Técnicas de soft computing para determinar los factores que influyen en la deserción estudiantil
Loading...
Date
2024
Directors
Journal Title
Journal ISSN
Volume Title
Publisher
Quevedo: UTEQ
Abstract
El estudio realizado en la Universidad Técnica Estatal de Quevedo profundizó en la deserción estudiantil examinando datos académicos, socioeconómicos y personales a través de técnicas de Soft Computing, utilizando 225 variables y 160,000 registros. Se compararon algoritmos como Random Forest, Gradient Boosting y SVM, destacando a Random Forest por su precisión en predecir factores críticos que influyen en la deserción. Entre los factores determinantes se encuentran la nota de corte 2, la ocupación del jefe del hogar y la edad del estudiante, señalados como los más significativos para el rendimiento estudiantil. Los hallazgos del estudio subrayan la complejidad de la deserción estudiantil, destacando que los estudiantes con mayores riesgos de reprobar tienden a tener notas bajas a mitad de período, provienen de hogares con jefes de hogar desempleados o en trabajos no calificados, y están en el rango de edad de 40-45 años. Por otro lado, los perfiles de estudiantes con mayores probabilidades de aprobar muestran patrones opuestos en estas variables. Estos resultados resaltan la necesidad de adoptar enfoques integrales y personalizados para abordar la deserción, considerando tanto factores académicos como contextos socioeconómicos y personales.
Description
The study conducted at the Technical State University of Quevedo delved into student dropout by examining academic, socioeconomic, and personal data through Soft Computing techniques, utilizing 225 variables and 160,000 records. Algorithms such as Random Forest, Gradient Boosting, and SVM were compared, with Random Forest standing out for its precision in predicting critical factors influencing dropout. Among the determining factors are the cut-off grade 2, the head of household's occupation, and the student's age, identified as the most significant for student performance. The findings of the study highlight the complexity of student dropout, emphasizing that students at greater risk of failing tend to have low mid-term grades, come from households with unemployed heads or in unskilled jobs, and are in the age range of 40-45 years. On the other hand, student profiles with higher chances of passing show opposite patterns in these variables. These results underline the need for adopting comprehensive and personalized approaches to address dropout, considering both academic factors and socioeconomic and personal contexts.
Keywords
Predicción, Educación Superior, Redes neuronales artificiales, Modelos predictivos
Citation
Espinoza Astudillo, Joseph Steven (2024). Técnicas de soft computing para determinar los factores que influyen en la deserción estudiantil. Quevedo.UTEQ. 79 pagias