Modelo predictivo basado en inteligencia artificial y conciencia de contexto para identificar estudiantes en riesgo de deserción universitaria en Panamá
Introducción: Este artículo es el resultado de la investigación Análisis, diseño y desarrollo de un sistema inteligente consciente del contexto para la predicción de deserción universitaria, utilizando una arquitectura de microservicios, desarrollada en la Universidad Tecnológica de Panamá en 2024. Presenta el proceso de desarrollo de un modelo predictivo basado en inteligencia artificial que incorpora el contexto académico, sociodemográfico y psicológico de los estudiantes para la identificación temprana de aquellos en riesgo de deserción.
Problema: El Sistema educativo en la región Latinoamericana enfrenta altos indices de deserción, especialmente a nivel universitario, siendo los primeros años de la carrera determinantes, lo que repercute negativamente al desarrollo social, laboral y financiero de un país.
Objetivo: Desarrollar un modelo predictivo consciente del contexto basado en inteligencia artificial para identificar de manera oportuna a estudiantes en riesgo de deserción en la Universidad Tecnológica de Panamá.
Metodología: Se sigue la metodología de mineria de datos CRISP-DM, la cual comprende el problema, luego se recolectan y procesan los datos academicos, socioeconomicos y pscicologicos de los estudiantes. Se imple mentan tres modelo de machine learning (Regresión Logistica, Random Forest y Gradient Boosting) evaluados en diferentes escenarios.
Resultados: En los resultados obtenidos de los tres modelos de machine learning, se evidencia que el modelo de Random Forest en el Escenario 3 tiene un equilibrio optimo entre precisión y generalización.
Conclusión: Este modelo predictivo es una herramienta relevante y pionera en la identificación temprana de estudiantes en riesgo de deserrción de la UTP.
Originalidad: Esta investigación introduce un enfoque multidimensional e innovador a la predicción de la deserción universitaria al integrar la consciencia de contexto e inteligencia artificial.
Limitaciones: la disponibilidad de datos psicologicos reales para la investigación es limitada y restringida.
Cómo citar
Licencia
Derechos de autor 2025 Ingeniería 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.
[1] P. A. Flores Mora, “Abordando el Desafío de la Deserción: una revisión sistemática de la Deserción en Instituciones de Educación Superior,” Ciencia Latina Revista Científica Multidisciplinar, vol. 8, no. 1, pp. 9813–9823, Apr. 2024. doi: 10.37811/cl_rcm.v8i2.10299 DOI: https://doi.org/10.37811/cl_rcm.v8i2.10299
[2] E. Himmel, “Modelos de Análisis de la deserción estudiantil en la educación superior,” Calidad en la Educación, pp. 1, 2002 DOI: https://doi.org/10.31619/caledu.n17.409
[3] I. Quintero, “Análisis de las causas de deserción universitaria,” Bogotá, Colombia, 2016
[4] K. S. Selim and S. S. Rezk, “On predicting school dropouts in Egypt: A machine learning approach,” Educ Inf Technol (Dordr), vol. 28, no. 7, pp. 9235–9266, Jul. 2023. doi: 10.1007/s10639-022-11571-x DOI: https://doi.org/10.1007/s10639-022-11571-x
[5] A. F. Núñez-Naranjo, “Analysis of the determinant factors in university dropout: a case study of Ecuador,” Front Educ (Lausanne), vol. 9, p. 1444534, Oct. 2024. doi: 10.3389/FEDUC.2024.1444534/BIBTEX DOI: https://doi.org/10.3389/feduc.2024.1444534
[6] World Bank, “Acting Now to Protect the Human Capital of Our Children: The Costs of and Response to COVID-19 Pandemic’s Impact on the Education Sector in Latin America and the Caribbean,” 2021. [Online]. Available: www.worldbank.org
