracaso académico. Estos autores defienden la utilización de la regresión logística, considerándola una técnica adecuada cuando se pretende hacer una clasificación basada en las características de los datos. Una ventaja adicional de esta técnica es que no requiere la normalidad estricta de los datos.

Ponsot, Varela, Sinha y Valera (2009) utilizaron la regresión logística para estudiar las relaciones entre variables vinculadas con el entorno social y educativo de estudiantes de la Facultad de Ciencias Económicas y Sociales (FACES) de la Universidad de Los Andes (ULA) en Venezuela (carrera que cursa, promedio de educación media, sector del plantel de procedencia (público o privado), edad al momento del ingreso, sexo del alumno y turno del plantel de procedencia (diurno o nocturno), con respecto al rendimiento de un alumno durante sus estudios universitarios, el cual fue medido por el promedio de calificaciones en la universidad y por la razón entre el número de asignaturas aprobadas e inscriptas. Estos autores lograron probar estadísticamente que: a) existen diferencias en el rendimiento estudiantil entre carreras de la FACES; b) el rendimiento universitario puede ser explicado a partir del rendimiento en el nivel de educación medio o secundario; c) las restantes variables no tienen efecto sobre el rendimiento universitario; d) no hay diferencias entre los promedios de calificaciones de alumnos provenientes de planteles públicos y privados de instituciones de educación media o secundaria.

Para la descripción de sus características socioeducativas se utilizó la información que los alumnos registraron en el formulario de ingreso a la universidad. De la totalidad de variables incluidas en el formulario se consideraron para el análisis aquellas que presentaban mayor calidad en cuanto a completitud y validez de los datos. Debido a esto, las variables relacionadas a la actividad laboral del alumno y de los padres, entre otras, no pudieron ser incluidas en el estudio debido a la notable falta de respuesta registrada en el instrumento de recolección de datos.

Los datos correspondientes al desempeño académico provienen de los informes que los docentes de cada asignatura realizan el finalizar cada dictado, en los que sólo se registra si el alumno ha logrado aprobar los exámenes parciales o no, pero no se consignan calificaciones numéricas.

Esta información se incorpora periódicamente en un único almacén de datos con un diseño orientado a las decisiones. Este proceso incluye la integración, depuración y formateo de los datos, siguiendo las técnicas usuales de preprocesado, constituyentes de las etapas previas al modelado y análisis de los datos (Dapozo y Porcel, 2005).

En una primera etapa se realizó una descripción de los alumnos ingresantes a la Facultad en los años 2004 y 2005 en base a su sexo y edad, y de las variables socioeducativas de los mismos en relación a su rendimiento académico. El análisis descriptivo consistió en el cruce de valores de cada una de las variables estudiadas con el rendimiento académico, y su interpretación a través de proporciones (tablas cruzadas). Luego, con el objeto de establecer diferencias o semejanzas estadísticamente significativas entre las variables, se empleó el test de hipótesis de Ji cuadrado.

En seguida, se desarrolló un modelo para analizar la relación entre el rendimiento académico y las variables socioeducativas.

El rendimiento académico se definió asociado al desempeño de los alumnos en Matemática. Todas las carreras de la FACENA tienen en el primer cuatrimestre del primer año una materia con contenidos matemáticos (principalmente Álgebra). Para aprobar esta materia el alumno dispone de dos modalidades: a) Aprobar dos exámenes parciales de contenido práctico y un examen final de contenido teórico; b) Aprobar un examen final teórico-práctico. La aprobación de ambos exámenes parciales es el condicionante más fuerte para la continuación sin atraso en los estudios, ya que para poder avanzar en las materias del segundo cuatrimestre del primer año, el esquema de precedencias entre asignaturas de los planes de estudio requiere siempre, como mínimo, tener aprobados dichos exámenes.

Por tal motivo, el rendimiento académico se midió mediante una variable dicotómica yi que toma el valor 1 si el alumno aprobó los exámenes parciales o aprobó el examen final de la asignatura (en cualquiera de las modalidades descriptas), durante el primer año de estudios, y 0 en caso contrario.

