Propuesta de un modelo de clasificación para predecir la deserción de estudiantes en un ciclo académico en un Instituto Superior de Educación

• Autores: Santamaria Castillo, Eduardo, Lazaro Concepcion, Anthony Anibal, Rengifo Ocrospoma, Marty Joseph, Truyenque Tanaka, Jose Augusto
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/684430
• Enlace del recurso: http://hdl.handle.net/10757/684430
• Nivel de acceso: acceso abierto
• Materia: Modelo de clasificación; Deserción estudiantil; Predicción; Exactitud; Classification model; Student dropout; Prediction; Accuracy; https://purl.org/pe-repo/ocde/ford#1.00.00; https://purl.org/pe-repo/ocde/ford#1.02.01

Este trabajo presentó una propuesta de un modelo de clasificación para predecir la deserción de estudiantes en un ciclo académico en un Instituto Superior de Educación – Lima, Perú que pueda predecir en base a información del estudiante si este continuará sus estudios en el siguiente ciclo. En la construcción de los modelos se utilizó información como el promedio acumulado, la facultad, el tiempo desde la matrícula, la edad y el estatus de deserción o no deserción. Los datos de promedio acumulado, facultad y edad se etiquetaron con números por intervalos de valores. Se generarón modelos de clasificación a partir de seis algoritmos diferentes: Random Forest, Gradient Boosting, Redes Neuronales, Support Vector Machine, Regresión Logística y Árbol de Decisión. Se comparó el desempeño de estos modelos para definir el que proporcionó mejores resultados. El algoritmo de árbol de decisión presentó mejores medidas con respecto al resto, mostrando una precisión del modelo de 81.82%. Para mejorar las métricas de los modelos, se llevó a cabo un proceso de optimización de parámetros explorando combinaciones específicas que maximizan el desempeño. Como resultado, el modelo Support Vector Machine (SVM) incrementó su precisión de 79.94% a 81.92%, destacándose como el algoritmo con mejor rendimiento. Además, se identificó que la relación entre el promedio ponderado de un estudiante y la deserción es el factor más significativo. Finalmente, se elaboró un plan de trabajo para la implementación del modelo con el objetivo de mejorar las proyecciones de ingresos del Instituto Superior de Educación.