Resumen de Profiling and Archetyping of Higher Education Applicants Using Intelligent Data Analysis Techniques

Cindy Espinoza, Jesús Carretero

• español

  La deserción estudiantil es un desafío importante en la educación superior, ya que genera frustración en la sociedad y desperdicia recursos. Como resultado, la retención estudiantil constituye un desafío constante para las instituciones de educación superior en todo el mundo. Este trabajo se centra en la pregunta: ¿Es posible aplicar técnicas inteligentes de análisis predictivo de datos para reducir la tasa de abandono escolar en universidades públicas y privadas? Para responder a esta pregunta, hemos adoptado un enfoque metodológico exploratorio basado en datos históricos de aproximadamente 13.715 solicitantes que posteriormente se convirtieron en estudiantes universitarios. A diferencia de otras investigaciones, basadas en datos y estadísticas disponibles públicamente, nuestro trabajo se basa en cinco a˜ nos de datos reales de estudiantes, cuyo comportamiento se ha sintetizado en 27 variables relacionadas con factores socioeconómicos, académicos y familiares. Este trabajo tiene dos contribuciones principales. En primer lugar, proponemos técnicas inteligentes de análisis predictivo de datos y demostramos que es posible perfilar y seleccionar al solicitante de educación superior como estrategia para reducir la tasa de deserción escolar y mejorar su bienestar estudiantil, de modo que la probabilidad de deserción pueda utilizarse como parte de una alerta temprana en el proceso de reclutamiento. En segundo lugar, proponemos una metodología para la segmentación y/o arquetipado de solicitantes, que puede formar parte de una alerta correctiva en el proceso de adaptación. El modelo de perfilado y el arquetipado son replicables en universidades públicas y privadas, ya que utilizamos variables genéricas fácilmente extraíbles que no requieren que la universidad tenga un alto nivel de madurez en los procesos de gestión de datos. Por lo tanto, nuestros resultados contribuyen a la minería de datos educativos (EDM), demostrando que las técnicas inteligentes de análisis predictivo de datos pueden utilizarse para perfilar y arquetipificar a los solicitantes de universidades públicas y privadas para la educación superior. La evaluación de nuestra solución demostró que el modelo de red neuronal perfil´ o a los solicitantes que abandonaron sus estudios con una precisión superior al 97%, tras lo cual se aplicó aprendizaje no supervisado para generar arquetipo

• English

  Student dropout is a significant challenge in higher education, generating frustration in society and wasting resources. As a result, student retention constitutes a constant challenge for higher education institutions everywhere. This work focuses on the question: Can intelligent predictive data analysis techniques be applied to reduce the dropout rate in public and private universities? To answer this question, we have adopted an exploratory methodological approach based on historical data from approximately 13,715 applicants who later became university students. Unlike other research, based on publicly available data and statistics, our work relies on five years of actual data of students whose behavior has been synthesized in 27 variables related to socioeconomic, academic, and family factors and analyzes it. This paper has two main contributions. First, we propose intelligent predictive data analytics techniques and demonstrate that it is possible to profile and target the applicant for higher education as a strategy to reduce the dropout rate and improve their student welfare, so that the dropout probability can be used as part of an early warning in the recruitment process. Second, we propose a methodology for the segmentation and/or archetyping of applicants, which can be part of a corrective alert in the adaptation process. The profiling model and archetyping are replicable in private and public universities since we use easily extractable generic variables that do not require the university to have a high level of maturity in data management processes. Therefore, our results contribute to educational data mining (EDM), demonstrating that intelligent predictive data analysis techniques can be used to profile and archetype private and public university applicants for higher education. The evaluation of our solution proved that the neural network model profiled the dropout applicants with an accuracy higher than up to 97%, after which unsupervised learning was applied to generate archetypes.