Resumen de University dropout: Prevention patterns through the application of educational data mining

Argelia Berenice Urbina Nájera, José Carlos Camino Hampshire, Raúl Cruz Barbosa

• español

  Recientemente, el uso de técnicas de minería de datos educativa ha cobrado gran relevancia al aplicarlas en la predicción del desempeño, creación de modelos predictivos de retención, perfiles de comportamiento, fracaso escolar, entre otros. En este trabajo se presenta la aplicación del algoritmo selección de atributos para identificar los factores más importantes que inciden en la decisión de desertar; también, se utilizan árboles de decisión para definir patrones que pueden alertar una inminente deserción. Se adaptó un instrumento y se administró vía web a 300 estudiantes de IES pública y 200 estudiantes de IES privada actualmente inscritos en algún programa de nivel superior. Mediante el algoritmo selección de atributos se encontraron 27 factores relevantes, dentro de los tres factores principales se reconocen la falta de asesorías, la falta de un ambiente estudiantil adecuado y la falta de seguimiento académico, mientras que, por medio del árbol de decisión se encontraron 7 patrones, en donde uno de ellos incluye factores como: ambiente estudiantil, apoyos financieros insuficientes, experiencia de una situación incómoda, lugar que ocupa la elección de la carrera, entre otros. Finalmente, se ha visto que la deserción escolar no depende de un solo factor, sino que es multifactorial y que es imperativo ampliar la muestra a otras ciudades de manera que se puedan aplicar diversos algoritmos que proporcionen mayor información que conduzcan al establecimiento de mecanismos certeros para disminuir los índices de deserción universitaria en función de las características de la población estudiantil según la región.

• English

  Recently, the use of educational data mining techniques has gained great relevance when applied to performance prediction, creation of predictive retention models, behaviour profiles and school failure, amongst others. For the present paper we applied an attribute selection algorithm to identify the most important factors influencing drop out decision. Decision trees were used to define patterns that can alert an imminent dropout. A tool was adapted and administered online to 300 students from public HEIs, and 200 students from private HEIs currently enrolled on a higher education program. By means of the attribute selection algorithm, 27 relevant factors were found. Within the three main factors, the lack of counselling, an adequate student environment and academic follow-up were recognized, whilst, 7 patterns were found through the decision tree. These included factors such as: student environment, insufficient financial support, experience of an uncomfortable situation and place of career choice, amongst others. Finally, it has been seen that school drop-out does not depend on a single factor but is multifactorial. It is imperative to expand the sample to include other cities. This will enable various algorithms to be applied, providing greater information and leading to the establishment of accurate mechanisms for reducing university drop-out rates, according to the characteristics of the student population in each region.