Se formuló un modelo de regresión logística binaria de efectos principales, con un nivel de significación =0.05, debido a que la variable dependiente (rendimiento académico) es de tipo cualitativa y asume dos categorías.

Dado un vector xi de datos para un alumno i seleccionado aleatoriamente, y sea yi la variable de respuesta anteriormente definida, el modelo de regresión logística intenta modelar la probabilidad de que dicha variable yi sea igual a 1, dados los valores del vector de variables xi. El modelo es:

o equivalentemente

(Luque Martínez, 2000).

Para este trabajo, el punto de corte se estableció en 0.25. Si el valor predicho por el modelo es mayor que 0.25, se clasifica al estudiante en la categoría “rendimiento bueno”. Si el valor predicho es inferior o igual a 0.25, se lo clasifica en la categoría “rendimiento malo”.

A continuación se enuncian las variables independientes que se incluyeron en el modelo, y las categorías que asumen, indicándose en negrita la categoría de referencia.

• AÑO DE INGRESO: 2004, 2005
• CARRERA: Agrimensura, Bioquímica, Ingeniería Eléctrica, Ingeniería en Electrónica, Licenciatura en Ciencias Biológicas, Licenciatura en Ciencias Físicas, Licenciatura en Ciencias Químicas, Licenciatura en Matemática, Profesorado en Biología, Profesorado en Ciencias Químicas y del Ambiente, Profesorado en Física y Tecnología, Profesorado en Matemática, Licenciatura en Sistemas de Información.
• SEXO: Hombre; Mujer.
• TIENE MAIL: No; Sí.
• TÍTULO SECUNDARIO: Economía y Gestión de las Organizaciones; Humanidades y Ciencias Sociales, Comunicación, Arte y Diseño; Producción de Bienes y Servicios; Bachiller omún, Peritos Mercantiles, Técnicos, Otros títulos, Ciencias Naturales.
• DEPENDENCIA DEL ESTABLECIMIENTO: Nacional, Provincial, Dependiente de la Universidad, Privados religiosos, Privados particulares, Institutos militares.
• COBERTURA OBRA SOCIAL: De los padres, Del cónyuge, Propia, Ninguna
• ESTUDIO DE LOS PADRES: Se consideró el mayor nivel educativo alcanzado por el padre o la madre. Las categorías son: No hizo estudios/Escuela Primaria Incompleta, Escuela Primaria Completa/ Escuela Secundaria Incompleta, Escuela Secundaria Completa/Estudio Superior No Universitario Incompleto, Estudio Superior No Universitario Completo/Estudio Universitario Incompleto, Estudio Universitario Completo/Estudios de Posgrado.

Figura 1. Distribución de los alumnos ingresantes a la FACENA-UNNE
en los años 2004 y 2005, por sexo y edad

En la Tabla I se observa que los ingresantes del año 2005 tuvieron un mejor rendimiento académico que los del 2004.

Tabla I. Rendimiento académico y año de ingreso

Se observa además que el 18.2% de los alumnos que ingresaron en los años 2004 y 2005 registraron un buen rendimiento. Cabe aclarar que este valor está calculado sobre el total de inscritos; es decir, incluye a aquellos alumnos que habiéndose inscrito en la institución no tuvieron ninguna actividad académica. La modalidad de registro a nivel del sistema informático vigente en los años de ingreso considerados no permitió determinar la cantidad exacta de alumnos que efectivamente cursaron las asignaturas del primer año.

La Tabla II muestra que los alumnos con mejor rendimiento pertenecen a las carreras: Licenciatura y Profesorado en Ciencias Biológicas, Licenciatura en Ciencias Físicas, Agrimensura y Bioquímica.

Tabla II. Rendimiento académico y carrera

En la Tabla III se observa que los alumnos que poseen una cuenta de correo electrónico presentan un mejor rendimiento académico que aquellos que no la tienen.

