Análisis de características que influyen en la deserción estudiantil en el contexto de una universidad latinoamericana
Analysis of characteristics influencing student dropout in the context of a latin american university
Barra lateral del artículo

Términos de la licencia (VER)

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Declaración del copyright
Los autores ceden en exclusiva a la Universidad EIA, con facultad de cesión a terceros, todos los derechos de explotación que deriven de los trabajos que sean aceptados para su publicación en la Revista EIA, así como en cualquier producto derivados de la misma y, en particular, los de reproducción, distribución, comunicación pública (incluida la puesta a disposición interactiva) y transformación (incluidas la adaptación, la modificación y, en su caso, la traducción), para todas las modalidades de explotación (a título enunciativo y no limitativo: en formato papel, electrónico, on-line, soporte informático o audiovisual, así como en cualquier otro formato, incluso con finalidad promocional o publicitaria y/o para la realización de productos derivados), para un ámbito territorial mundial y para toda la duración legal de los derechos prevista en el vigente texto difundido de la Ley de Propiedad Intelectual. Esta cesión la realizarán los autores sin derecho a ningún tipo de remuneración o indemnización.
La autorización conferida a la Revista EIA estará vigente a partir de la fecha en que se incluye en el volumen y número respectivo en el Sistema Open Journal Systems de la Revista EIA, así como en las diferentes bases e índices de datos en que se encuentra indexada la publicación.
Todos los contenidos de la Revista EIA, están publicados bajo la Licencia Creative Commons Atribución-NoComercial-NoDerivativa 4.0 Internacional
Licencia
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-NoDerivativa 4.0 Internacional
Contenido principal del artículo
Resumen
El presente trabajo pretende profundizar en el estudio de la deserción estudiantil universitaria, un problema serio que preocupa a los gobiernos, las instituciones universitarias y estudiantes a nivel mundial. Para lograr lo anterior, este estudio aplica minería de datos con el propósito de analizar la deserción estudiantil en una universidad latinoamericana, basados en el descubrimiento de las características relevantes que tienen mayor incidencia y en la identificación de patrones que faciliten el entendimiento de dicho problema. La metodología empleada se basa en una adaptación de los pasos propuestos por KDD (descubrimiento de conocimiento en bases de datos) y en un diseño de investigación observacional, descriptivo y transversal, con muestreo por conveniencia. La muestra está compuesta por 10705 estudiantes, los cuales se encuentran distribuidos en 7 facultades y 33 programas académicos de pregrado. Las relaciones predictivas entre la condición de estudiante desertor y las características influyentes, se han sometido a verificación mediante un modelo basado en árbol de decisión. Como resultado de este trabajo, se identifican algunas técnicas y métodos comúnmente empleados para este tipo de estudios y se desarrolla un método para identificar patrones de relaciones entre las características más influyentes en el fenómeno de la deserción. Se encontró que las principales características influyentes en este tipo de deserción se refieren a estrato socioeconómico, género, situación laboral y promedio acumulado. Un aspecto a resaltar es la coincidencia de los hallazgos de este trabajo con los resultados de otros trabajos similares a nivel mundial, en los cuales se identificó el rendimiento académico como un factor fundamental que incide en la deserción universitaria. Se concluye que la deserción estudiantil universitaria no depende de una sola característica, sino que es causada por un conjunto de características y su interrelación.
