Publicación:
Análisis estadístico y ML aplicado: factores influyentes en el abandono de estudios a distancia en la Universidad de Buenos Aires

dc.contributor.authorBernáldez Escalada, Daniel
dc.contributor.directorRodriguez Anaya, Antonio
dc.date.accessioned2024-07-10T08:43:27Z
dc.date.available2024-07-10T08:43:27Z
dc.date.issued2024
dc.description.abstractEl 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.es
dc.description.abstractThis 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.en
dc.identifier.citationBernáldez 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)
dc.identifier.urihttps://hdl.handle.net/20.500.14468/22914
dc.language.isoes
dc.relation.centerFacultades y escuelas::E.T.S. de Ingeniería Informática
dc.relation.degreeMáster universitario en Ingeniería y Ciencia de Datos
dc.relation.departmentInteligencia Artificial
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.subject33 Ciencias Tecnológicas
dc.titleAnálisis estadístico y ML aplicado: factores influyentes en el abandono de estudios a distancia en la Universidad de Buenos Aireses
dc.typetesis de maestríaes
dc.typemaster thesisen
dspace.entity.typePublication
Archivos
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
3.62 KB
Formato:
Item-specific license agreed to upon submission
Descripción: