Factores explicativos de la deserción universitaria abordados mediante inteligencia artificial

Juan Sebastián Parra-Sánchez; Ingrid Durley Torres Pardo; Carmen Ysabel Martínez De Merino

doi:10.24320/redie.2023.25.e18.4455

Autores

Juan Sebastián Parra-Sánchez Universidad Católica Luis Amigó https://orcid.org/0000-0002-5873-3894
Ingrid Durley Torres Pardo Universidad Católica Luis Amigó https://orcid.org/0000-0003-4503-7512
Carmen Ysabel Martínez De Merino Universidad Católica Luis Amigó https://orcid.org/0000-0002-8134-2306

DOI:

https://doi.org/10.24320/redie.2023.25.e18.4455

Palabras clave:

deserción escolar, tasa de deserción escolar, estudiante universitario, inteligencia artificial

Agencias de apoyo:

Universidad Católica Luis Amigo

Resumen

Este artículo identifica los principales estudios relacionados con los factores que contribuyen a explicar la deserción universitaria, y cómo estos son abordados desde el campo de la inteligencia artificial (IA). El estudio describe la metodología adoptada para seleccionar 31 documentos sobre un repositorio de 2745 reportados en la literatura. El análisis se realizó desde los principales métodos de IA adoptados, así como desde los factores explicativos de la deserción universitaria agrupados en cuatro categorías: académicos, relacionados con la motivación y hábitos de estudio, institucionales, y económicos y sociodemográficos. La revisión de la literatura permite concluir que la tarea más común desde la IA es la clasificación mediante árboles de decisión y que la mayoría de los trabajos predicen la deserción universitaria desde los factores que la explican.

Descargas

Los datos de descargas todavía no están disponibles.

Referencias

Aboltins, A., Atslega, S., Sergejeva, N. y Strupule, L. (2019). One of opportunities to reduce student dropouts. Proceeding of 18th International Scientific Conference Engineering for Rural Development, 1941-1946. http://www.tf.llu.lv/conference/proceedings2019/Papers/N479.pdf

Agrusti, F., Bonavolontà, G. y Mezzini, M. (2019). University dropout prediction through educational data mining techniques: a systematic review. Journal of E-Learning and Knowledge Society, 15(3), 161-182. https://doi.org/10.20368/1971-8829/1135017

Alban, M. S. y Mauricio, D. (2018). Prediction of university dropout through technological factors: a case study in Ecuador. Espacios, 39(52), 1-8. https://www.revistaespacios.com/a18v39n52/a18v39n52p08.pdf

Barragán, D. y Patiño, L. (2016). Elementos para la comprensión del fenómeno de la deserción universitaria en Colombia. Más allá de las mediciones. Cuadernos Latinoamericanos de Administración, 9(16), 55-66. https://revistas.unbosque.edu.co/index.php/cuaderlam/article/view/1248

Bedregal-Alpaca, N., Cornejo-Aparicio, V., Zarate-Valderrama, J. y Yanque-Churo, P. (2020). Classification models for determining types of academic risk and predicting dropout in university students. International Journal of Advanced Computer Science and Applications, 11(1), 266-272. https://doi.org/10.14569/ijacsa.2020.0110133

Behr, A., Giese, M., Teguim, H. y Theune, K. (2020). Early prediction of university dropouts: a random forest approach. Jahrbücher für Nationalökonomie und Statistik, 240(6), 743-789. https://doi.org/10.1515/jbnst-2019-0006

Bravo, M. y Mejía, A. (2010). Los retos de la educación superior en Colombia: una reflexión sobre el fenómeno de la deserción universitaria. Revista Educación en Ingeniería, 5(10), 85-98. https://educacioneningenieria.org/index.php/edi/article/view/101

Bungău, C., Pop, A. P. y Borza, A. (2017). Dropout of first year undergraduate students: a case study of engineering students. Balkan Region Conference on Engineering and Business Education, 2(1), 349-356. https://doi.org/10.1515/cplbu-2017-0046

Burgos, C., Campanario, M. L., Peña, D., Lara, J. A., Lizcano, D. y Martínez, M. A. (2018). Data mining for modeling students’ performance: a tutoring action plan to prevent academic dropout. Computers and Electrical Engineering, 66, 541-556. https://doi.org/10.1016/j.compeleceng.2017.03.005

Camacho, M., Montalvo, A. y Galezo, P. (2019). Determinantes de la deserción estudiantil en estudiantes universitarios. Panorama Económico, 27(1), 134 -162. https://cutt.ly/1nrbc74

Carvajal, C. M., González, J. A. y Sarzoza, S. J. (2018). Variables sociodemográficas y académicas explicativas de la deserción de estudiantes en la facultad de ciencias naturales de la Universidad de Playa Ancha (Chile). Formación Universitaria, 11(2), 3-12. https://doi.org/10.4067/s0718-50062018000200003

Casanova, J. R., Cervero, A., Núñez, J. C., Almeida, L. S. y Bernardo, A. (2018). Factors that determine the persistence and dropout of university students. Psicothema, 30(4), 408-414. https://doi.org/10.7334/psicothema2018.155

Castro-Montoya, B. A., Manrique-Hernández, R. D., Gonzalez-Gómez, D. y Segura-Cardona, A. M. (2020). Trayectoria académica y factores asociados a graduación, deserción y rezago en estudiantes de programas de pregrado de una universidad privada de Medellín (Colombia). Formacion Universitaria, 13(1), 43-54. https://doi.org/10.4067/S0718-50062020000100043

Díaz, A., Pérez, M. V., Bernardo, A. B., Fernández, A. C. y González, J. A. (2019) Affective and cognitive variables involved in structural prediction of university dropout. Psicothema, 31(4), 429-436. https://doi.org/10.7334/psicothema2019.124

Donoso-Díaz, S., Neira, T. y Donoso, G. (2018). Sistemas de alerta temprana para estudiantes en riesgo de abandono de la educación superior. Ensaio: Avaliação e Políticas Públicas Em Educação, 26(100), 944-967. https://doi.org/10.1590/s0104-40362018002601494

Fernández-Chinguel, J. E. y Díaz-Vélez, C. (2016). Factores asociados a la deserción en estudiantes de medicina en una universidad peruana. Educacion Médica Superior, 30(1). https://ems.sld.cu/index.php/ems/article/view/740/322

Fernández-Martín, T., Solís-Salazar, M., Hernández-Jiménez, M. T. y Moreira-Mora, T. E. (2019). A multinomial and predictive analysis of factors associated with university dropout. Revista Electrónica Educare, 23(1), 1-25. https://doi.org/10.15359/ree.23-1.5

Ferreira, M. M., Avitabile, C., Botero, J., Haimovich, F. y Urzúa, S. (2017). Momento decisivo: la educación superior en América Latina y el Caribe. Banco Mundial. http://hdl.handle.net/10986/26489

Forero, L. D., Piñeros, Y. F. y Rodríguez, J. J. (2019). Machine learning for the identification of students at risk of academic desertion. En L. Uden, D. Liberona, G. Sanchez, S. Rodríguez-González (Eds.), Learning Technology for Education Challenges. LTEC 2019. Communications in computer and information science (vol 1011, pp. 462-473). Springer. https://doi.org/10.1007/978-3-030-20798-4_40

Gallegos, J. A., Campos, N. A., Canales, K. A. y González, E. N. (2018). Factores determinantes en la deserción universitaria. Caso Facultad de Ciencias Económicas y Administrativas de la Universidad Católica de la Santísima Concepción (Chile). Formación Universitaria, 11(3), 11-18. https://doi.org/10.4067/s0718-50062018000300011

García de Fanelly, A. (2019). Panorama de la Educación Superior en Iberoamérica. Panorama, portal a la educación. Red Índice-OEI. https://cutt.ly/PnwEEGB

Gironés, J., Casas, J., Minguillón, J. y Caihuelas, R. (2017). Minería de datos: modelos y algoritmos. Universitat Oberta de Catalunya.

González, L. E. y Espinoza, O. (2016). Deserción en educación superior en América Latina y el Caribe. Paideia, Revista De Educación, 45, 33 -46. https://cutt.ly/FnwElzj

Hernandez, A. G., Melendez, R. A., Morales, L. A., Garcia, A., Tecpanecatl, J. L. y Algredo, I. (2016). Comparative study of algorithms to predict the desertion in the students at the ITSM-Mexico. IEEE Latin America Transactions, 14(11), 4573 -4578. https://doi.org/10.1109/TLA.2016.7795831

Hernandez, E. J., Duque, N., Quintero, D. P., Escobar, J. C. y Ramirez, J. (2018). Educational data mining for the analysis of student desertion. https://cutt.ly/inwEvaa

