Journal: | Revista electrónica de investigación educativa |
Database: | CLASE |
System number: | 000520378 |
ISSN: | 1607-4041 |
Authors: | Urbina Nájera, Argelia Berenice1 Téllez Velázquez, Arturo2 Cruz Barbosa, Raúl3 |
Institutions: | 1Universidad Popular Autónoma del Estado de Puebla, Puebla. México 2Universidad Tecnológica de Tlaxcala, Tlaxcala. México 3Universidad Tecnológica de la Mixteca, Oaxaca. México |
Year: | 2021 |
Season: | E29 |
Volumen: | 23 |
Pages: | 1-15 |
Country: | México |
Language: | Español |
Document type: | Artículo |
Approach: | Analítico |
Spanish abstract | En este trabajo se presenta un análisis de las características más relevantes de un potencial desertor universitario, mediante la aplicación de algoritmos de minería de datos educativa. Se utilizó un conjunto de datos de 10 635 instancias, adquiridas en el período 2014-2019, de 53 programas de licenciatura de una institución privada del estado de Puebla (México). Los resultados muestran que el modelo obtenido por los árboles de decisión ofrece mayor desempeño que otros algoritmos, así como una fácil interpretación de éste mediante reglas de decisión. Además, el rendimiento del modelo es mejor que otros modelos relacionados en la literatura aplicados al mismo problema. Los métodos de selección de características permitieron encontrar los atributos más importantes que identifican a un potencial desertor, tales como: el período, el último semestre cursado, créditos cursados, asistencia, materias reprobadas y programa. Utilizando los atributos y reglas de decisión encontradas se podrían crear mecanismos que favorezcan la prevención de la deserción |
English abstract | This paper applies educational data mining algorithms to present an analysis of the most relevant characteristics of potential dropout students. The study used a dataset of 10,635 instances, acquired between 2014 and 2019 from 53 bachelor’s degree programs at a private university in the state of Puebla (Mexico). The results show that the model obtained from the decision trees performs better than other algorithms and allows for easy interpretation through decision rules. Furthermore, the model performs better than other related models in the literature that have been applied to the same problem. The methods used to select characteristics yielded the most important attributes to identify potential dropouts, such as the period, last semester completed, credits completed, attendance, courses failed, and program. These attributes and decision rules can be used to create mechanisms that help prevent dropout |
Disciplines: | Educación, Psicología |
Keyword: | Educación superior, Psicología educativa, Deserción escolar, Características de la deserción, Toma de decisiones |
Keyword: | Higher education, Educational psychology, Dropping out, Dropouts characteristics, Decision making |
Full text: | Texto completo (Ver HTML) Texto completo (Ver PDF) |