Tabla III. Rendimiento académico y tenencia de mail

La Tabla IV muestra que obtuvieron mejores rendimientos los alumnos que poseen títulos con orientación en Ciencias Naturales.

Tabla IV. Rendimiento académico y título secundario del alumno

En la Tabla V se observa que los alumnos que poseen cobertura de obra social a través de sus padres, tuvieron un mejor rendimiento académico que aquellos que no tienen obra social o que tienen obra social propia.

Tabla V. Rendimiento académico y cobertura obra social

La Tabla VI permite observar que el rendimiento de los alumnos aumenta a medida que mejora el nivel de formación educativo de los padres.

Tabla VI. Rendimiento académico y nivel educativo de los padres

Respecto al bajo rendimiento general resultante de este estudio, vinculado con las dificultades de los alumnos en superar la primera asignatura relacionada con Matemática, éste podría explicarse además por la deficiente formación previa en conocimientos matemáticos de los alumnos ingresantes, situación detectada en otros estudios similares realizados con estudiantes universitarios, Porcel et al. (2001) y Girón Cruz y González Gómez (2005).

El modelo de regresión logística desarrollado para predecir el rendimiento académico de los alumnos en la primera asignatura de Matemática de las carreras de la FACENA, fue el siguiente:

Donde:

H = -2.081 + 0.823 AÑO + 0.399 CLB + .241 CAG + .259 CPM + … + .694 MUCP (Tabla VIII)

El modelo ajustado clasifica correctamente el rendimiento académico del 74.8% de los ingresantes en el período 2004-2005 (ver Tabla VII), lo cual se considera un ajuste satisfactorio.

Tabla VII. Clasificación de los alumnos por rendimiento académico

Las variables que resultaron estadísticamente significativas fueron las siguientes: año de ingreso, carrera, tenencia de mail, título secundario, cobertura de obra social y nivel educacional de los padres, y las que no resultaron significativas fueron: sexo y dependencia del establecimiento secundario (Tabla VIII).

Tabla VIII. Modelo de regresión logística

Según Tejedor (2003) en Beltrán Barco y La Serna Studzinski (2008), la investigación en educación superior tiende a utilizar modelos eclécticos de interacción que reconocen que el rendimiento académico es influido por diversas variables. Este autor establece cinco categorías de variables para estudiar los factores que influyen sobre el mismo: académicas, psicológicas, socio-familiares, de identificación y pedagógicas.

Teniendo en cuenta las categorías mencionadas, se propone un esquema de organización para las variables independientes (socioeducativas) incluidas en el modelo, y se discuten los resultados obtenidos en este trabajo para cada una de ellas, comparándolos con resultados de investigaciones asociadas en el ámbito internacional.

