Resumen de Proceso KDD como apoyo a las estrategias del proyecto SARA (Sistema de Acompañamiento para el Rendimiento Académico)

Leidy Carolina Calvache Fernandez, Valentina Álvarez Vallejo, Jorge Iván Triviño Arbelaez

• español

  Uno de los principales problemas que enfrenta Colombia en cuanto a la educación, concierne a los altos índices de deserción estudiantil en la Educación Superior, según fuentes del Ministerio de Educación Nacional, de cada cien estudiantes que ingresan a la educación superior cerca de la mitad no logran concluir su propósito educativo [1]. En este trabajo se presenta el proyecto SARA (Sistema de Acompañamiento para el Rendimiento Académico), proyecto creado por el programa de Ingeniería de Sistemas y Computación de la Universidad del Quindío, además de un análisis y propuesta de incluir el proceso denominado KDD (Knowledge Discovery in Databases), como un soporte de análisis de datos, consiguiendo así definir estrategias que ayuden en la intervención de la vida académica de los estudiantes, a través de la inclusión de técnicas de minería de datos para identificar patrones que permitan caracterizar o predecir posibles casos de deserción dentro del programa.

• English

  One of the most important problems which is facing our country about education, it is regarding the high indicators of students dropout in universities. According to the sources of the Ministry of National Education, almost fifty percent of the students who enter to university don’t manage to finish their studies. In this study, it is showing the SARA project (Accompaniment System for the Academic Performance), this project was created by the computer science and system engineering program at the Quindío University as well as a proposal to include the process called KDD (Knowledge Discovery in Databases) to support the data analysis, therefore, strategies are defined in order to help to intervene in the academic life of students throughout the use of data mining techniques to identify patterns which allow to profile or predict different cases of dropout inside of the program.