Look-up in Google Scholar
Title: Modelo de análisis predictivo para el monitoreo de la deserción estudiantil aplicando machine learning en la educación superior universitaria del Perú
Other Titles: Predictive Analytics Model for Monitoring Student Dropout Using Machine Learning in Higher Education in Peruvian Universities
OCDE field: https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#2.00.00
Issue Date: 12-Jun-2024
Institution: Universidad Peruana de Ciencias Aplicadas (UPC)
Abstract: El presente proyecto analiza los principales factores de la deserción universitaria y plantea un modelo de análisis predictivo aplicando Machine Learning para detectar de manera temprana casos de deserción. Actualmente, la deserción universitaria es un problema que no solo afecta al estudiante, sino a las familias, universidad y sociedad. Como consecuencias, la pérdida de un profesional genera pérdidas en las inversiones de las universidad y disminución de investigación y producción científica. Con el apoyo de los algoritmos de Machine Learning, el proyecto identifica casos de deserción con la finalidad que las universidades actúen lo más antes posible. Tras analizar investigaciones similares, se realizó un Benchmarking de los algoritmos potencialmente aplicables. Finalmente, el proyecto desarrolla un modelo de análisis predictivo aplicando el algoritmo Random Forest (RF). Para el diseño del modelo, se definió un total de catorce (14) variables que pertenecen datos demográficos del alumno, formación preuniversitaria y admisión del alumno, entorno familiar, integración social y desempeño académico del alumno y variables cognitivas y emocionales del alumno.

This project analyzes the main factors of university dropout and proposes a predictive analysis model applying Machine Learning to detect early dropout cases. Currently, student dropout is a problem that not only affects the student, but also the families, university and society. With the support of machine learning, the main purpose of this project is to identify desertion cases in order to help universities to act as soon as possible. After analyzing similar research, we prepared a benchmarking of potentially applicable algorithms. Finally, the project develops a predictive analysis model applying the Random Forest (RF) algorithm. For the design of the model, a total of fourteen (14) variables were defined pertaining to student demographics, pre-university education and admission of the student, family environment, social integration and academic performance of the student, and cognitive and emotional variables of the student.
Discipline: Ingeniería de Sistemas de Información
Grade or title grantor: Universidad Peruana de Ciencias Aplicadas (UPC). Facultad de Ingeniería
Grade or title: Ingeniero de sistemas de información
Juror: Burga Durango, Daniel Wilfredo; Lucero Guevara, Delicia Esmeralda; Coronado Gutierrez, Jaime Juniors
Register date: 9-Aug-2024



This item is licensed under a Creative Commons License Creative Commons