3.1 Variables académicas

• Año de ingreso: Constituye una variable influyente porque conlleva la representación de la realidad socioeconómica vigente, así como también la representación del conjunto de planes, estrategias y acciones concretas implementadas en el plano académico. Según los resultados obtenidos en este trabajo, puede interpretarse que, manteniéndose constantes las otras variables, los alumnos que ingresaron en 2005 tienen el doble de oportunidades de tener buen rendimiento académico en la primera asignatura de Matemática que los que ingresaron en 2004. Si bien no se han encontrado trabajos donde se utilice esta variable para predecir el rendimiento académico, en este estudio ha resultado significativa para explicar el mismo.
• Título secundario: El esquema de formación del nivel medio de educación (preuniversitario) vigente en Argentina durante el período estudiado, denominado Polimodal, comprende cinco orientaciones hacia determinadas ciencias y actividades. No obstante, en la población bajo estudio algunos ingresantes poseían titulaciones anteriores al sistema Polimodal (Bachiller Común, Perito Mercantil, Técnicos). Los resultados obtenidos en este trabajo concuerdan con los obtenidos por Lazarte et al. (2008), quien encontró que los alumnos con título técnico tienen un mejor desempeño en Matemática, mientras que el menor rendimiento se observa en los alumnos con título de bachiller. Sin embargo, difieren de los obtenidos por Juárez (2004), quien afirma que los alumnos con título secundario de bachiller, tendrían un mejor rendimiento que los que poseen título de perito mercantil. Por otra parte, los resultados de este estudio muestran que los alumnos con orientación en Ciencias Naturales tienen más oportunidad/probabilidad de tener mejor rendimiento que los de todas las otras orientaciones de Polimodal, lo cual resulta coherente, dado el perfil de las carreras que componen la oferta académica de la FACENA. La orientación del Polimodal en Ciencias Naturales se propone profundizar aquellos conocimientos que se ocupan de la descripción e interpretación de la naturaleza. Incluye temas y problemas de áreas tales como las Ciencias Naturales, las Ciencias Exactas, la Salud y el Medio Ambiente.
• Dependencia del establecimiento secundario: Esta variable ha resultado no significativa en este modelo, lo cual llama la atención. En los últimos años se ha producido en Argentina un crecimiento de las ofertas educativas de instituciones privadas, que surgieron con el objetivo de brindar un servicio educativo de mejor calidad (Herrera Gómez, 2006). Sin embargo, los resultados obtenidos en este estudio indican que, en esta Facultad, la dependencia del establecimiento secundario no incide sobre el rendimiento académico de los alumnos en la primera asignatura de Matemática de las carreras analizadas, en coincidencia con lo encontrado por Ponsot et al. (2009), quienes expresan que “…no hay evidencia para afirmar que alumnos provenientes de planteles públicos y privados obtengan calificaciones diferentes en sus estudios secundarios.” Asimismo, en Australia, Shanahan y Meyer (2003), a través de pruebas de diferencia de medias, determinaron que provenir de un colegio privado no era significativo para explicar el rendimiento de estudiantes universitarios. Por el contrario, existen diversas investigaciones que han encontrado que las características del colegio de procedencia sí influyen sobre el rendimiento académico universitario. En efecto, en América Latina algunos trabajos regresionales concluyen que los estudiantes que proceden de colegios de gestión no estatal (privados) obtienen mejores resultados en la universidad. Este resultado es explicado por los menores niveles de calidad de la educación pública básica latinoamericana. En esa línea, están las investigaciones de Di Gresia, Porto y Ripani (2002); Porto, Di Gresia y López (2004); y Valdivieso, Monar y Granda (2004). Por su parte, Birch y Miller (2007) mediante una regresión encontraron que quienes habían asistido a colegios privados tenían menores calificaciones promedio en la universidad que los estudiantes provenientes de escuelas del gobierno.
• Carrera: Cuando existen diferentes carreras (tal como ocurre en la FACENA, cuya oferta académica comprende 13 carreras), la motivación de los estudiantes y/o el grado de dificultad de la carrera pueden ser distintos por lo cual se convierte en una variable explicativa, dado que el rendimiento estará en función de la calidad del cuerpo docente, de las técnicas de aprendizaje, la cantidad de alumnos y otras características particulares de la carrera. Los resultados obtenidos en este estudio muestran que los alumnos del Profesorado en Biología tienen el doble de oportunidades y los de la Lic. en Ciencias Químicas tienen cuatro veces menor oportunidad/posibilidad de tener buen rendimiento académico en la primera asignatura de Matemática que los de Licenciatura en Sistemas de Información, siendo esta la categoría de referencia. Estudios como el de Rodríguez, Fita y Torrado (2004) en Garbanzo Varga (2007), detectaron también que la carrera es explicativa del éxito académico.

