Registro de fecha
Análisis de las técnicas de Machine Learning para la predicción de deserción de estudiantes Universitarios
Corresponding Author(s) : Juan Ramírez
Investigación y Acción,
Vol. 3 Núm. 2 (2023): Investigación y Acción
Resumen
El machine learning que en español significa maquinas que aprenden, tienen la capacidad de predecir el comportamiento de cualquier sistema. Para llevar acabo machine learning se utilizan diferentes algoritmos que logran desarrollar con éxito lo deseado. Por otro lado, la deserción estudiantil universitaria se entiende como la no culminación de un pregrado o postgrado por abandono definitivo o cambio de carrera, por diferentes factores económico y académicos. La metodología usada es de tipo cualitativa, no experimental de tipo descriptiva, los instrumentos usados fueron los computadores. Durante este trabajo se encuentra una revisión bibliográfica de diferentes artículos académicos encontrados en revistas indexadas a nivel internacional, nacional y local, se llegó a al conclusión que el machine learning es una herramienta invaluable para que las instituciones de educación superior enfrenten el complejo reto de la deserción universitaria. Mediante el análisis de datos y patrones ocultos en ellos, brinda la posibilidad de identificar y asistir oportunamente a los estudiantes en riesgo de abandono.
Palabras clave
Referencias
Alvarez Risco, A. (2020). Clasificación de las Investigaciones. Universidad de Lima.
Apazza, E., & Huamán, F. (2012). Factores determinantes que inciden en la deserción de los estudiantes universitarios. Apuntes Universitarios. Revista de Investigación, 77-86.
Cardona, T., Cudney, E., Hoerl, R., & Snyder, J. (2020). Data Mining and Machine Learning Retention Models in Higher Education. J Coll Stud Ret.
Castiblanco, W., Fonseca, L., & Pineda, W. (2021). Detección de alertas tempranas para la prevención de la deserción estudiantil en una institución de educación superior a partir de un modelo de clasificación y su predicción por medio de técnicas de machine learning. Bogotá: Rev Conocimiento Global.
Creswell, J. (2007). Qualitative inquirí and reaserch design. Chossing among five traditions. Thousand Oaks, CA. Sage publications.
Cruz, E., González, M., & Rangel, J. (2022). Técnicas de machine learning aplicadas a la evaluación del rendimiento y a la predicción de la deserción de estudiantes universitarios, una revisión. . Ciudad de Panamá: PRISMA Tecnológico.
Cué Brugueras, M., & Oramas Díaz, J. (2008). Information synthesis and review articles. ACIMED. Obtenido de http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1024-94352008000200007&lng=es&tlng=en.
Delen, D. (2010). A comparative analysis of machine learning techniques for student retention management, Decision Support Systems. 498-506 .
González Sánchez, J., & Peñaloza Pérez, M. (2021). Identificación y predicción de estudiantes en riesgo de deserción académica por medio de modelos basados en machine learning. Fundación Universitaria los Libertadores.
Henriquez, C., Salcedo, D., & SánchezTorres, G. (2022). El aprendizaje automático en entornos educativos universitarios: Caso deserción académica. Barranquilla: Prospectiva.
Hernández Sampieri, R. (2014). Metodología de la investigación. México: McGraw-Hill.
Hinestroza, D. (2018). El machine learning a traves del tiempo y los aportes a la humanidad. Universidad Libre .
Martelo, R., Herrera, K., & Villabona, N. (2017). Estrategias para disminuir la deserción universitaria mediante series de tiempo y multipol. Revista Espacios.
Miranda, M., & Guzmán, J. (2017). Análisis de la Deserción de Estudiantes Universitarios usando Técnicas de Minería de Datos. . Formación Universitaria, 61-68.
Ortiz, A., Pérez, V., & Salazar, O. (2014). Una aproximación conceptual a la retención estudiantil en Latinoamérica. Revista Interamericana de Investigación, Educación y Pedagogía.
Parra, J., Torres, I., & Martínez, C. (2023). Factores explicativos de la deserción universitariaabordados mediante inteligencia artificial. Colombia: Revista electrónica de investigación educativa.
Rico, A. (2022). Modelos predictivos progresivos del rendimiento académico de estudiantes universitarios. México: Rev. Iberoam. Investig. Desarro.
Valero, J., Navarro, E., Larios, A., & Julea, J. (2022). Deserción universitaria: Evaluación de diferentes algoritmos de Machine Learning para su predicción. Zulia: Revista de Ciencias Sociales-Universidad de Zulia.