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

Palavras-chave:

evasão escolar, taxa de evasão , estudante universitário, inteligência artificial

Agências de fomento:

Universidad Católica Luis Amigo

Resumo

Este artigo identifica os principais estudos relacionados aos fatores que contribuem para explicar a evasão universitária e como eles são abordados a partir do campo da inteligência artificial (IA). O estudo descreve a metodologia adotada para selecionar 31 documentos de um repositório de 2745 relatados na literatura. A análise foi realizada a partir dos principais métodos de IA adotados, bem como dos fatores explicativos da evasão universitária agrupados em quatro categorias: acadêmica, relacionada com a motivação e hábitos de estudo, institucional, e econômica e sociodemográfica. A revisão da literatura permite concluir que a tarefa mais comum da IA é a classificação por meio de árvores de decisão e que a maioria dos trabalhos prevê a evasão universitária a partir dos fatores que a explicam.

Downloads

Não há dados estatísticos.

Referências

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