Explanatory Factors of University Dropout Explored Through Artificial Intelligence
DOI:
https://doi.org/10.24320/redie.2023.25.e18.4455Keywords:
dropping out, dropout rate, college students, artificial intelligenceSupporting Agencies:
Universidad Católica Luis AmigoAbstract
This paper identifies key research on the factors that help to explain university dropout and how these factors are being explored by means of artificial intelligence (AI). The study describes the methodology employed to select 31 papers from a repository of 2,745 reported in the literature. The analysis centered on the main AI methods used and four categories of explanatory factors of university dropout: academic factors; factors associated with motivation and study habits; institutional factors; and economic and sociodemographic factors. The conclusion drawn from this literature review is that AI is most commonly used for decision tree-based classification, and most studies focus on predicting university dropout on the basis of explanatory factors.
Downloads
References
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
Downloads
-
HTML
-
PDF
-
XML
-
EPUB
-
ABSTRACT AUDIOSPANISH 684
Article abstract page views: 2824
Published
2023-06-29License
Copyright (c) 2023 Revista Electrónica de Investigación Educativa
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.