Proyección de Estudiantes en Riesgo de Desertar Mediante Técnicas de Minería de Datos

  • Jhon Jaime Méndez Alandete Corporación Universitaria del Caribe - CECAR

Resumen

Uno de los problemas que se presentan en la universidad es el alto porcentaje de deserción y la dificultad para identificar las causas y prever los estudiantes en riego de desertar. El objetivo de esta investigación fue la predicción de estudiantes desertores aplicando técnicas de minería de datos, utilizando algoritmos de clasificación de caja blanca con reglas de inducción y árboles de decisión sobre diferentes conjuntos de datos. Se obtuvo, como resultado, un conjunto de reglas para predecir el estudiante desertor de la Corporación Universitaria del Caribe – CECAR.

Biografía del autor/a

Jhon Jaime Méndez Alandete, Corporación Universitaria del Caribe - CECAR
Docente de la facultad de Ingeniería, Ciencias Básicas y arquitectura de la Corporación Universitaria del Caribe, CECAR.

Citas

Cardozo. Duque. (2014). Deserción, lunar en educación superior [Online]. Disponible en: http://www.elcolombiano.com/BancoConocimiento/D/desercion_lunar_en_educacion_superior/desercion_lunar_en_educacion_superior.asp

Pinzón, Liza. “Aplicando minería de datos al marketing educativo”, Notas D Marketing 1, vol. 1, pp 45- 61, 2011.

A. Hall and G. Holmes. “Benchmarking Attribute Selection Techniques for Data Mining”, Technical Report 00/10, University of Waikato, Department of Computer Science, Hamilton, New Zealand, Julio 2002. Available: http://www.cs.waikato.ac.nz/~ml/publications/2000/00MH-GH-Benchmarking.pdf.M

R. Baker y K. Yacef. “The State of Educational Data Mining in 2009: A Review and Future Visions”, Journal of Educational Data Mining, Vol. 1, pp 3-16, 2009.

A. Salazar, J. Gosalbez, I. Bosch, R. Miralles. “A case study of knowledge discovery on academic achievement, student desertion and student retention” en Information Technology: Research and Education, 2004. ITRE 2004. 2nd International Conference on, 2004, p 150-154.

S. Kotsiantis, K. Patriarcheas and M. Xenos. “A Combinational Incremental Ensemble of Classifiers as a Technique for Predicting Students´ Performance in Distance Education”, Knowledge Based System, vol. 23, no. 6, pp. 529-535, 2010.

F. Díaz, M. Osorio, A. Amadeo y D. Romero. “Aplicando estrategias y tecnologías de Inteligencia de Negocio en sistemas de gestión académica” en XV Workshop de investigadores en ciencias de la computación, 2013.

(2012) Govloop Website. [En línea]. Disponible en http://www.govloop.com/profiles/blogs/using-business-intelligence-tools-to-improve- school-districts.

(2010) Educause website. [En línea]. Disponible en http://www.educause.edu/ero/article/signals-applying- academic-analytics.

Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. From Data Mining to Knowledge Discovery in Databases. American Association for Artificial Intelligence. (1996).

E. Espíndola, A. León. “La Deserción Escolar en América Latina un Tema Prioritario Para la Agenda Regional”, Revista Iberoamericana de Educación, no. 30, pp. 1-17, 2002.

N. V. Chawla, K. W. Bowyer, L. O. Hall, W.P. Kegelmeyer. “Synthetic Minority Over-sampling Technique”, Journal of Artificial Intelligence Research, 2002, 16:321-357.

C. Márquez, C. Romero y S. Ventura. “Predicción del Fracaso Escolar mediante Técnicas de Minería de Datos”, IEEE-RITA, Vol. 7, pp 109-117, Nov. 2012.

Publicado
2016-07-12