Caracterización de la deserción universitaria en la UNRN utilizando Minería de Datos

Autores/as

  • Sonia Formia Laboratorio de Informática Aplicada LIA- Licenciatura en Sistemas-Sede Atlántica, UNRN, Viedma , Argentina
  • Laura Cristina Lanzarini Instituto de Investigación en Informática LIDI, Facultad de Informática, UNLP, La Plata , Argentina
  • Waldo Hasperué Instituto de Investigación en Informática LIDI, Facultad de Informática, UNLP, La Plata , Argentina

DOI:

https://doi.org/10.24215/18509959.0.p.%2092-98

Palabras clave:

Selección de atributos, Proyección de atributos, Minería de Datos, Deserción universitaria

Resumen

En el ámbito de la Universidad Nacional de Río Negro (UNRN), y en particular en la Sede Atlántica desde la Licenciatura en Sistemas, es una creciente preocupación el fenómeno de deserción y desgranamiento que se ha podido apreciar en los cuatro primeros años de vida de la Institución. El presente trabajo describe el proceso de identificación de las características más relevantes del problema a través de las cuales, utilizando técnicas de Minería de Datos (DM), puede obtenerse un modelo de la deserción universitaria en la unidad académica mencionada. Para identificar las características más relevantes se propone analizar, luego del preprocesamiento de los datos, las proyecciones de los atributos en las clases o respuestas esperadas. Su aplicación a los datos de los alumnos de las carreras de grado de la UNRN ha ofrecido resultados satisfactorios permitiendo efectuar recomendaciones tendientes a reducir el porcentaje de alumnos que abandona la carrera.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

[1]. La Red Martínez, D. L., Acosta, J. C., Cutro, L. A., Uribe, V. E., and Rambo, A. R. (2009). Data warehouse y data mining aplicados al estudio del rendimiento académico y de perfiles de alumnos. In XII Workshop de Investigadores en Ciencias de la Computación – CACIC 2010, pages 162–166.
[2]. Luo, Q. (2008). Advancing knowledge discovery and data mining. In Knowledge Discovery and Data Mining, 2008. WKDD 2008. First International Workshop on.
[3]. Alcover, R., Benlloch, J., Blesa, P., Calduch, M. A., Celma, M., Ferri, C., Hernández Orallo, J., Iniesta, L.,Más, J., Ramírez Quintana, M. J., Robles, A., Valiente, J. M., Vicent, M. J., and Zúnica, L. R. (2007). Análisis del rendimiento académico en los estudios de informática de la universidad politécnica de valencia aplicando técnicas de minería de datos. Technical report, Universidad Politécnica de Valencia.
[4]. Valero, S. and Salvador, A. (2009). Predicción de la deserción escolar usando técnicas de minería de datos. In Simposio Internacional en Sistemas Telemáticos y Organizaciones Inteligentes SITOI 2009, pages 332–340.
[5]. Rodallegas, E., Torres, A., Gaona, B., Gastelloú, E., Lezama, R., and Valero, S. (2010). Modelo predictivo para la determinación de causas de reprobación mediante minería de datos. In II Conferencia Conjunta Iberoamericana sobre Tecnologías para el aprendizaje – CcITA 2010, pages 48–55.
[6]. Valero, S., Salvador, A., and García, M. (2010). Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos. In II Conferencia Conjunta Iberoamericana sobre Tecnologías para el aprendizaje – CcITA 2010, pages 33–39.
[7]. Wang, J., Lu, Z., Wu, W., and Li, Y. (2012). The application of data mining technology based on teaching information. In Computer Science Education (ICCSE), 2012 7th International Conference on, pages 652 –657.
[8]. Ngo, L., Dantuluri, V., Stealey, M., Ahalt, S., and Apon, A. (2012). An architecture for mining and visualization of u.s. higher educational data. In Proceedings of the 2012 Ninth International Conference on Information Technology - New Generations, ITNG ’12, pages 783–789, Washington, DC, USA. IEEE Computer Society.
[9]. Hernández Orallo, J., Ramírez Quintana, M., and Ferri Ramírez, C. (2004). Introducción a la Minería de Datos. Ed. Pearson.
[10].Witten, I. H. and Frank, E. (2011). Data Mining: Practical Machine Learning.Tools and Techniques. The Morgan Kaufmann Series in Data Management Systems. Morgan Kaufmann Publishers, San Francisco, CA, 3th edition.
[11].Kohavi, R. and John, G. H. (1997). Wrappers for feature subset selection. Artif. Intell., 97(1-2):273–324.
[12].Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley Longman Publishing Co., Inc., Boston, MA, USA, 1st ed.
[13].Hall, M. A. (1999). Correlation-based Feature Selection for Machine Learning. PhD thesis, University of Waikato, Hamilton, New Zealand.
[14].Quinlan, R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, San Mateo, CA.
[15].Sanchez, Roberto Ruiz. Heurísticas de selección de atributos para datos de gran dimensionalidad. Tesis doctoral Universidad de Sevilla. 2006
[16].Formia S, Lanzarini L. Evaluación de técnicas de Extracción de Conocimiento en Bases de Datos y su aplicación a la deserción de alumnos universitarios. VIII Congreso de Tecnología en Educación y Educación en Tecnología 2013. Sgo.del Estero. Junio 2013.

Descargas

Publicado

2013-12-02

Cómo citar

[1]
S. Formia, L. C. Lanzarini, y W. Hasperué, «Caracterización de la deserción universitaria en la UNRN utilizando Minería de Datos», TEyET, n.º 11, pp. p. 92–98, dic. 2013.

Número

Núm. 11 (2013): Número 11

Sección

Artículos originales

Licencia

Derechos de autor y licencias

Los artículos aceptados para publicación tendrán la licencia de Creative Commons BY-NC. Los autores deben firmar un acuerdo de distribución no exclusiva después de la aceptación del artículo.