Propuesta de arquitectura y construcción de aprendizaje automático (AA) como estrategia para la reducción de los niveles de deserción universitaria debido a factores académicos
Introducción: El Machine Learning, surge como una de las técnicas de la inteligencia artificial, en la cual, a través de algoritmos, accede a los datos y los utiliza para aprender y predecir resultados. En cuanto su aplicación en la educación permite la caracterización de dificultades en el aprendizaje a través del análisis de su rendimiento.
Objetivo: Identificación de aplicaciones del Machine Learning aplicado al ámbito educativo que permitan la disminución de los niveles de deserción académica, a través de una propuesta de arquitectura para su aplicación en un entorno de educación personalizada.
Metodología: Se inicia con la revisión de la literatura sobre las características del aprendizaje automático, la deserción académica, con énfasis en el caso colombiano, la hiperpersonalización y su aplicabilidad a las metodologías de aprendizaje; generando a continuación una propuesta de arquitectura en un entorno de Aprendizaje Automático, con el fin de mitigar la deserción académica provocada por factores académicos. Finalmente, se proponen mecanismos de evaluación de la arquitectura propuesta, con una posterior síntesis y discusión de los resultados.
Conclusiones: La construcción de una arquitectura del Moodle de Hiperpersonalización del aprendizaje, es una perspectiva global de los factores representativos propuestos para el desarrollo de aplicaciones a través del Machine Learning, lo cual podría llevar a la disminución de los niveles de deserción académica universitaria, en el sentido en que se facilita la gestión del conocimiento, la información y la adaptación a través del análisis de escenarios.
Originalidad: La arquitectura propuesta se muestra como una aplicación del Machine Learning en casos de tipo social como la deserción académica, permitiendo la inclusión del modelado de aprendizaje automático con los requerimientos de un entorno educativo.
Cómo citar
Licencia
Derechos de autor 2019 Ingeniaría Solidaria
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Compromiso ético y cesión de derechos
El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.
El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.
Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.
E. Himmel, “Modelo de análisis de la deserción estudiantil en la educación superior.,” Calidad en la Educación, vol. 0, no. 17, pp. 91–108, May 2018. DOI: http://dx.doi.org/10.31619/caledu.n17.409
M. Sánchez, L. Cruz, and R. Ferro, “Modelo de aproximación al comportamiento de la deserción voluntaria universitaria en pregrados de Ingeniería periodo 2015-2018,” Ingeniería solidaria, vol. 14, no. 26, pp. 1–27, 2018. DOI: https://doi.org/10.16925/in.v14i26.2452
L. A. Melo-Becerra, J. E. Ramos-Forero, and P. Oswaldo Hernández-Santamaría, “La educación superior en Colombia: situación actual y análisis de eficiencia,” Desarrollo y Sociedad, pp. 59–111, 2017. DOI: 10.13043/DYS.78.2 Available: https://revistas.uniandes.edu.co/doi/pdf/10.13043/dys.78.2
I. G. Maglogiannis, Emerging artificial intelligence applications in computer engineering : real word AI systems with applications in eHealth, HCI, information retrieval and pervasive technologies. IOS Press, 2007.