Hernández-Jiménez, M. T., Moreira-Mora, T. E., Solís-Salazar, M. y Fernández-Martín, T. (2019). Estudio descriptivo de variables sociodemográficas y motivacionales asociadas a la deserción: la perspectiva de personas universitarias de primer ingreso. Revista Educación, 44(1), 108-127. https://doi.org/10.15517/revedu.v44i1.37247

Hori, G. (2018). Identifying factors contributing to university dropout with sparse logistic regression. 2018 7th International Congress on Advanced Applied Informatics (IIAI-AAI), 430-433. https://doi.org/10.1109/IIAI-AAI.2018.00091

Hutagaol, N. y Suharjito, S. (2019). Predictive modelling of student dropout using ensemble classifier method in higher education. Advances in Science, Technology and Engineering Systems, 4(4), 206 -211. https://doi.org/10.25046/aj040425

Kemper, L., Vorhoff, G. y Wigger, B. U. (2020). Predicting student dropout: a machine learning approach. European Journal of Higher Education, 10(1), 28-47. https://doi.org/10.1080/21568235.2020.1718520

Lázaro, N., Callejas, Z. y Griol, D. (2020). Factores que inciden en la deserción estudiantil en carreras de perfil Ingeniería Informática. Revista Fuentes, 22(1), 105 -126. https://doi.org/10.12795/revistafuentes.2020.v22.i1.09

León, G. de la C. y Viña, S. M. (2017). La inteligencia artificial en la educacion superior. Oportunidades y amenazas. INNOVA Research Journal, 2(8), 412 -422. https://doi.org/10.33890/innova.v2.n8.1.2017.399

Liz-Domínguez, M., Caeiro-Rodríguez, M., Llamas-Nistal, M. Y Mikic-Fonte, F. A. (2019). Systematic literature review of predictive analysis tools in higher education. Applied Sciences, 9(24), 1-26. https://doi.org/10.3390/app9245569

Manrique, R., Nunes, B. P., Marino, O., Casanova, M. A. y Nurmikko-Fuller, T. (march, 2019). An analysis of student representation, representative features and classification algorithms to predict degree dropout. LAK19: Proceedings of the 9th International Conference on Learning Analytics & Knowledge (pp. 401 -410). https://doi.org/10.1145/3303772.3303800

Ministerio de Educación Nacional. (2008). Deserción estudiantil en la educación superior colombiana. Elementos para su diagnóstico y tratamiento. Ministerio de Educación Nacional. Colombia. https://cutt.ly/InwRvLz

Miranda, M. A. y Guzmán, J. (2017). Análisis de la deserción de estudiantes universitarios usando técnicas de minería de datos. Formacion Universitaria, 10(3), 61-68. https://doi.org/10.4067/S0718-50062017000300007

Munizaga, F. R., Cifuentes, M. B. y Beltrán, A. J. (2018). Retención y abandono estudiantil en la educación superior universitaria en América Latina y el Caribe: una revisión sistemática. Education Policy Analysis Archives, 26, 61. https://doi.org/10.14507/epaa.26.3348

OECD. (2016). Education in Colombia. Reviews of National Policies for Education. https://www.oecd.org/colombia/education-in-colombia-9789264250604-en.htm

Ortiz-Lozano, J. M., Rua-Vieites, A., Bilbao-Calabuig, P. y Casadesús-Fa, M. (2018). University student retention: best time and data to identify undergraduate students at risk of dropout. Innovations in Education and Teaching International, 57(1), 74 -85. https://doi.org/10.1080/14703297.2018.1502090

Pérez, A., Grandón, E. E., Caniupán, M. y Vargas, G. (nov, 2018). Comparative analysis of prediction techniques to determine student dropout: logistic regression vs decision trees. 2018 37th International Conference of the Chilean Computer Science Society (SCCC), 1-8. https://doi.org/10.1109/SCCC.2018.8705262

Pérez, B., Castellanos, C. y Correal, D. (mayo de 2018). Applying data mining techniques to predict student dropout: a case study. 2018 IEEE 1st Colombian Conference on Applications in Computational Intelligence (ColCACI), 1-6. https://doi.org/10.1109/ColCACI.2018.8484847

Ramírez, T., Díaz, R. y Salcedo, A. (2016). El Uso de los términos abandono y deserción estudiantil y sus consecuencias al momento de definir políticas institucionales. Congreso CLABES VI, Quito,Ecuador. https://revistas.utp.ac.pa/index.php/clabes/article/view/1391

Romero, J., Dafonte, C., Gómez, Á. y Penousal, F. (2007). Inteligencia Artificial y computación avanzada. Colección Informática.

