ClubEnsayos.com - Ensayos de Calidad, Tareas y Monografias
Buscar

Temprana detección de estudiantes con dificultades

negro121Documentos de Investigación1 de Abril de 2018

10.038 Palabras (41 Páginas)176 Visitas

Página 1 de 41

Abstracto

Utilizando métodos de minería de datos, este documento presenta una nueva forma de identificar los perfiles de los estudiantes de primer año que probablemente enfrentarán grandes dificultades para completar su primer año académico. La falla académica es un tema relevante en un momento en que la educación postsecundaria es cada vez más crítica para el éxito económico. Nuestro objetivo es la detección temprana de posibles fallas utilizando los datos de los estudiantes disponibles en el momento de la inscripción, es decir, los registros escolares y los factores ambientales, con miras a una remediación o reorientación oportuna y eficiente. Adaptamos tres métodos de minería de datos, a saber, bosque aleatorio, regresión logística y algoritmos de redes neuronales artificiales. Diseñamos algoritmos para aumentar la precisión de la predicción cuando algunas clases son de gran interés. Estos algoritmos son independientes del contexto y se pueden usar en diferentes campos. Los datos reales pertenecientes a los estudiantes de pregrado de la Universidad de Lieja (Bélgica) ilustran nuestra metodología.

1. Motivación y objetivos

En una era en que la fabricación ya no es la actividad dominante, la educación postsecundaria se ha vuelto crucial para el éxito económico. Se estima que dos tercios de los empleos en el futuro requerirán un título de educación superior. Sin embargo, el informe 2014 de la OCDE [1] solo registra 39% y 11% de graduados entre adultos jóvenes en países de la OCDE con un programa de educación terciaria de tipo A (CINE 5A: universidad o asimilado) y con uno de tipo B (CINE 5B: vocacional). A pesar de las crecientes cifras de registro, la tasa de abandono generalmente es del 45%, mientras que en instituciones específicas o campos de estudio donde se aplican criterios de admisión específicos, solo cae un 10%. Como este último porcentaje se obtiene restringiendo la admisión a los estudiantes más prometedores, esta práctica no se puede generalizar para luchar contra la falta de estudiantes graduados. Por otro lado, cuando se aplican pocos o ningún requisito de admisión, la tasa de abandono puede aumentar al 70%. En las universidades belgas, donde la admisión a la mayoría de las facultades está abierta a cualquier estudiante con un certificado de educación secundaria, donde las tasas de matrícula son relativamente bajas (alrededor de 800EUR anuales) y cuya reputación atrae a muchos candidatos, la tasa promedio de caída es de aproximadamente 26.9%. Tales figuras requieren acción; reducirlos está en orden, no solo en beneficio de la economía mundial, sino también para los estudiantes, la colectividad y las instituciones educativas. Además de dañar la autoconfianza, el fracaso tiene un costo humano y financiero; un año de estudio es costoso para los estudiantes como para la colectividad. Como los recursos escolares son escasos y están diluidos entre todos los estudiantes, el desafío para las instituciones educativas en todo el mundo es atraer cada vez más estudiantes mientras se completan.

