Modelo de predicción de deserción: Un estudio de caso de estudiantes de la Universidad Politécnica Estatal del Carchi
DOI:
https://doi.org/10.55204/pcc.v3i2.e34Palabras clave:
deserción, educación, estudiantes universitarios, regresión logísticaResumen
Introducción: La tasa de abandono estudiantil en las instituciones de educación superior es un problema global que requiere soluciones personalizadas y adaptadas a cada institución. El presente artículo se realiza en la Universidad Politécnica Estatal del Carchi (UPEC) en Ecuador.
Objetivo: Identificar los factores determinantes del abandono universitario mediante un modelo logístico que permita predecir si un estudiante puede abandonar la universidad de manera prematura.
Métodos: Como técnica de modelado estadístico multivariante se utiliza un modelo de regresión logística LR. La muestra de estudiantes corresponde a 3821 registros de matrículas en la UPEC.
Resultados: Los resultados evidencian que el modelo logístico propuesto presenta una precisión del 90%. Además, se identificó una relación inversa entre la deserción estudiantil, el número de miembros en el hogar y el nivel educativo del padre y la madre; por lo que se evidencia la necesidad de instaurar medidas de apoyo y prevención específicas para los estudiantes de hogares con menores niveles educativos y mayores cargas familiares.
Conclusiones: El abandono estudiantil en la UPEC ocurre principalmente durante el primer nivel de carrera, determinando además que los factores relevantes que influyen en la deserción estudiantil en esta universidad son: la edad, el número de miembros en el hogar, el nivel de estudio y el promedio académico. Esta información permitirá a las autoridades universitarias plantear medidas preventivas para mejorar la permanencia y el éxito académico de sus estudiantes.
Descargas
Citas
Álvarez, N. L., Callejas, Z., & Griol, D. (2020). Predicting Computer Engineering Students’ Dropout In Cuban Higher Education With Pre-Enrollment and Early Performance Data. Journal of Technology and Science Education, 10(2), 241–258. https://doi.org/10.3926/jotse.922
Bedregal-Alpaca, N., Tupacyupanqui-Jaén, D., & Cornejo-Aparicio, V. (2020). Análisis del rendimiento académico de los estudiantes de Ingeniería de Sistemas, posibilidades de deserción y propuestas para su retención Analysis of the academic performance of Systems Engineering students, desertion possibilities and proposals for retention. In Revista chilena de ingeniería (Vol. 28, Issue 4). https://doi.org/10.4067/S0718-33052020000400668
Caselli Gismondi, H. E., & Urrelo Huiman, L. V. (2021). Características para un modelo de predicción de la deserción académica universitaria. Caso Universidad Nacional de Santa. Llamkasun, 2(4), 02–22. https://doi.org/10.47797/llamkasun.v2i4.61
de Oliveira, C. F., Sobral, S. R., Ferreira, M. J., & Moreira, F. (2021). How does learning analytics contribute to prevent students’ dropout in higher education: A systematic literature review. Big Data and Cognitive Computing, 5(4). https://doi.org/10.3390/bdcc5040064
Ferreyra, M., Avitabile, C., Botero Álvarez, J., Haimovich Paz, F., & Urzúa, S. (2017). At a Crossroads Higher Education in Latin America and the Caribbean Human Development. https://doi.org/10.1596/978-1-4648-1014-5
Findiana, R., Yuniarno, E. M., & Endroyono. (2020). Classification of Graduates Student on Entrance Selection Public Higher Education through Report Card Grade Path Using Support Vector Machine Method. 2020 3rd International Conference on Information and Communications Technology, ICOIACT 2020, 7–11. https://doi.org/10.1109/ICOIACT50329.2020.9332072
Hasan, M. N. (2019). A comparison of logistic regression and linear discriminant analysis in predicting of female students attrition from school in Bangladesh. N 2019 4th International Conference on Electrical Information and Communication Technology (EICT), 1–3. https://doi.org/10.1109/EICT48899.2019.9068776
Kittinan, L., Kanda, T., & Tanasin, Y. (2018). Dropout Prediction System to Reduce Discontinue Study Rate of Information Technology Students. 5th International Conference on Business and Industrial Research (ICBIR), 110–114. https://doi.org/10.1109/ICBIR.2018.8391176
Liong, C. Y., & Foo, S. F. (2013). Comparison of linear discriminant analysis and logistic regression for data classification. AIP Conference Proceedings, 1522, 1159–1165. https://doi.org/10.1063/1.4801262