D. Sisodia and D. S. Sisodia, “Prediction of Diabetes using Classification Algorithms,” Procedia Computer Science, vol. 132, pp. 1578–1585, Jan. 2018. DOI: https://doi.org/10.1016/j.procs.2018.05.122
S. B. Kotsiantis, I. D. Zaharakis, and · P E Pintelas, “Machine learning: a review of classification and combining techniques,” Artif Intell Rev, vol. 26, pp. 159–190, 2006. DOI: https://doi.org/10.1007/s10462-007-9052-3
M. Copeland, J. Soh, A. Puca, M. Manning, and D. Gollob, “Microsoft Azure Machine Learning,” in Microsoft Azure, 2015. Available: https://link.springer.com/content/pdf/bfm%3A978-1-4842-1043-7%2F1.pdf
Ministerio de Educación, “Estádisticas de deserción y graduación.,” pp. 1–4, 2016. Available: https://www.mineducacion.gov.co/sistemasdeinformacion/1735/articles-357549_recurso_5.pdf
Universidad Distrital, “Estadística de la permanencia, graduación y deserción de los estudiantes en la Facultad de Ingeniería en programas de pregrado 2009-2017,” pp. 13–19,47–56, 2018. Available: http://www1.udistrital.edu.co:8080/documents/11171/e49da6d0-2402-43b0-a554-3136d196e8fa
S. P. Barragán Moreno and L. González Támara, “Acercamiento a la deserción estudiantil desde la integración social y académica,” Revista de la Educación Superior, vol. 46, no. 183, pp. 63–86, Jul. 2017. DOI: https://doi.org/10.1016/j.resu.2017.05.004
Ministerio de Educación Nacional, Deserción estudiantil en la educación superior colombiana. pp. 33–134, 2009. Available: https://www.mineducacion.gov.co/sistemasdeinformacion/1735/articles-254702_libro_desercion.pdf
A. Viana, N., Rullán, “Reflections about school dropout in Finland and Puerto Rico,” Education Policy Analysis Archives, vol. 18, pp. 1–33, 2010. DOI: http://dx.doi.org/10.14507/epaa.v18n4.2010
J. Y. Chung and S. Lee, “Dropout early warning systems for high school students using machine learning,” Children and Youth Services Review, pp. 346–353, 2018. DOI: https://doi.org/10.1016/j.childyouth.2018.11.030
M. Tan and P. Shao, “Prediction of student dropout in E-learning program through the use of machine learning method,” International Journal of Emerging Technologies in Learning, vol. 10, no. 1, pp. 11–17, 2015. DOI: http://dx.doi.org/10.3991/ijet.v10i1.4189
P. Marquès, Las Tecnologías de la Información y las Comunicaciones en el sistema universitario español. Conferencia de Rectores de las Universidades Españolas (CRUE) pp. 41–81, 2008. Available: https://ddd.uab.cat/pub/dim/16993748n0/16993748n0a6.pdf
A. Lozano and J. Burgos, “El reto de la radio interactiva y la tutoría virtual,” in Tecnología Educativa en un Modelo de Educación a Distancia Centrado en la Persona, 1st ed., México: Limusa, 2015, pp. 241–276. Available: https://revistas.ucr.ac.cr/index.php/rlm/article/download/19692/19771/
R. Canales and P. Marquès, “Factores de buenas prácticas educativas con apoyo de las TIC Análisis de su presencia en tres centros educativos,” Educar, pp. 115–133, 2007. Available: https://ddd.uab.cat/pub/educar/0211819Xn39/0211819Xn39p115.pdf
Entrevista R. C. Revista Semana, “Uso de la tecnología en la educación,” Uso de la tecnología en la educación, 2017. Available: https://www.semana.com/educacion/articulo/uso-de-la-tecnologia-en-la-educacion/539903
M. I. Jordan and T. M. Mitchell, “Machine learning: Trends, perspectives, and prospects.,” Science (New York, N.Y.), vol. 349, no. 6245, pp. 255–60, Jul. 2015. Available: https://www.cs.cmu.edu/~tom/pubs/Science-ML-2015.pdf
INRIA, “Applying machine learning to education,” INRIA (The French National Institute for Computer Science and Applied Mathematics), 2016. Available: https://www.inria.fr/en/centre/lille/news/applying-machine-learning-to-education
K. S. Hone and G. R. El Said, “Exploring the factors affecting MOOC retention: A survey study,” Computers and Education, pp. 157–168, 2016. DOI: https://doi.org/10.1016/j.compedu.2016.03.016
P. L. Smith and C. L. Dillon, “Comparing distance learning and classroom learning: Conceptual considerations,” American Journal of Distance Education, vol. 13, no. 2, pp. 6–23, Sep. 2009. DOI: https://doi.org/10.1080/08923649909527020
D. Garlan et al., Documenting Software Architectures:Views and Beyond, Second Edi. Pearson, pp. 12–96, 2010. Available: http://ebooks.bharathuniv.ac.in/gdlc1/gdlc1/Computer%20Science%20Books/20110711documenting-software-architectures-views-and-beyond-2nd-edition.pdf
L. Bass et al., Software Architecture in Practice Third Edition. pp. 78–97, 2013. Available: https://jegadeesansite.files.wordpress.com/2018/01/sei-series-in-software-engineering-len-bass-paul-clements-rick-kazman-software-architecture-in-practice-addison-wesley-professional-2012.pdf
Microsoft Azure, “Azure Machine Learning Studio Documentation - Tutorials, API Reference | Microsoft Docs,” docs.microsoft.com, 2017. [Online]. Available: https://docs.microsoft.com/en-us/azure/machine-learning/studio/.