3.2 Variables socio-familiares

• Tiene mail: Los alumnos que tienen una cuenta de correo electrónico presentan mayor ventaja en cuanto al rendimiento respecto de los que no lo tienen. Este indicador está asociado a las capacidades personales de los alumnos, e indirectamente da cuenta de la habilidad o competencia para aprovechar los recursos tecnológicos para la comunicación y para el acceso a información disponible en la red, competencia que los pondría en mejores condiciones para afrontar la adquisición de conocimientos en el actual paradigma de la Sociedad de la Información. Este resultado coincide con el trabajo de Dapozo et al. (2005), en el que el buen rendimiento se asocia a la disponibilidad del recurso computadora.
• Cobertura de obra social: Los alumnos que tienen cobertura de obra social de los padres o del cónyuge tienen mayor chance de tener buen rendimiento académico que los que no tienen obra social. La cobertura de obra social refiere a una situación de inclusión en el sistema, dado que quienes no poseen cobertura de obra social se encuentran en situación de mayor desprotección, asociado a un nivel socioeconómico bajo. Este indicador es coincidente con los resultados obtenidos por Di Gresia, Porto y Ripani (2002), en cuyo trabajo se indica que, en general, los hijos que han crecido en hogares de bajos ingresos tienden a tener menores logros profesionales y educativos. Toer (2000) sostiene también que existe una notable incidencia del nivel socioeconómico y, por lo tanto, del peso que supone la diferente preparación con que cuentan los estudiantes según los recursos que disponen sus familias y todos aquellos estímulos sociales o culturales que les están asociados.
• Estudio de los padres: El modelo educativo que proyectan los padres y el apoyo que el estudiante recibe de su familia han mostrado influir sobre el rendimiento. En este sentido, el modelo de deserción de Girón Cruz y González Gómez (2005) determinó que la probabilidad de abandonar los estudios se incrementaba cuando el estudiante no recibía apoyo de su familia. Las investigaciones regresionales suelen concluir que el grado de soporte familiar para la educación superior (operacionalizado con el nivel de estudios de los padres) afecta positivamente el rendimiento. A conclusiones similares a ésta llegan los trabajos de Di Gresia, Porto y Ripani (2002); Porto et al. (2004); y Vélez y Roa (2005). En este trabajo se observa que a medida que los padres tienen mayor nivel de escolaridad, aumenta la probabilidad/posibilidad de que el alumno obtenga buen rendimiento académico. La educación de los padres es considerada, en general, un factor importante para explicar el rendimiento estudiantil. Podría inferirse que a mayor cantidad de años de educación de los padres, mayor sería la calidad del apoyo al estudio de los hijos.

3.3 Variables de identificación

• Sexo: Esta variable ha resultado no significativa en este modelo. En coincidencia, existen estudios que encontraron que el sexo no era una variable significativa para explicar el rendimiento (Ziegert, 2000), (Shanahan y Meyer, 2003), (Buckless, Lipe y Ravenscroft,1991) (Mooi, 1994) (Didia y Hasnat, 1998) (Krieg y Uyar, 1997). Sin embargo, existen investigaciones sobre el rendimiento académico en el ámbito de la educación superior, que apuntan a un mayor éxito entre las mujeres (Tejedor, 2003), especialmente cuando se trata de explicar, mediante metodologías regresionales, la cantidad de materias aprobadas por año (Di Gresia, Porto y Ripani, 2002) o el rendimiento promedio acumulado (Valdivieso, Monar y Granda 2004) (Birch y Miller, 2007). Por el contrario, la investigación educativa ha identificado también que existen cursos en los cuales los hombres tienden a mostrar mejores resultados que las mujeres, tal como el trabajo de Ballard y Johnson (2004).

Respecto de los métodos utilizados, el modelo de regresión logística binaria adoptado presenta un porcentaje elevado de predicción, coincidiendo con los resultados obtenidos por Ponsot, Varela, Sinha y Valera (2009) quienes concluyen que “los modelos de regresión logística demuestran ser una herramienta muy poderosa para indagar sobre la explicación de variables categóricas de respuesta, en las que el investigador tenga especial interés”.

A futuro se profundizará este estudio con otras opciones metodológicas, tales como árboles de clasificación y redes neuronales y se realizarán comparaciones entre las diferentes técnicas.

A nivel de la gestión de la educación superior, la disponibilidad de información acerca de los factores o condiciones que pueden favorecer o poner en desventaja el rendimiento académico de los alumnos, contribuirá a orientar las políticas y estrategias institucionales para mejorar los indicadores de desempeño de los alumnos.

Ballard, Ch. y Johnson, M. (2004). Basic math skills and performance in an introductory economics class. Journal of Economic Education, 35(1), 3-23. Disponible en: http://www.jstor.org/pss/30042570

Beltrán Barco, A. y La Serna Studzinski, K. (2008). ¿Qué explica el rendimiento académico en el primer año de estudios universitarios? Un estudio de caso en la Universidad del Pacífico. Documento de discusión. Lima, Perú: Centro de Investigación de la Universidad del Pacífico.

Birch, E. y Miller, P. (2007). The influence of type of high school attended on university performance. Australian Economic Papers, (46)1, 1-17.

Britos, P. V. (2005). Minería de Datos (1ª. ed.). Buenos Aires: Nueva Librería.

Buckless, F., Lipe, M. y Ravenscroft, S. (1991). Do gender effects on accounting course performance persist after controlling for general academic aptitude? Issues in Accounting Education, (6)2, 248-261.

Dapozo, G. y Porcel, E. (2005). Metodología de integración de datos para apoyar el seguimiento y análisis del rendimiento académico de los alumnos de la FACENA. Ponencia presentada en las Comunicaciones Científicas y Tecnológicas de la Universidad Nacional del Nordeste 2005, Corrientes, Argentina. Disponible en http://www.unne.edu.ar/Web/cyt/com2005/8-Exactas/E-032.pdf

Dapozo, G., Vallejos, O., Greiner C., Golobisky, F. y Espíndola C. (2005). Ingreso, permanencia y calidad. Análisis de una asignatura de primer año de carrera de grado universitario. Ponencia presentada en el VII Workshop de Investigadores en Ciencias de la Computación (WICC 2005), Río Cuarto, Córdoba, Argentina. Disponible en https://dc.exa.unrc.edu.ar/wicc/papers/InformaticaEducativa/113.pdf

Di Gresia, L., Porto, A. y Ripani, L. (2002). Rendimiento de los Estudiantes de las Universidades Públicas Argentinas. Universidad Nacional de la Plata. Departamento de Economía. Documento de Trabajo Nro. 45. Disponible en: www.depeco.econo.unlp.edu.ar/doctrab/doc45.pdf.

Didia, D. y Hasnat, B. (1998). The determinants of performance in the university introductory finance course. Financial Practice and Education, 8(1), 102-107.

Foio, S. (2003). El perfil socioeconómico de los ingresantes en la UNNE y su relación con la deserción en el primer año, la retención y el rendimiento académico. Corrientes, Argentina: Secretaría General de Planeamiento. Universidad Nacional del Nordeste. Disponible en http://www.unne.edu.ar/ Web/estadistica/temainteres/Texto/Inf_Ingres/inf_ingres.htm

Garbanzo Varga, G. M. (2007). Factores asociados al rendimiento académico en estudiantes universitarios, una reflexión desde la calidad de la educación superior pública. Revista Educación, 31(1), 43-63.

García Jiménez, M. V., Alvarado Izquierdo, J. M. y Jiménez Blanco, A. (2000). La predicción del rendimiento académico: regresión lineal versus regresión logística. Psicothema, 12(2), 248-252.

Girón, L. y D. González (2005). Determinantes del rendimiento académico y la deserción estudiantil, en el programa de economía de la Pontificia Universidad Javeriana de Cali. Revista Economía, Gestión y Desarrollo, 3, 173-201. Disponible: http://revistaeconomia.puj.edu.co/html/modules.php?name=BookCatalog&op=showbook&bid=38

Herrera Gómez, M. H. (2006). Efecto de la competencia de la educación privada sobre la calidad de la educación pública. Disponible en http://www.aaep.org.ar/ espa/anales/works06/HerreraGomez.pdf

Juárez, E. (2004). Estudio comparativo sobre el rendimiento académico. IV Encuentro Nacional y I Latinoamericano “La Universidad como objeto de Investigación”. Tucumán. Argentina. Octubre de 2004.

