Acceso usuarios
[1]
;
Valdés-Badilla, Pablo
[3]
;
Saavedra-Lucero, José Luis
[1]
;
Gálvez-García, Germán
[4]
;
Gedda-Muñoz, Relmu
[2]
Temuco, Chile
Barcelona, España
La deserción estudiantil constituye un desafío para las instituciones de Educación Superior debido, entre otras razones, a la diversidad de los estudiantes en cuanto a su origen social, educativo y económico, así como a las disciplinas y grados académicos en los que se matriculan, produciendo una amplia variabilidad en las trayectorias educativas. El objetivo de este estudio fue desarrollar un modelo predictivo para el abandono universitario en estudiantes pertenecientes a diferentes titulaciones, basado en machine learning. Se utilizaron un cuestionario online y los expedientes académicos del estudiantado para obtener diez variables previamente identificadas como relevantes para el fenómeno estudiado y se entrenaron clasificadores mediante procedimientos de aprendizaje automático supervisado. La muestra incluyó 946 estudiantes pertenecientes a siete áreas de conocimiento en una universidad de Chile. Los principales resultados indican que un modelo basado en el clasificador RUSboosted Trees presentó el mejor desempeño para la predicción de la deserción en Educación Superior, reconociendo exitosamente al 90% de las y los estudiantes desertores. Varios estudios previos han enfrentado la tarea de proporcionar herramientas para la predicción de la deserción estudiantil utilizando aprendizaje automático, pero generalmente sobre muestras de estudiantes pertenecientes a las mismas titulaciones o áreas del conocimiento. Este estudio proporciona un modelo predictivo que identifica a los futuros estudiantes desertores, incluso en condiciones de multidisciplinariedad dentro de sus programas de origen.
Student dropout constitutes a challenge for higher education institutions due to, among other reasons, the diversity of students’ social, educational, and economic backgrounds, as well as the disciplines and academic degrees in which they enrol, resulting in a wide variability in educational trajectories. The study aimed to develop a predictive model of university dropout among students enrolled in various programs, utilising machine learning. An online questionnaire and academic records were used to obtain ten variables previously identified as relevant to the studied phenomenon, and classifiers were trained through supervised machine learning procedures. The sample consisted of 946 students from seven different academic disciplines at a university in Chile. The primary outcomes indicate that a model based on the RUSboosted Trees classifier presented the best performance in predicting dropout in higher education, successfully recognising 90% of dropout students. Several previous studies have predicted student dropout using machine learning, but typically on samples of students belonging to the same programmes. This study presents a predictive model that identifies future dropouts even under multidisciplinary conditions within their original programmes.
