Técnicas de minería de datos para predecir la deserción de estudianes en el nivel medio

MSc. Rita Azucena Díaz Vásquez, Ing. Janeth Carolina Córdova Galarza

Resumen


La deserción estudiantil, es un problema que caracteriza a las instituciones educativas comúnmente desde la secundaria, por ello es importante enfocarse en las razones que motivan a un estudiante a desertar, identificarlos para tomar las acciones pertinentes y reducir el nivel de abandono escolar y dependiendo del caso realizar el seguimiento a los estudiantes. La minería de datos orientada a la educación permite predecir cualquier tipo de factor o característica de un caso, fenómeno o situación. De esta forma, utilizando las técnicas que ofrece la minería, se puede predecir con un porcentaje alto de credibilidad, la probabilidad de desertar del alumno. Este modelo predictivo es el resultado de la aplicación de la Metodología CRISP-DM, la que inicia con el análisis de los datos proporcionados por el Colegio Fisco-misional “San Francisco”, los que permitieron adquirir patrones de comportamiento, finalizando con el modelado de la información que da a conocer las posibles causas por las que un alumno decide desertar. La metodología mixta, es decir la combinación del proceso cuantitativo y cualitativo permite un resultado exitoso en complemento con la línea de investigación Desarrollo de Software. La aplicación de técnicas de minería de datos para predecir la deserción de los estudiantes franciscanos tendrá un impacto positivo, ya que determina las estrategias necesarias para evitar que un alumno deserte, si el caso es lo contrario permitirá mejorar los procedimientos para fortalecer y potenciar la oferta educativa que brinda la Institución.

Texto completo:

PDF

Referencias


Alter, S. (1994). Transforming DSS jargon into principles for DSS success.

Arancibia, J. A. (2013). Metodología para la Definición de Requisitos en Proyectos de Data Mining (ER-DM).

Araujo Arnott D., P. G. (2005). A Critical Analysis of Decision Support Systems Research.

Bernal Cesar, A. (2006). Metodología de la Investigación (2da. ed.). México: PEARSON EDUCACIÓN.

Col. San Francisco, F. (2012-2015). Proyecto Educativo Institucional. Ibarra.

Corporation, I. (2012). Manual CRISP-DM. Estados Unidos.

García, B. M. (2005). Metodología y Uso Estrategico de Fuentes Estadisticas y Base de Datos. México: McGraw - Hill Interamerciana.

Gnecco Lizcano, Á., Díaz Londoño, J. A., & Nisbet, R. E. (2009). Handbook of Sattistical Analysis And. Canadá: British Library Cataloguing.

Hand. (2011). Principles of Data Mining . USA.

Hernandez J. Ramirez M.& Ferri, C. (2004). Introducción a la Minería de Datos. España: Person.

Holmes, G., & Witten, A. D. (1994). Weka: A machine learning workbench. Brisbane, Australia.

I. Mierswa, M. W. (2006). RapidMiner.

Kuby, R. J. (2005). Estadística elemental, lo esencial (3ra. ed.). Thomson.

M.E. Javier Martínez Morales, L. A. (2008). La problemática actual de la deserción escolar, un análisis desde lo local.

Marques, M. P. (Noviembre 2013). Tecnicas de MINERIA DE DATOS. MODELOS PREDICTIVOS.

Méndez Morales, S. M. (2007). Uso de la Metodología Rough Sets para la identificación de variables críticas influyentes en una base de datos. Bógota.

Michalski, R. S., Carbonell, J. G., & Mitchelle, T. M. (1986). Machine Learning. California .

MinEduc. (2012). Ecuador: Indicadores Educativos 2011-2012. Ecuador.

Moody, J. D. (1989). Fast Learning in networks of locally tuned processing units. Neural Computation.

Onwuegbuzie, R. B. (2010). Métodos de investigación mixtos. Asociación de Investigación Educacional Estadounidense.

Ordaz, P. (2011). Mineria de Datos.

Ordoñez, K. (2012). Aplicación de técnicas de míneria de datos para predecir la deserción de los estudiantes de primer ciclo de la Modalidad Abierta y a Distancia de la UTPL. Loja.

Pérez C., G. D. (2007). Míneria de datos técnicas y herramientas. España: Paraninfo Cengage Learning.

Raquel M. Crespo García, J. V. (2014). Inteligencia en Redes de Comunicaciones.

Riquelme J., R. R. (2006). Minería de Datos: Conceptos y Tendencias. Revista Iberoamericana de Inteligencia Artificial, vol.10.

Roberto Hernández Sampiere, Carlos Fernandez-Collado, Pilar Baptista. (Abril 2006). Metodología de la Investigación (4ta Edición ed.). Mexico: McGraw Hill Interamericana.

Turban, E. A. (2005). Decision Support Systems and Intelligent Systems, 7º Edición. Prentice Hall.

UNESCO. (2012). Situación Educativa de América Latina y El Caribe. Ecuador.

Witten, E. F. (2011). Tutorial 6: WEKA .




Copyright (c) 2017 HOLOPRAXIS

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional.

WWW.REVISTAHOLOPRAXIS.COM