Krieg, R. y Uyar, B. (1997). Correlates of student performance in business and economics statistics. Journal of Economic and Finance, 21(3), 65-74.

Lazarte, G., Priemer, N., Tarifa, H., Paredes, J. y Mamani, R. (2008). Estudio estadístico de las características del alumno ingresante a la Facultad de Ingeniería. Facultad de Ingeniería. Universidad Nacional de Jujuy. VI Congreso Argentino de Enseñanza de la Ingeniería (CAEDI). Salta. Argentina. Septiembre de 2008.

Luque Martínez, T. (2000). Técnicas de análisis de datos en investigación de mercados. Madrid: Pirámide.

Mooi, L. (1994). Some evidence on determinants on students performance in the University of Malaya introductory accounting course. Accounting Education, (3)4, 331-340.

Nghe, N. T., Janecek, P. y Haddawy, P. (2007). A comparative analysis of techniques for predicting academic performance. Asian Institute of Technology (AIT). Tailandia. 37th ASEE/IEEE Frontiers in Education Conference T2G-7. Octubre de 2007. Milwaukee. WI.

Ojeda, G. E. (2004). La secretaría general de planeamiento y la investigación educativa. El Universitario. Disponible en: http://eluniversitario.unne.edu.ar/2004/ 44/pagina/01informeespecial02.htm

Ponsot, B. E., Varela, L., Sinha, S. y Valera, J. (2009). Un modelo de regresión logística del rendimiento en los estudios universitarios: Caso FACES-ULA. Revista Actualidad Contable Faces, 12(18), enero-junio, 2009, pp. 81-102. Universidad de los Andes. Mérida. Venezuela. Disponible en: http://redalyc.uaemex.mx/src/inicio/ ArtPdfRed.jsp?iCve=25712300008

Porcel, E., Cáceres, R., Caputo, L., Mata, L., Ramírez Arballo, M. y Sosa, M. C. (2001). Nivel de conocimientos matemáticos previos de alumnos ingresantes a FACENA en 2001. Ponencia presentada en las Comunicaciones Científicas y Tecnológicas de la Universidad Nacional del Nordeste 2001, Corrientes, Argentina. Disponible en: http://www.unne.edu.ar/Web/cyt/cyt/2001/9-Educacion/D-016.pdf.

Porto, A., Di Gresia, L. y López, M. (2004). Mecanismos de admisión a la Universidad y rendimiento de los estudiantes. Disponible en: www.aaep.org.ar/ espa/anales/resumen04/04/Porto-DiGresia-Armengol.pdf

Shanahan, M. y Meyer, J. (2003). Measuring and responding to variation in aspects of students’ economic conceptions and learning engagement in economics. International Review of Economics Education, 1(1), 9-35.

Toer, M. (2000). El caso de los ingresantes de 1998 al Ciclo Básico Común de la Universidad de Buenos Aires, para seguir carreras de la Universidad de Derecho, Ciencias Económicas y Ciencias Sociales. Buenos Aires: Instituto de Investigaciones Gino Germani, Universidad de Buenos Aires. Disponible en http://caraya.cbc.uba.ar/dat/sbe/perfil/perfil.html#1.

Valdivieso, M., Monar, K. y Granda, M. (2004). Análisis de los determinantes del rendimiento de los estudiantes de ESPOL – 2002. Revista Tecnológica, 17(1), 213-218.

Vélez, A. y Roa, C. (2005). Factores asociados al rendimiento académico en estudiantes de medicina. Educación Médica, 8(2). Barcelona.

Villar, W., Lacués, E. y Pagano, M. (2007). La matemática al ingreso en la universidad. Un estudio comparativo de cuatro Facultades en el Uruguay. Revista Iberoamericana de Educación, 42(4), 1-9. Disponible en http://www.rieoei.org/ deloslectores/1636Villar.pdf

Ziegert, A. (2000). The role of personality temperament and student learning in principles of economics: Further evidence. Journal of Economic Education, 31(4), 307-322. Disponible en: http://www.indiana.edu/~econed/pdffiles/fall00/Ziegert.pdf