Detection of early warnings for the prevention of student dropout in a higher education institution from a classification model and its prediction through machine learning techniques
https://orcid.org/0000-0002-7866-9164
The student dropout is one of the main problems in the general education and takes special interest in higher education institutions. This article addresses the detection of early warnings for the prevention of university student dropout with the application of the probabilistic model of logistic regression and its prediction through Machine Learning techniques (supervised learning); such as decision trees, Baggin: Boostrap Aggregation and random forest classifier. For the study, a sample of students was selected who were studying in an academic period who are belonging to all the programs of the University. The application of the logistic classification model allowed us to know the main causes for which the student population is a potential university dropout. These results allow the university institution to generate policies for a student retention and permanence plan that have a specific impact and redirect resources towards clear objectives in order to mitigate desertion.
Akaike, H. (1974). A new look at the satistical model identification. EEUU: IEEE transactions on automatic control.
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.