El fenómeno de abandono se refiere al primer año en particular. Alrededor del 25% de los estudiantes universitarios de primera generación en la Comunidad de habla francesa de Bélgica abandonan después de su primer año; mientras que algunos cambian a otros tipos de educación superior, la mayoría tiene dificultades. En los últimos años, hasta el 60% de las comunidades de habla francesa y alemana [2] fallaron en su primer año. En cuanto a los Estados Unidos, la tasa de deserción entre el primero y el segundo año alcanza el 44.8% en instituciones de dos años y el 25.63% en instituciones de cuatro años [3]. En todo el mundo, el primer año crucial exige soluciones. Remediar la situación, es decir, tomar decisiones oportunas, positivas y eficientes, implica comprender las razones del fracaso e identificar a los estudiantes en dificultad tan pronto como sea posible. Diversas razones pueden explicar el fracaso. Algunos estudiantes fracasan debido a una orientación incorrecta o inadecuada: no seleccionan el campo de estudio en adecuación con sus puntos fuertes o el entorno académico o profesional puede ser inadecuado para sus habilidades. Otros no están preparados para cumplir o incluso comprender las demandas de su programa. Siempre que estos estudiantes puedan ser identificados y la Universidad pueda detectar sus debilidades a tiempo, se podría ofrecer apoyo académico relevante y específico. La mayoría de las universidades, de hecho, establecieron sistemas destinados a ayudar a los estudiantes de primer año. Hasta ahora, sigue siendo difícil identificar los casos críticos antes de que tengan problemas, es decir, generalmente después de la primera sesión de exámenes, y a menudo es demasiado tarde para la reorientación e incluso para ayudar a salvar el año. Este documento tiene como objetivo detectar a estos estudiantes en el momento del registro sobre la base de datos fácilmente disponibles en ese momento para comenzar la recuperación antes del comienzo del año académico o, según sea el caso, ayudar con la reorientación. Esta es la primera originalidad principal de nuestro trabajo ya que la mayoría de las investigaciones previas sobre este tema generalmente se basan en datos disponibles solo al final del primer año, o después de una sesión de exámenes al final del primer trimestre, ya que tienen esperar para recoger algunos de los factores [4]. Sin embargo, la importancia de una detección temprana ya se mencionó en algunos estudios [5,6]. Nuestro enfoque se ilustra con datos reales proporcionados por la Universidad de Lieja. Al contrario de otras contribuciones al tema, no nos enfocamos en ningún campo específico de estudio; nuestra extensa base de datos incluye una amplia gama de grados. Contamos con un número limitado de indicadores de desempeños anteriores y algunos factores ambientales ya identificados en la literatura. Aunque consideramos un caso belga, los mismos indicadores podrían usarse para muchos otros países. Además, lo que proponemos es una nueva metodología de identificación basada en métodos de minería de datos, que podría integrar fácilmente otros indicadores o adicionales. Del mismo modo, aunque nuestro enfoque se centra en el fracaso del primer año en la universidad, nuestro marco se puede adaptar a otros contextos, p. estudios vocacionales, estudios de educación a distancia, estudios completos basados ​​en créditos, etc. Utilizamos técnicas de minería de datos para identificar a los estudiantes cuyos antecedentes son los más adversos. Consideramos tres métodos simultáneamente, a saber, la regresión logística, las redes neuronales artificiales y el bosque aleatorio, en una perspectiva comparativa. Tales métodos que predicen el fracaso versus el éxito no son nuevos, pero su nivel de precisión generalmente es demasiado bajo.

Esto nos lleva a otro objetivo de este documento y a nuestra segunda contribución principal: diseñamos algoritmos para asignar observaciones en una subcategoría de especial interés con un nivel de confianza predefinido por el que toma las decisiones. Se puede solicitar un alto nivel de precisión incluso si se produce a costa de un conjunto más pequeño de observaciones identificadas. También mostramos cómo lidiar con la compensación entre precisión y tamaño. Estos algoritmos son independientes del contexto y se pueden aplicar a un amplio conjunto de problemas. Se basan en una división dinámica de las observaciones en subclases durante el proceso de entrenamiento. El uso de subclases no es una idea nueva, pero sugerimos aquí un enfoque dinámico en el que las fronteras de las subclases se establezcan dinámicamente en función de los datos de entrenamiento, a fin de maximizar un criterio de precisión. En el contexto del caso educativo, el proceso está diseñado para alcanzar un alto nivel predefinido de precisión para la categoría principal bajo escrutinio, es decir, el grupo de falla. Distinguir a los estudiantes con un alto riesgo de fracaso de aquellos con uno probablemente más bajo tiene otra ventaja. La corrección probablemente difiera en cada caso, ya que este último solo podría necesitar algunos buenos consejos para tener éxito, mientras que el primero podría necesitar cursos adicionales. Finalmente, analizamos los resultados para descubrir por qué algunos estudiantes pueden tener dificultades. Realizamos un análisis de sensibilidad para determinar si obtendrían mejores puntajes si se modificaran o mejoraran algunas características de su perfil, incluido el campo de estudio seleccionado. El resto de este trabajo se estructura de la siguiente manera. La Sección 2 muestra una breve revisión de la literatura; La Sección 3 describe los métodos de clasificación y su mejora propuesta y la Sección 4 analiza los datos pertenecientes a la Universidad de Lieja. Cada método se aplica en este conjunto y se compara. Finalmente, se realiza un análisis de sensibilidad sobre algunos factores importantes.

2. Literatura científica relacionada

Los investigadores se propusieron investigar el éxito académico y las cifras de abandono hace años, aunque con variaciones en el alcance, los métodos y el objetivo. En primer lugar, el objetivo es identificar los factores de éxito o, como en nuestro caso, predecir las probabilidades de éxito de los estudiantes. Ambos enfoques aún comparten un interés común y los factores identificados por el primero son particularmente relevantes como insumo para este último. Otra pregunta al predecir el éxito es el nivel de refinamiento que se debe alcanzar, es decir, cuál debería ser la medida del éxito. Esta sección comienza con una breve revisión de la literatura sobre factores de éxito y continúa con la predicción de éxito y las medidas de éxito para finalmente presentar los métodos comunes hacia estos objetivos.

...

Descargar como (para miembros actualizados) txt (63 Kb) pdf (380 Kb) docx (30 Kb)
Leer 40 páginas más »
Disponible sólo en Clubensayos.com