Palabras clave
regresión logística
balanceo
aprendizaje supervisado
técnicas de machine learning
árbol de decisión
baggin: boostrap aggregation
clasificador de bosques aleatorios
Cómo citar
Resumen
El abandono estudiantil es uno de los principales problemas en la educación en general y toma especial interés en las instituciones de educación superior. Este artículo aborda la detención de las alertas tempranas para la prevención de la deserción estudiantil universitaria con la aplicación del modelo probabilístico de la regresión logística y su predicción por medio de técnicas de Machine Learning (aprendizaje supervisado); como los árboles de decisiones, Bagging: Boostrap Aggregation y clasificador de bosques aleatorios. Para el estudio se seleccionó una muestra de estudiantes que se encontraban estudiando en un periodo lectivo los cuales pertenecen a todos los programas de la Universidad. La aplicación del modelo de clasificación logístico permitió conocer los principales causantes por las cuales la población estudiantil es potencial desertor de la universidad. Estos resultados permiten a la institución universitaria generar políticas para un plan de retención y permanencia estudiantil que repercutan de manera específica y redireccionando los recursos hacia objetivos claros con el propósito de mitigar la deserción.
Citas
Barrientos M, R. C. (2009). Árboles de decisión como herramienta en el diagnóstico médico. Revista Médica de la Univrsidad Veracruzana, 9(2), 19-24. Recuperado el 01 de Junio de 2022, de https://www.medigraphic.com/pdfs/veracruzana/muv-2009/muv092c.pdf
Bernal, C. A. (2010). Metodología de la Investigación (Tercera edición ed.). Naucalpan, MEXICO: Pearson Educación de México S.A.
Bisong, E. (2019). Building Machine Learnig and Deep Learning Models on Google Cloud Platform. A Comprehensive Guide for Beginners. Ottawa-Canada: Apress Media LLC.
Castaño, E. G. (2004). Deserciín estudiantil universitaria: una aplicación de modelos de duración. lecturas Económicas, 39-65.
Díaz J, C. (2009). Factores de Deserción Estudiantil en Ingeniería: Una Aplicación de Modelos de Duración. Información Tecnológica, 129-145.
Faraway, J. J. (2005). Linear Models with R. Florida, EEUU , United States of Amerca: Chapman & Hall/CRC.
Giovagnoly, P. (2002). Determinantes de la deserción y graduación univrsitaria: una aplicación utilizando modelos de duración.
González S, J. C. (2021). Identidicación y predicción de estudiantes en riesgo de deserción académica por medio de modelos basados en Machine Learning. Fundación Universitaria Los Libertadores, 3-16.
Hardin, J. W. (2012). Genralized Linear Models and Extensions. Texas, USA: Stata Press, 4905 Lakeway Drive, College Satation.
Haroon, D. (2017). Python Machine Learning Case studies. Five Case studies for the Data Scientist. New York EEUU: Springer Science + Business Media.
Hernández, S. R. (2014). Metodología de la Investigación. Mexico D.F,: McGRAW-HILL.
Lohr, S. L. (2000). MUESTREO: Diseño y Análisis. Madrid España: Thomson Learning.
Madsen, H. T. (2011). introduction to General and Generalized linear Models. United Satates of America: Taylor and Francis Group, LLC.
Nitesh V, C. (2002). Data minig for inbalanced datasets: an overview. Estados Unidos: Univesity of Notre Dame.
Pérez G, B. R. (2020). Comparción de técnicas de minería de datos para identificar indicios de deserción estudiantil, a partir del desempeño académico. UIS Ingenierías, 193-204.
Prieto A, C. (2015). Uso de Regresión Logística para predecir deserción estudiantil temprana. Universidad de los Andes, 5-28.
Ramasubramanian, K. S. (2019). Machine Learning Using R. New Dehi, India: Karthik Ramasubramanian and Abhishek Singh.
Rico, H. D. (2019). Caracterización de la deserción estudiantil en la Universidad Nacional de Colombia sede Medellín.
Ulloa G, N. J. (2020). Técnicas de minería de datos para detectar patrones de bajo rendimiento académico. Bogotá, Colombia: Instituto Latinoamericano de Altos Estudios -ILAE-.
Velez, W. C. (2008). Deserción estudiantil en la Educación Superior Colombiana. Elementos para su diagnóstico y tratamiento. Ministerio de Educacioón Nacional. Educación, 7-34.
Vidhya, A. (28 de 03 de 2016). Practical Guide to deal with Imbalanced Classification. Problems in R. Recuperado el 20 de abril de 2022, de Imbalanced classification problems: https://www.analyticsvidhya.com/blog/2016/03/practical-guide-deal-imbalanced-classification-problems/
Castaño, E., Gallón, S., Gómez, K., & Vásquez, J. (2004). Deserción estudiantil universitaria: una aplicación de modelos de duración. Lecturas de economía, (60), 39-65.