Descargas
Detalles del artículo
Luis Fernando Castro Rojas, Universidad del Quindío - Colombia
ormación AcadémicaDOCTORADO EN INGENIERIA DE SISTEMAS
Agostode2010 - Noviembrede 2015
Ingeniería de Sistemas y Computación
Agostode2010 - Abrilde 2013
INSTRUMENTACION FISICA
Enerode2007 - Juniode 2009
Especializacion En Instumentacion Fisica
Enerode2000 - Diciembrede 2001
Ingenieria de Sistemas
Enerode1991 - Enerode 1996
Referencias (VER)
Ayala, E., López, R. & Menéndez, V. (2021). Modelos predictivos de riesgo académico en carreras de computación con minería de datos educativos. Revista de Educación a Distancia (RED), 21(66), 1-36. https://doi.org/10.6018/red.463561
Bakhshinategh, B., Zaiane, O. R., Elatia, S., & Ipperciel, D. (2018). Educational data mining applications and tasks: a survey of the last 10 years. Education and Information Technologies, 23(1), 537–553. https://doi.org/10.1007/s10639-017-9616-z
Castro, L. F., Espitia, E. & Cardona, S. (2019). Analysis of Student Desertion in a Systems and Computing Engineering Undergraduate Program. Revista Colombiana de Computación, 20(1), 72-82. https://doi.org/10.29375/25392115.3608
Castro, L. F., Espitia, E. & Mantilla, A. (2018). Applying CRISP-DM in a KDD Process for the Analysis of Student Attrition.
Communications in Computer and Information Science, 885, 386-401. https://doi.org/10.1007/978-3-319-98998-3_30
Castrillón-Gómez, O. D., Sarache W., & Ruiz-Herrera, S. (2020). Predicción de las principales variables que conllevan al abandono estudiantil por medio de técnicas de minería de datos. Formación Universitaria, 13(6), 217-228. http://dx.doi.org/10.4067/S0718-50062020000600217
Clerici, R., & Da Re, L. (2019). Evaluación de la eficacia de un programa de tutoría formativa. Revista de Investigación Educativa, 37(1), 39-56. http://dx.doi.org/10.6018/rie.37.1.322331
Constante, A., Florenciano, E., Navarro, E. & Fernández, M. (2021). Factores asociados al abandono universitario. Educación XX1, 24(1), 17-44. http://doi.org/10.5944/educXX1.26889
Cuji, B., Gavilanes, W., & Sánchez, R. (2017). Modelo predictivo de deserción estudiantil basado en arboles de decisión. Espacios, 38(55), 19-25. https://www.revistaespacios.com/a17v38n55/a17v38n55p17.pdf
Ghazal, M. & Hammad, A. (2022) Application of knowledge discovery in database (KDD) techniques in cost overrun of construction projects. International Journal of Construction Management, 22(9), 1632-1646. https://doi.org/10.1080/15623599.2020.1738205.
Gupta, B., Rawat, A., Jain, A., Arora, A., & Dhami, N. (2017). Analysis of Various Decision Tree Algorithms for Classification in
Data Mining. International Journal of Computer Applications, 163(8), 15-19. https://doi.org/10.5120/ijca2017913660
Hatos, A., Coloja, R. & Sava, A. (2020). Assessing Situational Awareness of Universities Concerning Student Dropout: A Web-Based Content Analysis of Romanian Universities’ Agenda. Journal of Research in Higher Education, 4 (2), 18-34. https://doi.org/10.24193/JRHE.2020.2.2
Hernández, R., Fernández, C., & Baptista, M. (2014). Metodología de la Investigación. McGraw Hill Educación.
