Detección de patrones de deserción en Ingeniería del CUNOC con árboles de decisión

• Mario Moisés Ramírez Tobar ^[1]
  1. [1] Universidad de San Carlos de Guatemala

     Universidad de San Carlos de Guatemala

     Guatemala

     
• Localización: Computación para el desarrollo - XVIII Congreso: actas del XVIII Congreso Iberoamericano de Computación para el Desarrollo (COMPDES 2025) / Luis Bengochea Martínez (ed. lit.), Daniel Meziat Luna (ed. lit.), Oscar Gerardo López Villegas (ed. lit.), 2026, ISBN 979-13-88138-54-6, págs. 55-59
• Idioma: español
• Títulos paralelos:
  • Detection of dropout patterns in CUNOC Engineering with decision trees
• Enlaces
  • Texto Completo Libro
• Resumen
  • español

    Este artículo toma de base un estudio hecho en la maestría de ciencia de datos de la USAC, el cuálaborda la detección de patrones de deserción estudiantil en la división de ingeniería del Centro Universitario deOccidente (CUNOC) de la Universidad de San Carlos de Guatemala, donde se emplearon árboles de decisiónimplementados con Scikit-learn. Se utilizó un conjunto de datos de 4,415 estudiantes y 146,255 registros de notas,de estudiantes que ingresaron desde el 2014 al 2024, se realizó un análisis exploratorio y transformación devariables, entre ellas el estado del estudiante (desertor, cierre, activo), tiempo de estudio, tipo de actas ydesempeño académico. Se implementaron múltiples configuraciones de árboles de decisión con distintosconjuntos de datos para identificar factores predictivos. Los resultados muestran que la deserción se concentraen los primeros años, y que el número de actas es determinante, independientemente del tipo.

  • English

    This article based in investigation into data science degree in the USAC, addresses the detection ofstudent dropout patterns in the engineering division of the Centro Universitario de Occidente (CUNOC) ofUniversidad de San Carlos de Guatemala, using decision trees implemented with Scikit-learn. A dataset of 4,415students and 146,255 grade records was used, covering students who enrolled between 2014 and 2024. Anexploratory analysis and variable transformation were carried out, including student status (dropout,completion, active), study duration, types of grade records, and academic performance. Multiple decision treeconfigurations were implemented with different datasets to identify predictive factors. The results show thatdropout is concentrated in the early years and that the number of grade records is a determining factor,regardless of their type.