Este artículo presenta el desarrollo de un modelo para predecir, de manera temprana y oportuna, casos de estudiantes que muestren un potencial riesgo de deserción escolar, mediante el uso de técnicas de minería de datos. La deserción escolar a nivel superior es un problema multifactorial y complejo de analizar por la intervención de elementos de diversa índole, como factores familiares, académicos, educacionales, la situación económica familiar, las habilidades intelectuales de los estudiantes o la didáctica de los profesores. Este gran volumen de información a analizar no es fácilmente manejable con técnicas estadísticas tradicionales, sino que se precisa buscar estrategias que permitan operar con los bancos de datos de modo más eficiente y rápido. En el desarrollo de la propuesta se aplicó de una manera novedosa la minería de datos, para explorar los cambios en los comportamientos de los estudiantes, vinculados a diferentes causas de abandono escolar, utilizando la metodología CRISP-DM, con datos de 1,374 estudiantes de una institución de educación superior. Los resultados muestran las técnicas utilizadas para identificar y seleccionar factores asociados a la deserción estudiantil y los algoritmos para generar los modelos predictivos, de los cuáles pudo seleccionarse el más preciso, con mayor puntuación y facilidad de interpretación.
This article presents the development of a model to predict, in an early and timely manner, cases of students who show a potential risk of dropping out of school, through the use of data mining techniques. High school dropout is a multifactorial and complex problem to analyze due to the intervention of diverse elements, such as family, academic, educational factors, the family economic situation, the intellectual abilities of the students or the didactics of the teachers. This large volume of information to be analyzed is not easily manageable with traditional statistical techniques, but it is necessary to find strategies that allow operating with data banks more efficiently and quickly. In the development of the proposal, data mining was applied in a novel way to explore changes in student behaviors, linked to different causes of school dropout, using the CRISP-DM methodology, with data from 1,374 students from an institution of higher education. The results show the techniques used to identify and select factors associated with student dropout, and the algorithms to generate predictive models, from which the most precise one could be selected, with the highest score and ease of interpretation.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados