Acceso usuarios
La deserción universitaria se ha incrementado significativamente en Perú antes y aún más después de la pandemia de COVID-19, es por ello, que las universidades públicas necesitan identificar e implementar programas para disminuirla. El trabajo tiene como propósito determinar el algoritmo de Machine Learning que tiene mejor desempeño para detectar la deserción universitaria. Este análisis se basó en el estudio de la deserción universitaria en Perú entre 2018 y 2021. La población está compuesta de 652 estudiantes, para los datos de entrenamiento se utilizó el 30% y para los de prueba el 70% de una data set de 106 datos válidos, para el desarrollo de los modelos de clasificación se utilizó el lenguaje Python de Anaconda a través de sus distintas librerías, el tipo investigación es aplicada y diseño descriptivo. Se obtuvo como resultado que el algoritmo K-Nearest-Neighbor con una precisión de 0.91, tiene mejor desempeño para pronosticar la deserción universitaria con las variables académicas y socioeconómicas de los estudiantes. En conclusión, el modelo obtenido puede ayudar a predecir en los primeros ciclos de estudios, los alumnos más probables en abandonar sus estudios, así como, alertar a la oficina de bienestar, la necesidad y atención de tutorías individuales y grupales.
University dropout has increased significantly in Peru before and even more so after the COVID-19 pandemic, which is why public universities need to identify and implement programs to reduce it. The purpose of the work is to determine the Machine Learning algorithm that has the best performance to detect university dropout. This analysis was based on the study of university dropouts in Peru between 2018 and 2021. The population is made up of 652 students, 30% were used for training data and 70% for test data from a data set of 106 valid data, for the development of the classification models, the Anaconda Python language was used through its different libraries, the type of research is applied and descriptive design. It was obtained as a result that the K-Nearest-Neighbor algorithm with an accuracy of 0.91, has better performance to predict university dropout with the academic and socioeconomic variables of the students. In conclusion, the model obtained can help predict, in the first cycles of studies, the students most likely to drop out of their studies, as well as alert the welfare office, the need and attention of individual and group tutoring
