Análisis y Comparación de Algoritmos No Supervisados para Detectar Riesgo de Deserción Estudiantil
Palabras clave:
K-means, Fuzzy c-means, Educación, Deserción escolar, Clasificación, Inteligencia artificial.Resumen
La pandemia del virus COVID-19 tuvo repercusiones significativas en diversos sectores, siendo el sector educativo uno de los más afectados. La inclusión, continuidad y graduación oportuna de los estudiantes inscritos en la educación superior es una de las prioridades de la Ley General de Educación. Para lograr esto, deben implementarse estrategias y medidas que promuevan la retención estudiantil en las instituciones de educación superior. Por esta razón, uno de los principales desafíos educativos es proporcionar a los docentes las herramientas y recursos necesarios para identificar y canalizar casos como la violencia, la salud mental y posibles casos de abandono escolar.
Mediante la aplicación de técnicas de minería de datos en educación, se ha logrado predecir el rendimiento académico, la creación de modelos predictivos para la retención estudiantil y definir perfiles de comportamiento. Una revisión del estado del arte ha concluido que el abandono escolar está influenciado por múltiples factores, como variables académicas, económicas y sociales. Al utilizar algoritmos de agrupamiento, se puede obtener información más detallada y conocimientos sobre los patrones de abandono, lo que permite tomar decisiones informadas en los niveles de educación superior.
En este proyecto, se analizarán y definirán los indicadores para monitorear el rendimiento escolar de los estudiantes del campus universitario ITESG en dos fases: primero con todas las características de los estudiantes y luego solo con las características relevantes para comparar sus resultados. Este conjunto de datos será gestionado por un Sistema Inteligente que hará uso de algoritmos de clasificación no supervisados de Inteligencia Artificial, como K-Means y Fuzzy C-Means (FCM), para agrupar y detectar posibles casos de abandono escolar y poder canalizarlos al área de tutoría. Concluyendo que el algoritmo FCM es el mejor para este trabajo al detectar casos en riesgo de deserción escolar.
El objetivo de este trabajo fué analizar y comparar el desempeño de los algoritmos no supervisados anteriormente mencionados, para detector estudiantes en riesgo de deserción escolar, empleando un conjunto de datos del Instituto Tecnológico Superior de Guanajuato y considerando tanto todas sus características como solo las más relevantes identificadas mediante pruebas estadísticas.
Referencias
[1] Subsecretaría de Educación Superior, "Criterios Generales para la Distribución de los Recursos Autorizados al Programa Presupuestario U079", Programa de Expansión de la Educación Media Superior y Superior, 2023.
[2] Secretaria de Educación Pública, "Programa Sectorial de Educación 2020-2024", 2020.
[3] A. Urbina Nájera, "Deserción escolar universitaria, Patrones para prevenirla aplicando minería de datos educativa", e-Journal of Educational Research, Assessment and Evaluation, 2020.
[4] H. Sadiq, "Educational data mining and analysis of students’ academic performance using WEKA", Indonesian Journal of Electrical Engineering and Computer Science, vol. 9, no. 2, pp. 447-459, 2018.
[5] F. Guiyun, "Analysis and prediction of students’ academic performance based on educational data mining", IEEE Access, vol. 10, pp. 19558-19571, 2022.
[6] A. Ani, "Enhancing the clustering of student performance using the variation in confidence", Intelligent Tutoring Systems: 14th International Conference, pp. 274-279, 2018.
[7] R. González, "Massive LMS log data analysis for the early prediction of course-agnostic student performance", Computers & Education, vol. 163, 2021.
[8] F. I. Moreira, "Moodle Predicta: A Data Mining Tool for Student Follow Up", CSEDU, pp. 339-346, 2017.
[9] M. Saqr, "How learning analytics can early predict under-achieving students in a blended medical education course", Medical Teacher, pp. 757-767, 2017.
[10] D. Y. Hooshyar, "Clustering algorithms in an educational context: An automatic comparative approach", IEEE Access, vol. 8, pp. 146994-147014, 2018.
[11] Y. G. Li, "Educational data mining for students' performance based on fuzzy C‐means clustering", The Journal of Engineering, pp. 8245-8250, 2019.
[12] M. Jessica, "DETECT: a hierarchical clustering algorithm for behavioural trends in temporal educational data", Artificial Intelligence in Education: 21st International Conference, pp. 374-385, 2020.
[13] B.-A. Norka, "Classification Models for Determining Types of Academic Risk and Predicting Dropout in University Students", International Journal of Advanced Computer Science and Applications(IJACSA), vol. 11, 2020.
[14] B. Andreas, "Early Prediction of University Dropouts – A Random Forest Approach", Jahrbücher für Nationalökonomie und Statistik, vol. 240, no. 6, pp. 743-789, 2020.
[15] K. Lorenz, "Predicting student dropout: A machine learning approach", European Journal of Higher Education, 2020.
[16] V. Matti, "Predicting student dropouts with machine learning: An empirical study in Finnish higher education", Technology in Society, vol. 76, 2024.
[17] S. Martín, "Perspectives to Predict Dropout in University Students with Machine Learning", IEEE International Work Conference on Bioinspired Intelligence (IWOBI), 2018.
[18] H. Sadiq, "Classification, clustering and association rule mining in educational datasets using data mining tools: A case study", Cybernetics and Algorithms in Intelligent Systems: Proceedings of 7th Computer Science On-line Conference 2018, pp. 196-211, 2019.
[19] B. J.C., "Pattern Recognition with Fuzzy Objective Function", Springer, 1981.
[20] R. &. S. R. Suganya, "Fuzzy c-means algorithm-a review", International Journal of Scientific and Research Publications, vol. 2, no. 11, 2012.
[21] T. J., "Feature selection for classification: A review", Data classification: Algorithms and applications, 2014.
