Diseño de un modelo de estimación de riesgos de deserción en programas de educación superior
DOI:
https://doi.org/10.51660/ripie62372Keywords:
CRISP-DM, big data, educational dropout, educational innovation, higher education, machine learningAbstract
The article focuses on designing a model for estimating dropout risks in higher education programs in Colombia. This objective is developed through the execution of the standard process model for CRISP-DM data mining, in which numerical databases and tools with statistical results are analyzed to estimate the impact of some variables related to dropout. The scope of the research is correlational with a qualitative approach in which the databases containing the relevant sociodemographic characteristics that will be considered in the construction of the model are explored. The population is made up of students from the Fundación Universitaria del Área Andina - Valledupar Campus, the type of sampling is stratified using students from the Valledupar campus as the base; and the sample size is 3469 students. The selected process is the data analytics of enrollments made on census-type samples and, on the other hand, results of surveys and research that inquire about characteristics of the population by sectors, with probabilistic sampling design; the margin of error is 4% and the confidence level is 92%. The result will be the construction of a machine learning prototype to identify dropout risks in a higher education program.
Downloads
References
Aguilera, J., Campos, J., & Rodríguez, M. (2017). MODELO PREDICTIVO PARA LA PERMANENCIA EN LA EDUCACIÓN SUPERIOR Línea Temática: Factores asociados. Tipos y perfiles de abandono. Montserrat. En VII CLABES.
Alban Taipe, M. S. (2019). Contribuciones a la predicción de la deserción universitaria a través de minería de datos. Universidad Nacional Mayor de San Marcos.
Bartolomé Pina, A. R., Bellver Torlà, C., Castañeda Quintero, L., & Adell Segura, J. (2017). Blockchain en educación: introducción y crítica al estado de la cuestión. Edutec. Revista Electrónica de Tecnología Educativa, 61. https://doi.org/10.21556/edutec.2017.61.915 DOI: https://doi.org/10.21556/edutec.2017.61.915
Camargo, A. J. (2020). Modelo para la predicción de la deserción de estudiantes de pregrado, basado en técnicas de minería de datos. En Universidad de la Costa - CUC.
Cayón, E., Correa, J. S., & Scarpetta, L. E. (2021). Caracterización de los programas académicos y determinación de las variables que afectan el rendimiento de los estudiantes en el Colegio de Estudios Superiores de Administración, CESA. Formación Universitaria, 14(5). https://doi.org/10.4067/S0718-50062021000500175 DOI: https://doi.org/10.4067/S0718-50062021000500175
Cuevas Acosta, J. H., Solís, M. C., & Silva Contreras, I. (2019). Programación computacional y análisis de datos en educación estadística. Areté: Revista Digital del Doctorado en Educación de la Universidad Central de Venezuela, ISSN-e 2443-4566, Vol. 5, No. 9, 2019, págs. 11-27, 5(9).
Enríquez Vázquez, L., & Navarro Perales, J. (2024). Explorar los matices: aprendizaje personalizado y adaptativo en la educación digital. Revista Digital Universitaria, 25(1). https://doi.org/10.22201/cuaieed.16076079e.2024.25.1.10 DOI: https://doi.org/10.22201/cuaieed.16076079e.2024.25.1.10
Garcés Prettel, M., De la Ossa Robinson, S., Arellano Cartagena, W., Alvis Arrieta, J., & Figueroa Castillo, L. C. (2024). ¿Volver o no volver a las clases presenciales? Motivaciones y temores que influyen en la deserción universitaria en Colombia en tiempos de postpandemia. Salud Uninorte, 40(1). https://doi.org/10.14482/sun.40.01.159.456 DOI: https://doi.org/10.14482/sun.40.01.159.456
García-Martínez, R., Poblano-Ojinaga, E. R., & García-Gámez, L. (2024). Factores determinantes en la elección de una carrera universitaria. Investigación Administrativa, 53–1. https://doi.org/10.35426/iav53n133.02 DOI: https://doi.org/10.35426/IAv53n133.02
Gómez-Restrepo, C., Padilla Muñoz, A., & Rincón, C. J. (2016). Deserción escolar de adolescentes a partir de un estudio de corte transversal: Encuesta Nacional de Salud Mental Colombia 2015. Revista Colombiana de Psiquiatría, 45. https://doi.org/10.1016/j.rcp.2016.09.003 DOI: https://doi.org/10.1016/j.rcp.2016.09.006
González Catalán, F., & Arismendi Vera, K. J. (2018). Deserción estudiantil en la educación superior técnico-profesional: Explorando los factores que inciden en alumnos de primer año. Revista de la Educación Superior, 47(188), 109-137. https://doi.org/10.36857/resu.2018.188.510 DOI: https://doi.org/10.36857/resu.2018.188.510
González, L. E., & Espinoza, O. (2015). Deserción en educación superior en América Latina y el Caribe. Paideia, 45 (julio-diciembre).
Guerrero, S. C. (2018). Caracterización de la deserción en la Universidad Pedagógica y Tecnológica de Colombia durante el período 2008-2015. Revista Lasallista de Investigación, 15(1). https://doi.org/10.22507/rli.v15n1a2 DOI: https://doi.org/10.22507/rli.v15n1a2
Guzmán Rincón, A., Barragán Moreno, S., Cala-Vitery, F., & Segovia-García, N. (2022). Deserción en la educación superior rural: Análisis de causas desde el pensamiento sistémico. Qualitative Research in Education, 11(2). https://doi.org/10.17583/qre.10048 DOI: https://doi.org/10.17583/qre.10048
Hernández Sampieri 2014. (2014). Metodología de la investigación, 6. McGraw-Hill / Interamericana Editores, S.A. de C.V. ISBN: 978-1-4562-2396-0
Himmel, E. (2002). Modelo de análisis de la deserción estudiantil en la educación superior. Calidad en la educación, 17. https://doi.org/10.31619/caledu.n17.409 DOI: https://doi.org/10.31619/caledu.n17.409
Hugo, V., Garcia, M., Victoria, A., Motta, A., Daniela, M., & Ariza, A. (2019). Predictive models of knowledge management in virtual education Modelo predictivo de gestión del conocimiento en educación virtual. Industry, Innovation, And Infrastructure for Sustainable Cities and Communities.
Mella-Norambuena, J., Badilla, M. G., & López Angulo, Y. (2022). Modelos predictivos basados en el uso de analíticas de aprendizaje en educación superior. Texto libre, 15. https://doi.org/10.35699/1983-3652.2022.36310 DOI: https://doi.org/10.35699/1983-3652.2022.36310
Norma, P., Barron-Adame, R. A., & Miguel, J. (2016). Revista de Aplicación Científica y Técnica: Propuesta del diseño de un modelo predictivo de alerta temprana en indicadores educativos de nivel superior aplicando minería de datos. Junio, 2(4).
OCDE. (2021). Health at a Glance 2021. En Health at a Glance 2021. DOI: https://doi.org/10.1787/ae3016b9-en
Rodríguez Ojeda, M. J. (2024). Determinación de perfiles profesionales mediante técnicas de minería de datos. Ciencia Latina Revista Científica Multidisciplinar, 8(1). https://doi.org/10.37811/cl_rcm.v8i1.9783 DOI: https://doi.org/10.37811/cl_rcm.v8i1.9783
Schonlau, M., & Zou, R. Y. (2020). The random forest algorithm for statistical learning. Stata Journal, 20(1). https://doi.org/10.1177/1536867X20909688 DOI: https://doi.org/10.1177/1536867X20909688
Timarán Pereira, S. R., Hernández Arteaga, I., Caicedo Zambrano, S. J., Hidalgo Troya, A., & Alvarado Pérez, J. C. (2016). El proceso de descubrimiento de conocimiento en bases de datos. Ingenierías, 8(26).
Vanneschi, L., & Silva, S. (2023). Decision Tree Learning. En Natural Computing Series. https://doi.org/10.1007/978-3-031-17922-8_6 DOI: https://doi.org/10.1007/978-3-031-17922-8_6
Vásquez Chicaiza, F. P., Vega Cocha, D. P., Defaz Lasso, M. L., Vazco Silva, C. D., & López Velasco, J. E. (2024). Estrategias educativas por medio de herramientas digitales basadas en inteligencia artificial, revisión bibliográfica. Ciencia Latina Revista Científica Multidisciplinar, volumen 7 (número 6). 5691-5708. https://doi.org/10.37811/cl_rcm.v7i6.9110 DOI: https://doi.org/10.37811/cl_rcm.v7i6.9110
Villena, J. (2016). CRISP-DM: La metodología para poner orden en los proyectos de data science. Singular.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 International Journal of Pedagogy and Educational Innovation
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Articles are published under the terms of a licence that permits use, distribution and reproduction in any medium, provided that the original work is properly cited. Ed&TIC retains the proprietary rights to the published works and actively promotes the reuse of these works under the terms of the aforementioned licence, which encourages the dissemination of knowledge and collaboration in the academic community.
