Acceso usuarios
Provincia de Trujillo, Perú
Este trabajo sostuvo como objetivo la realización de una revisión sistemática, sobre el uso del Machine Learning en la predicción de deserción académica, para ello se plantearon 4 interrogantes de investigación y haciendo uso de la metodología conocida como PRISMA, se hallaron 30 artículos que pasaron los criterios de exclusión e inclusión planteados, además se utilizó el software Zotero (Gestor de referencias bibliográficas) para facilitar la gestión de los artículos hallados. Los resultados expresaron que el Machine Learning puede ser aplicado en diferentes sectores como el financiero y educativo, además que las variables más utilizadas para predecir deserción académica fueron el sexo del estudiante (60%), promedio de calificaciones (53.33%), edad (43.33%), lugar de procedencia (33.33%), tipo de colegio de procedencia (26.67%), situación laboral (23.33%) y estado civil (23.33%), también se evidencio que las técnicas más comunes en la predicción de deserción académica fueron las de Árbol de Decisión (66.67%) y Redes Neuronales Artificiales (50%), y por último se evidencia que las métricas más comunes en la evaluación de modelos predictivos de deserción académica son la precisión (63.33%), exactitud (60%) y sensibilidad (50%).
The goal of this work was to elaborate a systematic review on the use of Machine Learning in the prediction of academic dropout, for which 4 research questions were raised and using the methodology known as PRISMA, 30 articles were found that passed the proposed exclusion and inclusion criteria, and the Zotero software (Bibliographic Reference Manager) was used to facilitate the management of the articles found. The results expressed that Machine Learning can be applied in distinct sectors such as financial and educational, also that the most used variables to predict academic dropout were the student’s sex (60%), grade point average (53.33%), age (43.33%), place of origin (33.33%), type of school of origin (26.67%), employment situation (23.33%) and marital status (23.33%), finally, it was evidenced that the most common techniques in the prediction of academic dropout were those of Decision Tree (66.67%) and Artificial Neural Network (50%), and finally, it is evident that the most common metrics in the evaluation of predictive models of academic dropout are precision (63.33%), accuracy (60%), and sensitivity (50%).
