DOI:
https://doi.org/10.14483/2322939X.4687Publicado:
2013-10-16Número:
Vol. 10 Núm. 1 (2013)Sección:
Entorno SocialDESCUBRIMIENTO DE PERFILES DE DESERCIÓN ESTUDIANTIL CON TÉCNICAS DE MINERÍA DE DATOS
Palabras clave:
Descubrimiento de perfiles, deserción estudiantil, minería de datos, clasificación, agrupamiento. (es).Descargas
Resumen (es)
En este artículo se presentan los resultados de un proyecto de investigación, cuyo objetivo fue detectar patrones de deserción estudiantil utilizando técnicas de minería de datos, y tomando como referente datos socioeconómicos, académicos, disciplinares e institucionales de los estudiantes de los programas de pregrado de la Universidad de Nariño y la Institución Universitaria IUCESMAG de la ciudad de Pasto (Colombia). Se construyó así, un repositorio de datos con la información de los estudiantes que ingresaron a la Universidad de Nariño entre el primer semestre de 2004 y el segundo semestre de 2006, con una ventana de observación hasta el 2011. Utilizando técnicas de clasificación y clustering, se descubrieron perfiles socioeconómicos y académicos de los estudiantes que desertan. El conocimiento generado permitirá soportar la toma de decisiones eficaces por parte de las directivas universitarias, enfocadas a formular políticas y estrategias relacionadas con los programas de retención estudiantil.
Referencias
Chen, M.; Han, J. & Yu, P. Data mining: An overview from database perspective. IEEE Transactions on Knowledge and Data Engineering. Vol. 8, No. 6. pp. 866-883. 1996.
Garcia Morate, D. Manual de Weka. Recuperado de: http://www.metaemotion.com/diego.garcia.morate/download/ weka.pdf.
Hernández, O.J.; Ramírez, Q.M. O& Ferri, R.C. Introducción a la minería de datos. Madrid (España): Pearson Prentice Hall, 2005.
Ministerio de Educación Nacional. América Latina piensa la deserción. En: Boletín informativo Educación Superior. No 7, p 14. Bogotá: Ministerio de Educación Nacional, 2006.
Ministerio de Educación Nacional. Deserción estudiantil: prioridad en la agenda. En: Boletín informativo Educación Superior. No 7, p. 1. Bogotá: Ministerio de Educación Nacional, 2006b.
Ministerio de Educación Nacional. Deserción estudiantil en la educación superior colombiana: metodología de seguimiento, diagnóstico y elementos para su prevención. Bogotá: Ministerio de Educación Nacional, 2009.
Quinlan, J. R. C4.5: Programs for Machine Learning. San Francisco: Morgan Kaufmann Publishers. 1993.
Sattler, K. & Dunemann, O. SQL Database Primitives for Decision Tree Classifiers. In: The 10th ACM International Conference on Information and Knowledge Management - CIKM, (5- 10/11/2001), Atlanta, Georgia (USA): ACM. Proceedings, 2001.
Universidad Pedagógica Nacional. La deserción estudiantil: reto investigativo y estratégico asumido de forma integral por la UPN. En: Encuentro Internacional sobre Deserción en Educación Superior: experiencias significativas. Bogotá: Ministerio de Educación Nacional, 2005. Disponible en: http:// www.mineducacion.gov.co/1621/articles-85600_Archivo_pdf3.pdf. Consultado: 15/06/ 2012.
Valero, Sergio. Aplicación de técnicas de minería de datos para predecir la deserción. Izúcar de Matamoros, Puebla: Universidad Tecnológica de Izúcar de Matamoros. 2009. Disponible en: http://www.utim.edu.mx/~svalero/docs/MineriaDesercion.pdf.
Valero, S.; Salvador, A. & García, M. Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos [en línea]. Izúcar de Matamoros, Puebla: Universidad Tecnológica de Izúcar de Matamoros, 2010. Disponible en: http://www.utim.edu.mx/~svalero/docs/e1.pdf.
Wang, M.; Iyer, B. & Scott, V., J. Scalable mining for classification rules in relational databases. In: International Database Engineering and Application Symposium, IDEAS 98, Cardiff: IEEE Computer Society. p. 58-67. 1998.
2.png)
