Aplicación de técnicas de minería web para la predicción temprana del riesgo de abandono en la educación superior a distancia

• David Lizcano ^[1]
  1. [1] Universidad a Distancia de Madrid

     Universidad a Distancia de Madrid

     Madrid, España

     
• Localización: Edunovatic 2018. Conference Proceedings: 3rd Virtual International Conference on Education, Innovation and ICT. 17-19 December, 2018, 2019, ISBN 978-94-92805-08-9, págs. 271-274
• Idioma: español
• Enlaces
  • Texto Completo Libro (pdf)
• Resumen

  • Los actuales sistemas educativos a distancia han vivido una incipiente proliferación y expansión en los últimos años, fruto de la cual no obstante han surgido numerosos retos a resolver. Uno de ellos consiste en realizar un buen trabajo de tutoría que evite el abandono estudiantil tan elevado que arrastra este tipo de metodologías. En este trabajo, se propone el uso de técnicas de descubrimiento de conocimiento en bases de datos (KDD del inglés. Knowledge Discovery in Databases) para analizar los datos históricos de los cursos de los estudiantes con el fin de predecir en tiempo real si un estudiante abandonará un curso o no. Para la clasificación se utilizan modelos de regresión logística. Los experimentos realizados con datos de más de 100 alumnos en varios cursos reales de formación a distancia confirman el poder predictivo de la propuesta en términos de precisión (97,13%), que supera a otros enfoques existentes. Utilizando los modelos predictivos se ha diseñado un plan de acción tutorial basado en la intervención del profesorado en momentos puntuales del semestre con el objetivo de recuperar aquellos estudiantes que, según dichos modelos, se encontraban en riesgo de deserción escolar. Aplicando dicho plan, apoyado en los modelos obtenidos, se ha conseguido reducir el abandono en un 44% frente a cursos anteriores.