Rueda, S. M., Urrego, D., Páez, E., Velásquez, C. y Hernández, E. M. (2020). Perfiles de riesgo de deserción en estudiantes de las sedes de una universidad colombiana. Revista De Psicología, 38(1), 275-297. https://doi.org/10.18800/psico.202001.011

Serra, A., Perchinunno, P. y Bilancia, M. (julio 2-5 de 2018). Predicting student dropouts in higher education using supervised classification algorithms. En O. Gervasi et al. (Eds.), Computational science and its applications- ICCSA 2018. Lecture Notes in Computer Science (vol. 10962, pp. 18-33). Springer. https://doi.org/10.1007/978-3-319-95168-3_2

Silva, J., Arrieta, L., Mosquera, C., Vargas C., Barrios, R., Orellano, N. y Pineda, O. (2020). Prediction of academic dropout in university students using data mining: engineering Case. En V. Gunjan, S. Senatore, A. Kumar, XZ. Gao y S. Merugu (Eds.), Advances in cybernetics, cognition, and machine learning for communication technologies. Lecture Notes in Electrical Engineering (vol. 643, pp. 495-500). Springer. https://doi.org/10.1007/978-981-15-3125-5_17

Silva, J., Castro, A., María, N., Márquez, N., Cadavid, W., Hernández, H., Navarro, J., de la Hoz, J. y Romero, L. (2019). Data mining to identify risk factors associated with university students dropout. In: Y. Tan, & Y. Shi (eds), Data Mining and Big Data. DMBD 2019. Communications in Computer and Information Science (vol. 1071, pp. 44-52). Springer. https://doi.org/10.1007/978-981-32-9563-6_5

Sultana, S., Khan, S. y Abbas, M. A. (2017). Predicting performance of electrical engineering students using cognitive and non-cognitive features for identification of potential dropouts. International Journal of Electrical Engineering Education, 54(2), 105-118. https://doi.org/10.1177/0020720916688484

Timaran, R. y Caicedo, J. (2017). Application of decision trees for detection of student dropout profiles. 16th IEEE International Conference on Machine Learning and Applications (ICMLA), 528 -531. https://doi.org/10.1109/ICMLA.2017.0-107

Tipismana, O. (2019). Factores de resiliencia y afrontamiento como predictores del rendimiento académico de los estudiantes en universidades privadas. Revista Iberoamericana sobre Calidad, Eficacia y Cambio en Educacion, 17(2), 147-185. https://revistas.uam.es/reice/article/view/reice2019.17.2.008

Vargas, M. y Montero, E. (2016). Factores que determinan el rendimiento académico en matemáticas en el contexto de una universidad tecnológica: aplicación de un modelo de ecuaciones estructurales. Universitas Psychologica, 15(4), 1-11. https://doi.org/10.11144/Javeriana.upsy15-4.fdra

Vila, D., Cisneros, S., Granda, P., Ortega, C., Posso, M. y García, I. (2019, agosto 29-31). Detection of desertion patterns in university students using data mining techniques: a case study [Revised Selected Papers 4]. Technology Trends: 4th International Conference, CITT. Babahoyo, Ecuador.

Viloria, A., García, J., Vargas-Mercado, C., Hernández-Palma, H., Orellana, N. y Arrozola, M. (2019). Integration of data technology for analyzing university dropout. Procedia Computer Science, 155, 569-574. https://doi.org/10.1016/j.procs.2019.08.079

Viloria, A., Sierra, D., Garcia, M., Basto, W., Pichón, A., Hernández, H., Diago, V. y Kamatkar, S. (2020). Dropout-Permanence Analysis of University Students Using Data Mining. Intelligent Computing, Information and Control Systems, 1, 374-383. https://doi.org/10.1007/978-3-030-30465-2_42

Zaria, C., Arce, C., y Lam, J. (2016). Estudio de variables que influyen en la deserción de estudiantes universitarios de primer año , mediante minería de datos. Ciencia Amazónica, 6(1), 73 -84. https://doi.org/10.22386/ca.v6i1.110