Inteligencia Artificial aplicada a Educación Superior: detección de causas de deserción en carreras universitarias
Contenido principal del artículo
Resumen
La problemática de la deserción universitaria representa un flagelo no resuelto en América Latina [1], necesitándose de manera urgente contar con un mejor entendimiento de sus causas, que permitan desarrollar políticas de retención tanto dentro de las universidades, como a nivel público en los diferentes niveles del estado. En ese contexto, la Inteligencia Artificial puede jugar un papel importante a la hora de encontrar patrones y relaciones ocultas en los datos, que permitan reconocer las verdaderas causas y poder establecer predicciones que desemboquen en decisiones más efectivas.
El objetivo general de este trabajo es generar modelos que permitan descubrir aquellos estudiantes que posean altas probabilidades de desertar una carrera universitaria, permitiendo establecer y aplicar acciones de retención. Se utilizaron técnicas de minería de datos y machine learning, usando como fuente de datos la información brindada por el Sistema de Gestión Académica de la Universidad Católica de Santiago del Estero.
Descargas
Detalles del artículo

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Citas
Cassina, P., Giay, F., Knoll, G., & Vera, M. (2024). Análisis de la deserción en las carreras universitarias de UCSE: Construcción de modelos predictivos utilizando técnicas de aprendizaje automático. JAIIO, Jornadas Argentinas de Informática, 10(5), 23-36. https://revistas.unlp.edu.ar/JAIIO/article/view/17986
Ferreyra, M. M., Avitabile, C., Botero Álvarez, J., Haimovich Paz, F., & Urzúa, S. (2017). Momento decisivo: la educación superior en América Latina y el Caribe. http://hdl.handle.net/10919/83253
“¿Qué es el aprendizaje automático?” Oracle | Cloud Applications and Cloud Platform. [En línea]. Disponible: https://www.oracle.com/ar/artificial-intelligence/machine-lear-ning/what-is-machine-learning/. [Último acceso: 10 Febrero 2024]
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS.
Cassina, P., Giay, F., Knoll, G. "Trabajo Final de Carrera: Análisis Exploratorio". Google Colaboratory. [Notebook]. No Disponible. [Último acceso: 1 Marzo 2024]
Cassina, P., Giay, F., Knoll, G. "Trabajo Final de Carrera: Preprocesamiento de Datos". Google Colaboratory. [Notebook]. No Disponible. [Último acceso: 1 Marzo 2024]
Cassina, P., Giay, F., Knoll, G. "Trabajo Final de Carrera: Modelado y Evaluación". Google Colaboratory. [Notebook]. No Disponible. [Último acceso: 1 Marzo 2024]
“Clasificar con K-Nearest-Neighbor ejemplo en Python”. Aprende Machine Learning, 10 Julio 2018. [En línea]. Disponible: https://www.aprendemachinelearning.com/clasificar-con-k-nearest-neighbor-ejemplo-en-python/. [Último acceso: 10 Febrero 2024.]
“Gradient Boosting in ML”. GeeksforGeeks. [En línea]. Disponible: https://www.geeksforgeeks.org/ml-gradient-boosting/. [Último acceso: 10 Febrero 2024]
“Random Forest”. Interactive Chaos. [En línea]. Disponible: https://interactivechaos.com/es/wiki/random-forest. [Último acceso: 10 Febrero 2024]
“Multi-Layer Perceptron Learning in Tensorflow”. GeeksforGeeks. [En línea]. Disponible: https://www.geeksforgeeks.org/multi-layer-perceptron-learning-in-tensorflow/. [Último acceso: 10 Febrero 2024]
“Métricas de Clasificación”, Roberto Díaz. [En línea]. Disponible: https://www.themachinelearners.com/metricas-de-clasificacion. [Último acceso: 15 Febrero 2024].
“¿Cómo integrar a la inteligencia artificial en la educación de manera responsable?” Disponible: https://blogs.iadb.org/educacion/es/inteligencia-artificial-educacion/ [Último acceso: 24 Julio 2024]
“Deserción universitaria: ¿cuáles son las razones y cómo prevenirla?” https://www.sydle.com/es/blog/desercion-universitaria-639a22f22ff02745fa4eface [Último acceso: 25 Julio 2024]