López-Aguilar, D., Álvarez-Pérez, P. R., & Ravelo-González, Y. (2022). Adaptability skills and the intention to drop out in university students. Revista de Investigacion Educativa, 40(1), 237–255. https://doi.org/10.6018/rie.463811
Muzumdar, P., Basyal, G. P., & Vyas, P. (2020). Antecedents of Student Retention: A Predictive Modelling Approach. International Journal of Contemporary Research and Review, 11(11). https://doi.org/10.15520/ijcrr.v11i11.860
Niyogisubizo, J., Liao, L., Nziyumva, E., Murwanashyaka, E., & Nshimyumukiza, P. C. (2022). Predicting student’s dropout in university classes using two-layer ensemble machine learning approach: A novel stacked generalization. Computers and Education: Artificial Intelligence, 3. https://doi.org/10.1016/j.caeai.2022.100066
Nuankaew, P., Nuankaew, W., Phanniphong, K., Fooprateepsiri, R., & Bussaman, S. (2020). Analysis dropout situation of business computer students at University of Phayao. In Advances in Intelligent Systems and Computing: Vol. 1134 AISC. https://doi.org/10.1007/978-3-030-40274-7_42
Pérez, A. M., Escobar, C. R., Toledo, M. R., Gutierrez, L. B., & Reyes, G. M. (2018). Prediction model of first-year student desertion at Universidad Bernardo O’Higgins (UBO). Educacao e Pesquisa, 44. https://doi.org/10.1590/S1678-4634201844172094
Pierella, M. P., Peralta, N. S., & Pozzo, M. I. (2020). The first year of college. Working conditions, admission procedures and academic dropout from the teachers’ perspective. Revista Iberoamericana de Educacion Superior, 11(31), 68–84. https://doi.org/10.22201/iisue.20072872e.2020.31.706
Pohar, M., Blas, M., & Turk, S. (2004). Comparison of logistic regression and linear discriminant analysis. Advances in Methodology and Statistics, 1(1), 143–161. https://doi.org/10.51936/ayrt6204
Poveda Velasco, I. M. (2019). Los factores que influyen sobre la deserción universitaria. Estudio en la UMRPSFXCh-Bolivia, análisis con ecuaciones estructurales. Revista Investigación y Negocios, 12(20), 63–80. http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S2521-27372019000200007&nrm=iso
Quiñones Huatangari, L., Jara, D. M., Alvarado, N., Milla, M. E., & Gamarra, O. A. (2020). Modelo para la estimación de la deserción estudiantil Awajún y Wampis empleando minería de datos. Argentine Journal of Science and Technology, 34(1), 45–60. https://doi.org/10.36995/j.recyt.2020.34.006
Ramírez, T., Díaz, R. B., & Salcedo, A. (2017). ¿Abandono o deserción estudiantil? Una necesaria discusión conceptual. Investigación y Postgrado, 32(1), 63–74. https://dialnet.unirioja.es/servlet/articulo?codigo=6430685
Sanchez-Pozo, N. N., Mejia-Ordonez, J. S., Chamorro, D. C., Mayorca-Torres, D., & Peluffo-Ordonez, D. H. (2021). Predicting High School Students’ Academic Performance: A Comparative Study of Supervised Machine Learning Techniques. Future of Educational Innovation Workshop Series - Machine Learning-Driven Digital Technologies for Educational Innovation Workshop 2021. https://doi.org/10.1109/IEEECONF53024.2021.9733756
Suárez, A. A. G., Núñez, R. P., & Suárez, C. A. H. (2021). Deserción estudiantil en contextos vulnerables: comparativo entre dos ciudades fronterizas colombianas. Revista Boletín Redipe, 10(4), 178–189. https://doi.org/10.36260/rbr.v10i4.1261
Tomás, J. M., & Gutiérrez, M. (2019). Contributions of the self-determination theory in predicting university students’ academic satisfaction. In Revista de Investigacion Educativa (Vol. 37, Issue 2, pp. 471–485). Asociacion Interuniversitaria de Investigacion en Pedagogia. https://doi.org/10.6018/rie.37.2.328191
Zárate-Valderrama, J., Bedregal-Alpaca, N., & Cornejo-Aparicio, V. (2021). Classification models to recognize patterns of desertion in university students. In Revista chilena de ingeniería (Vol. 29). https://doi.org/10.4067/S0718-33052021000100168.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Francisco Javier Montalvo Márquez, Nadia Nathaly Sánchez Pozo

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras. Puesto que Prometeo Conocimiento Científico es una publicación de acceso abierto, los lectores pueden reproducir total o parcialmente su contenido siempre y cuando proporcionen adecuadamente el crédito a los autores correspondientes y a la revista misma.
Nuestra revista se rige por las politicas internacionales SHERPA/RoMEO: Revista verde: Permiten el autoarchivo tanto del pre-print (borrador de un trabajo) como del post-print (la versión corregida y revisada por pares) y hasta de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".