Análisis de Deserción-Permanencia de Estudiantes Universitarios Utilizando Técnica de Clasificación en Minería de Datos
Open Access
- 1 January 2015
- journal article
- Published by SciELO Agencia Nacional de Investigacion y Desarrollo (ANID) in Formación universitaria
- Vol. 8 (5) , 03-12
Abstract
Aplicación de una técnica de minería de datos. La fuente de datos contiene información proporcionada al ingreso (personales y antecedentes educativos) y la que se genera durante el periodo de estudios. Se realiza la selección y depuración de datos, utilizando diferentes criterios de representación y aplicación de algoritmos de clasificación como árboles de decisión, redes bayesianas y reglas. Se identifica como variables influyentes en la deserción, asignaturas aprobadas, cantidad y resultado de asignaturas cursadas, procedencia y edad de ingreso del estudiante. Mediante este proceso fue posible identificar los atributos que caracterizan a los casos de deserción y su relación con el desempeño académico, especialmente en el primer año de la carrera.Keywords
This publication has 9 references indexed in Scilit:
- ASPECTOS DETERMINANTES DEL ÉXITO ACADÉMICO DE ESTUDIANTES UNIVERSITARIOSFormación universitaria, 2014
- Factores determinantes del rendimiento académico de los estudiantes de la Universidad de AtacamaEstudios Pedagógicos (Valdivia), 2014
- A combinational incremental ensemble of classifiers as a technique for predicting students’ performance in distance educationKnowledge-Based Systems, 2010
- Educational Data Mining: A Review of the State of the ArtIEEE Transactions on Systems, Man and Cybernetics, Part C (Applications and Reviews), 2010
- Factors influencing university drop out ratesComputers & Education, 2009
- Efecto de la Trayectoria Académica en el Desempeño de Estudiantes de Ingeniería en Evaluaciones NacionalesFormación universitaria, 2008
- MODELO CONCEPTUAL PARA LA DESERCIÓN ESTUDIANTIL UNIVERSITARIA CHILENAEstudios Pedagógicos (Valdivia), 2008
- Estimating student retention and degree‐completion time: Decision trees and neural networks vis‐à‐vis regressionNew Directions for Institutional Research, 2006
- Advances in Knowledge Discovery and Data MiningTechnometrics, 1998