Publicación: Diseño de un modelo predictivo para estimar la deserción estudiantil en la facultad de ingeniería de la Fundación Universitaria Unipanamericana
dc.contributor.advisor | Susa Rubiano, Ricardo | |
dc.contributor.author | Bernal Machuca, Edison Gustavo | |
dc.contributor.author | Blanco Jiménez, Miguel Alejandro | |
dc.contributor.author | Martínez Morales, María de los Ángeles | |
dc.contributor.author | Vásquez Acosta, Edwin Florencio | |
dc.contributor.researchgroup | Grupo de Investigación de la Facultad de Ingeniería - GIIS | spa |
dc.date.accessioned | 2021-10-01T00:40:47Z | |
dc.date.available | 2021-10-01T00:40:47Z | |
dc.date.issued | 2018 | |
dc.description.abstract | La 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.degreelevel | Pregrado | spa |
dc.description.degreename | Ingeniero(a) de Sistemas | spa |
dc.description.researcharea | Sistemas de Información | spa |
dc.description.tableofcontents | - Introducción - Antecedentes - Objetivos - Marco teórico - Caso de estudio - Desarrollo - Diseño modelo predictivo - Resultados | spa |
dc.format.extent | 157 Paginas | spa |
dc.format.mimetype | application/pdf | spa |
dc.identifier.uri | https://repositoriocrai.ucompensar.edu.co/handle/compensar/3025 | |
dc.language.iso | spa | spa |
dc.publisher | Fundación Universitaria Unipanamericana – Compensar | spa |
dc.publisher.faculty | Facultad de Ingeniería | spa |
dc.publisher.place | Bogotá D.C | spa |
dc.publisher.program | Ingeniería de Sistemas | spa |
dc.relation.references | Azoumana, 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.6.10.137 | spa |
dc.relation.references | Bouza, C. N., & Santiago, A. (2014). LA MINERÍA DE DATOS : ARBOLES DE DECISIÓN Y SU APLICACIÓN EN ESTUDIOS, (March) | spa |
dc.relation.references | Castaño, E., Gallón, S., Gómez, K., & Vásquez, J. (2004). Deserción estudiantil universitaria : una aplicación de modelos de duración. | spa |
dc.relation.references | Ernesto, 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), 119–125 | spa |
dc.relation.references | Espino Timón, C. (2017). Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo - herramientas Open Source que permiten su uso. | spa |
dc.relation.references | Esteban, 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.a5 | spa |
dc.relation.references | Figueras, 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.2003.67n2219 | spa |
dc.relation.references | Guerra, 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.references | Guzmán, 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 from | spa |
dc.relation.references | Hale, 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)90007-8 | spa |
dc.relation.references | ernández, Á., Rama, C., Jiminián, Y., & Cruz, M. (2009). Deserción en las instituciones de educacion superior en America latina y el caribe | spa |
dc.relation.references | Iván, 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.pdf | spa |
dc.relation.references | Maccagno, A., & Mangeaud, A. (n.d.). No Title, 1–30 | spa |
dc.relation.references | Marín Diazaraque; Juan Miguel. (2013). Análisis de regresión lineal : El procedimiento Regresión lineal. Guía Para El Análisis de Datos En SPSS, 41 | spa |
dc.relation.references | Mediterraneennes, O. (n.d.). Experience de L ’ IPDR de Kolo. 2017, 61–63. https://doi.org/10.1007/s10107-014-0839-0 | spa |
dc.relation.references | Merchán, 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.references | Ministerio 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.pdf | spa |
dc.relation.references | Ministerio de Educación Nacional, . (2017). REPORTE SOBRE DESERCIÓN Y GRADUACIÓN EN EDUCACIÓN SUPERIOR AÑO 2016, 57(57), 1–4. | spa |
dc.relation.references | OREALC/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.v14i1.88 | spa |
dc.relation.references | Perez 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, 1–56 | spa |
dc.relation.references | Tanco, F. (2014). Universidad Tecnologica Nacional Facultad Regional Buenos Aires Introduccion a Las Redes Neuronales Artificiales. Grupo de Inteligencia Artificial (GIA) | spa |
dc.relation.references | Universidad 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.references | Pérez Ló pez, C. and Santín González, D. (2008). Minería de datos técnicas y herramientas. [Madrid]: Paraninfo Cengage Learning | spa |
dc.rights | Fundación Universitaria Unipanamericana – Compensar, 2018 | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | spa |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | spa |
dc.source | Fuente PDF | spa |
dc.subject.proposal | Deserción estudiantil | spa |
dc.subject.proposal | modelo predictivo | spa |
dc.subject.proposal | minería de datos | spa |
dc.subject.proposal | redes neuronales | spa |
dc.subject.proposal | arboles de decisión | spa |
dc.subject.proposal | aprendizaje supervisado y no supervisado | spa |
dc.title | Diseño de un modelo predictivo para estimar la deserción estudiantil en la facultad de ingeniería de la Fundación Universitaria Unipanamericana | spa |
dc.type | Trabajo de grado - Pregrado | spa |
dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | spa |
dc.type.content | Text | spa |
dc.type.driver | info:eu-repo/semantics/bachelorThesis | spa |
dc.type.redcol | https://purl.org/redcol/resource_type/TP | spa |
dc.type.version | info:eu-repo/semantics/publishedVersion | spa |
dspace.entity.type | Publication | |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 | spa |
oaire.version | http://purl.org/coar/version/c_970fb48d4fbd8a85 | spa |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- 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:
Bloque de licencias
1 - 1 de 1
Cargando...
- Nombre:
- license.txt
- Tamaño:
- 14.48 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción: