Publicación:
Diseño de un modelo predictivo para estimar la deserción estudiantil en la facultad de ingeniería de la Fundación Universitaria Unipanamericana

Vista sencilla de ítem
dc.contributor.advisorSusa Rubiano, Ricardo
dc.contributor.authorBernal Machuca, Edison Gustavo
dc.contributor.authorBlanco Jiménez, Miguel Alejandro
dc.contributor.authorMartínez Morales, María de los Ángeles
dc.contributor.authorVásquez Acosta, Edwin Florencio
dc.contributor.researchgroupGrupo de Investigación de la Facultad de Ingeniería - GIISspa
dc.date.accessioned2021-10-01T00:40:47Z
dc.date.available2021-10-01T00:40:47Z
dc.date.issued2018
dc.description.abstractLa deserción estudiantil es una de las principales problemáticas que enfrenta el sistema de educación superior colombiano, pese a los esfuerzos del ministerio de educación nacional, los índices de deserción según estadísticas anuales se mantienen. En la siguiente investigación se examinan las variables que pueden incidir en un estudiante para que este cambie su estado de activo a desertor, identificando las determinantes de deserción en la institución de educación superior Unipanamericana fundación universitaria, con el objetivo de realizar el diseño de un modelo de aprendizaje supervisado y no supervisado con el fin de conocer con anterioridad la probabilidad de deserción de los estudiantes de los ciclos técnico y tecnológico de los programas académicos de ingeniería de sistemas e ingeniería de telecomunicaciones, basados en un modelamiento y categorización de la población estudiantil por medio de diagramas de VENN, que permitieron clasificar variables individuales, académicas, institucionales y socioeconómicos. Identificando los estudiantes con características similares y que no continuaron con sus estudios, por medio de esta clasificación se generaron datos en Python de la población, posteriormente se implementaron técnicas de minería de datos que permitieron extraer información del conjunto de datos generados encontrando patrones de comportamiento en estudiantes desertores y no desertores. Se analizaron los datos y se aplicó una metodología de experimentación para el diseño del modelo con una topología basada en árboles de decisión y redes neuronales, identificando los porcentajes de deserción aplicando fórmulas matemáticas de minimización del error; obteniendo un valor cuantitativo referente a la probabilidad de que un estudiante sea desertor antes de que suceda.spa
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) de Sistemasspa
dc.description.researchareaSistemas de Informaciónspa
dc.description.tableofcontents- Introducción - Antecedentes - Objetivos - Marco teórico - Caso de estudio - Desarrollo - Diseño modelo predictivo - Resultadosspa
dc.format.extent157 Paginasspa
dc.format.mimetypeapplication/pdfspa
dc.identifier.urihttps://repositoriocrai.ucompensar.edu.co/handle/compensar/3025
dc.language.isospaspa
dc.publisherFundación Universitaria Unipanamericana – Compensarspa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.placeBogotá D.Cspa
dc.publisher.programIngeniería de Sistemasspa
dc.relation.referencesAzoumana, K. (2013). Análisis de la deserción estudiantil en la Universidad Simón Bolívar, Facultad Ingeniería de Sistemas, con técnicas de minería de datos. Pensamiento Americano, 6(10), 41–51. https://doi.org/10.21803/penamer.6.10.137spa
dc.relation.referencesBouza, C. N., & Santiago, A. (2014). LA MINERÍA DE DATOS : ARBOLES DE DECISIÓN Y SU APLICACIÓN EN ESTUDIOS, (March)spa
dc.relation.referencesCastaño, E., Gallón, S., Gómez, K., & Vásquez, J. (2004). Deserción estudiantil universitaria : una aplicación de modelos de duración.spa
dc.relation.referencesErnesto, C., Guarín, L., Guzmán, E. L., & González, F. A. (2015). A Model to Predict Low Academic Performance at a Specific Enrollment Using Data Mining, 10(3), 119–125spa
dc.relation.referencesEspino Timón, C. (2017). Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo - herramientas Open Source que permiten su uso.spa
dc.relation.referencesEsteban, J., Castro, S., Camilo, C., Rodríguez, R., Montenegro Marín, C. E., Alonso, P., … Castellanos, J. G. (2016). Hacia la construcción de un modelo predictivo de deserción académica basado en técnicas de minería de datos Towards the construction of a predictive model dropout academic based data mining techniques Rumo a construção de um modelo de previsão de deserção acadêmicos com base técnicas de mineração de dados, (26). https://doi.org/10.14483/udistrital.jour.RC.2016.26.a5spa
dc.relation.referencesFigueras, S., & Gargallo, P. (2003). Análisis exploratorio de datos (A.E.D.). 5campus.Com, Estadística <http://Www.5campus.Com/Leccion/Aed> Junio 2016, 68. https://doi.org/10.3989/scimar.2003.67n2219spa
dc.relation.referencesGuerra, M. S., Neto, H. A., & Oliveira, S. A. (2018). A Case Study of Applying the Classification Task for Students ’ Performance Prediction, 16(1), 172–177.spa
dc.relation.referencesGuzmán, C., Muriel, D., & Franco, J. (2009). Deserción estudiantil en la educación superior colombiana. Metodología de seguimiento, diagnóstico y elementos para su prevención. Ministerio de Educación. Retrieved fromspa
dc.relation.referencesHale, R. L. (1981). Cluster analysis in school psychology: An example. Journal of School Psychology, 19(1), 51–56. https://doi.org/10.1016/0022-4405(81)90007-8spa
dc.relation.referencesernández, Á., Rama, C., Jiminián, Y., & Cruz, M. (2009). Deserción en las instituciones de educacion superior en America latina y el caribespa
dc.relation.referencesIván, J., & Echeverry, M. (2017). Propuesta de un modelo estadístico para caracterizar y predecir la deserción estudiantil Universitaria. Retrieved from http://www.bdigital.unal.edu.co/58059/1/71787491.2017.pdfspa
dc.relation.referencesMaccagno, A., & Mangeaud, A. (n.d.). No Title, 1–30spa
dc.relation.referencesMarín Diazaraque; Juan Miguel. (2013). Análisis de regresión lineal : El procedimiento Regresión lineal. Guía Para El Análisis de Datos En SPSS, 41spa
dc.relation.referencesMediterraneennes, O. (n.d.). Experience de L ’ IPDR de Kolo. 2017, 61–63. https://doi.org/10.1007/s10107-014-0839-0spa
dc.relation.referencesMerchán, S. M., & Duarte, J. A. (2016). Analysis of Data Mining Techniques for Constructing a Predictive Model for Academic Performance, 14(6), 2783–2788.spa
dc.relation.referencesMinisterio de Educación Nacional. (2015). Estadísticas Deserción y Graduación 2015. Ministerio de Educación Nacional, 4. Retrieved from www.mineducacion.gov.co/sistemasdeinformacion/1735/articles 357549_recurso_3.pdfspa
dc.relation.referencesMinisterio de Educación Nacional, . (2017). REPORTE SOBRE DESERCIÓN Y GRADUACIÓN EN EDUCACIÓN SUPERIOR AÑO 2016, 57(57), 1–4.spa
dc.relation.referencesOREALC/UNESCO. (2013). Situación Educativa de America Latina y el Caribe, 209. Peralta Castro, R., Rodríguez Mora, J., & Jiménez Serrato, S. (2016). Variables asociadas a la deserción estudiantil: Estudio de caso en la Fundación Universitaria. Escenarios, 14(141), 117–129. https://doi.org/10.15665/esc.v14i1.88spa
dc.relation.referencesPerez Villa, E., Misas Arango, M., Norman, B., & Santacruz Rincón, S. (2013). Un Modelo de Educación Superior y Deserción Universitaria: Evidencia de la Pontificia Universidad Javeriana-Bogotá. Pontificia Universidad Javeriana Bogotá, 1–56spa
dc.relation.referencesTanco, F. (2014). Universidad Tecnologica Nacional Facultad Regional Buenos Aires Introduccion a Las Redes Neuronales Artificiales. Grupo de Inteligencia Artificial (GIA)spa
dc.relation.referencesUniversidad de los Andes. (2014). Determinantes de la deserción. Universidad de Los Andes. Xu, J., Moon, K. H., Member, S., & Schaar, M. Van Der. (2017). A Machine Learning Approach for Tracking and Predicting Student Performance in Degree Programs, 11(5), 742–753.spa
dc.relation.referencesPérez Ló pez, C. and Santín González, D. (2008). Minería de datos técnicas y herramientas. [Madrid]: Paraninfo Cengage Learningspa
dc.rightsFundación Universitaria Unipanamericana – Compensar, 2018spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.sourceFuente PDFspa
dc.subject.proposalDeserción estudiantilspa
dc.subject.proposalmodelo predictivospa
dc.subject.proposalminería de datosspa
dc.subject.proposalredes neuronalesspa
dc.subject.proposalarboles de decisiónspa
dc.subject.proposalaprendizaje supervisado y no supervisadospa
dc.titleDiseño de un modelo predictivo para estimar la deserción estudiantil en la facultad de ingeniería de la Fundación Universitaria Unipanamericanaspa
dc.typeTrabajo de grado - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.redcolhttps://purl.org/redcol/resource_type/TPspa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Diseño de un modelo predictivo para estimar la probabilidad de deserción estudiantil en la facultad de ingeniería de la f~1.pdf
Tamaño:
4.87 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
14.48 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

ABA. Ingeniería de Sistemas