Publicación: Análisis estadístico y ML aplicado: factores influyentes en el abandono de estudios a distancia en la Universidad de Buenos Aires
No hay miniatura disponible
Fecha
2024
Autores
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Resumen
El objetivo de este trabajo es predecir el abandono temprano de los estudiantes de la Universidad de Buenos Aires UBA antes de que ocurra. No buscamos clasificar a los alumnos de manera estigmatizante, ya que consideramos que señalar perfiles específicos basados en género, renta o tipo de estudios solo genera prejuicios y no aporta valor positivo.
Es crucial detectar el proceso de abandono mientras los estudiantes aún están cursando sus estudios, de manera que la detección sea aplicable a lo largo de su evolución durante el curso. Necesitamos identificar parámetros que nos ayuden a entender cómo los alumnos interactúan y se comprometen con las clases, tutores y compañeros. No se trata solamente de saber quién está en riesgo de abandono, se trata de saber qué características nos llevan a esa conclusión, de aquí la preponderancia en el trabajo de los árboles de decisión como algoritmos a considerar.
El propósito de este trabajo no es incluir una gran cantidad de algoritmos de aprendizaje automático para demostrar capacidad técnica, ya que en etapas anteriores del máster de la UNED ya se ha acreditado dicha competencia. Lo que buscamos es interpretabilidad, continuidad en el tiempo,
adaptación y un uso óptimo de los datos disponibles. No estamos en posición de imponer requisitos de datos a nuestro cliente; en cambio, nos adaptamos a los datos disponibles para obtener resultados positivos.
Finalmente, se harán recomendaciones a la Universidad de Buenos Aires sobre la captación de información y la infraestructura necesaria para futuras investigaciones, con el fin de mejorar la detección temprana del abandono estudiantil. Pensemos que, aunque el trabajo está enfocado a ayudar a la Universidad de Buenos Aires UBA, pretendemos que otras instituciones puedan sacar alguna utilidad de él.
This study aims to predict student dropout before it occurs using machine learning techniques. Unlike previous approaches that may stigmatize certain student profiles, our focus is on parameters that reflect student interaction and engagement with classes, tutors, and peers throughout the academic year. We utilized a dataset from a university, including features such as grades, attendance, and class participation. Machine learning models were trained and evaluated to identify early signs of dropout. The results indicate that it is possible to predict dropout with significant accuracy, enabling early and personalized interventions. We conclude that the interpretability and adaptability of the models to the available data are crucial for the success of these predictions in educational settings.
This study aims to predict student dropout before it occurs using machine learning techniques. Unlike previous approaches that may stigmatize certain student profiles, our focus is on parameters that reflect student interaction and engagement with classes, tutors, and peers throughout the academic year. We utilized a dataset from a university, including features such as grades, attendance, and class participation. Machine learning models were trained and evaluated to identify early signs of dropout. The results indicate that it is possible to predict dropout with significant accuracy, enabling early and personalized interventions. We conclude that the interpretability and adaptability of the models to the available data are crucial for the success of these predictions in educational settings.
Descripción
Categorías UNESCO
Palabras clave
Citación
Bernáldez Escalada, Daniel. "Análisis estadístico y ML aplicado: factores influyentes en el abandono de estudios a distancia en la Universidad de Buenos Aires". Dirigida por Antonio Rodríguez Anaya. Trabajo Fin de Máster. Universidad Nacional de Educación a Distancia, Escuela Técnica Superior de Ingeniería Informática (2024)
Centro
E.T.S. de Ingeniería Informática
Departamento
Inteligencia Artificial