Kumar, M., Singh, A. J., & Handa, D. (2017). Literature Survey on Student’s Performance Prediction in Education using Data Mining Techniques. International Journal of Education and Management Engineering, 6, 40-49. https://doi.org/10.5815/ijeme.2017.06.05
Ministerio de Educación Nacional. (2021). Estadísticas de deserción y permanencia en educación superior, históricos indicadores 2010-2018. https://www.mineducacion.gov.co/sistemasdeinformacion/1735/articles-357549_recurso_7.pdf
Munizaga, F., Cifuentes, M., & Beltrán, A. (2018). Retención y abandono estudiantil en la Educación Superior Universitaria en América Latina y el Caribe: Una revisión sistemática. Archivos Analíticos de Políticas Educativas, 26(61), 1-36. http://dx.doi.org/10.14507/epaa.26.3348
Oficina Europea de Estadística. (2020). Early leavers from education and training. [Mensaje en un blog]. Blog Eurostat. https://ec.europa.eu/eurostat/statistics-explained/index.php/Early_leavers_from_education_and_training#Overview
Oñate, A. A. (2016). Análisis de la Deserción y Permanencia Académica en la Educación Superior Aplicando Minería de datos. [Tesis de Maestría, Universidad Nacional de Colombia]. Repositorio Universidad Nacional. https://repositorio.unal.edu.co/handle/unal/57387
Pando, A. & Zarate, W. (2020). Aplicación de un modelo de minería de datos para identificación de patrones que influyen en la deserción académica en el instituto superior Leonardo Davinci. [Trabajo de grado, Universidad Privada Antenor Orrego]. Repositorio de Tesis UPAO. https://hdl.handle.net/20.500.12759/7033
Proyecto ALFA-GUIA. (2013). Marco Conceptual sobre el Abandono. https://documentop.com/marco-conceptual-abandono-proyecto-alfa-guia_59fbf0b21723dda8a11794fa.html.
Quiñones, L., Jara, D., Alvarado, N., Milla, M. & Gamarra, O. (2020). Modelo para la estimación de la deserción estudiantil Awajún y Wampis empleando minería de datos. RECyT, 34, 45–50. https://doi.org/10.36995/j.recyt.2020.34.006
Ramírez, P., & Grandón, E. (2018). Predicción de la deserción académica en una universidad pública chilena a través de la clasificación basada en árboles de decisión con parámetros optimizados. Formación Universitaria, 11(3), 3–10. http://dx.doi.org/10.4067/S0718-50062018000300003
Ramírez, V. (2021). Deserción estudiantil y el costo económico en universidades chilenas. [Tesis de Maestría, Universidad del Bio-Bio]. Repositorio digital Universidad del Bio-Bio. http://repobib.ubiobio.cl/jspui/handle/123456789/3609
Sharma, H., & Kumar, S. (2016). A Survey on Decision Tree Algorithms of Classification in Data Mining. International Journal of Science and Research, 5 (4), 2094-2097. https://doi.org/10.21275/v5i4.NOV162954
Urbina-Nájera, A. B., Camino-Hampshire, J. C., & Cruz-Barbosa, R. (2020). Deserción escolar universitaria: Patrones para prevenirla aplicando minería de datos educativa. RELIEVE, 26(1), 1-21. http://doi.org/10.7203/relieve.26.1.16061
Vásquez, J. (2016). Modelo predictivo para estimar la deserción de estudiantes en una Institución de Educación Superior. [Tesis de Maestría, Universidad de Chile]. Repositorio Académico de la Universidad de Chile. http://repositorio.uchile.cl/handle/2250/144169
Vicente, V. X. (2020). Aplicación de la técnica de minería de datos para la predicción de la deserción estudiantil universitaria. [Trabajo de grado, Universidad Técnica de Ambato]. Repositorio Universidad Técnica de Ambato. https://repositorio.uta.edu.ec/jspui/bitstream/123456789/30892/1/Victor%20Xavier%20Vicente%20Guerrero..pdf
Vila, D. (2019). Detección de patrones de deserción estudiantil utilizando técnicas predictivas de clasificación y regresión de minería de datos. [Trabajo de grado, Universidad Técnica del Norte]. Repositorio Digital Universidad Técnica del Norte.
http://repositorio.utn.edu.ec/handle/123456789/9095
Villalobos, L. R. (2017). Enfoques y diseños de investigación social: cuantitativos, cualitativos y mixtos. EUNED.
Artículos similares
- Eduardo Aguilar-Vásquez, Miguel Ramos-Olmos, Ángel Darío González Delgado, Social Impacts Assessment of PVC Resin Production Process Via Joint Social Life Cycle Analysis and Theory of Change , Revista EIA: Vol. 22 Núm. 43 (2025): Tabla de contenido Revista EIA No. 43
También puede {advancedSearchLink} para este artículo.