[7] P. Díaz and A. Tejedor, “Programas de análisis y prevención de la deserción estudiantil universitaria dirigidos al contexto panameño,” pp. 1, Panamá, 2018. doi: http://ridda2.utp.ac.pa/handle/123456789/5530
[8] L. Reisberg, “Diagnóstico de la educación superior en Panamá: Retos y Oportunidades,” Panamá, pp. 1, Mar. 2021. doi: http://dx.doi.org/10.18235/0003329 DOI: https://doi.org/10.18235/0003329
[9] A. A. Pérez Aguirre, M. De Gracia, M. Aguirre, I. Ordas, and A. Aranzazu, “LA DESERCIÓN EN LA EDUCACIÓN SUPERIOR EN PANAMÁ Y SUS CAUSAS,” Universidad Internacional de Ciencia y Tecnología, Jan. 2023, pp. 314–325. doi: 10.47300/actasidi-unicyt-2022-47 DOI: https://doi.org/10.47300/actasidi-unicyt-2022-47
[10] N. Reyes and A. Meneses, “Una revisión crítica de los factores psicosociales asociados al abandono universitario en primer año,” pp. 1
[11] N. Chiarino et al., “Abandono y permanencia estudiantil en universidades de Latinoamérica y el Caribe: Una revisión sistemática mixta,” Actualidades Investigativas en Educación, vol. 24, no. 2, pp. 1–37, May 2024. doi: 10.15517/aie.v24i2.57306 DOI: https://doi.org/10.15517/aie.v24i2.57306
[12] F. Sáez and J. Mella, “Revisión sistemática sobre intención de abandono en educación superior,” pp. 1
[13] G. Paramo and C. Correa, “Deserción estudiantil universitaria. Conceptualización,” Revista Universidad EAFIT Colombia, vol. 35, pp. 65–78, Jul. 2012
[14] M. Biancardi, “Complejidad del concepto de contexto,” 1998
[15] S. W. Nava-Díaz and G. Chavira, “Hacia los entornos conscientes del contexto: Un marco de trabajo para etiquetar consciencia del contexto,” Revista Colombiana de Computación, vol. 14, no. 2, pp. 61–78, Nov. 2013
[16] N. Díaz and S. S. M. Wilfrido, “Modelado de un ambiente inteligente: un entorno consciente del contexto a través del etiquetado,” pp. 1, 2012. [Online]. Available: https://api.semanticscholar.org/CorpusID:177669972
[17] T. Mitchell, Machine Learning, pp. 1, vol. 1. 1997
[18] P. Mussida and P. L. Lanzi, “A computational tool for engineer dropout prediction,” in IEEE Global Engineering Education Conference, EDUCON, IEEE Computer Society, 2022, pp. 1571–1576. doi: 10.1109/EDUCON52537.2022.9766632 DOI: https://doi.org/10.1109/EDUCON52537.2022.9766632
[19] E. Cevallos Medina, C. Barahona Chunga, J. Armas-Aguirre, and E. Gradón, “Predictive model to reduce the dropout rate of university students in Perú: Bayesian Networks vs. Decision Trees,” 5th Iberian Conference on Information Systems and Technologies (CISTI), vol. 15, pp. 1–7, Jun. 2020. doi: 10.23919/CISTI49556.2020.9141095 DOI: https://doi.org/10.23919/CISTI49556.2020.9141095
[20] S. Merchán Rubiano, A. Beltrán Gómez, and J. Duarte García, “Engineering Students’ Academic Performance Prediction using ICFES Test Scores and Demographic Data,” Ingeniería Solidaria, vol. 13, no. 21, pp. 53–61, Jan. 2017. doi: 10.16925/in.v13i21.1729 DOI: https://doi.org/10.16925/in.v13i21.1729
[21] Y. Zheng, Z. Gao, Y. Wang, and Q. Fu, “MOOC Dropout Prediction Using FWTS-CNN Model Based on Fused Feature Weighting and Time Series,” IEEE Access, vol. 8, pp. 225324–225335, 2020. doi: 10.1109/ACCESS.2020.3045157 DOI: https://doi.org/10.1109/ACCESS.2020.3045157
[22] Á. Rabelo Lopes, R. De Sousa, D. Carvalho, and R. Vaccare, “Context-aware Ubiquitous Learning Literature Systematic Mapping on Ubiquitous Learning Environments,” International Symposium on Computers in Education (SIIE), pp. 1–6, 2017. doi: 10.1109/SIIE.2017.8259662
[23] Á. R. Lopes, D. C. de Oliveira, R. C. de Sousa Aguiar, and R. T. Vaccare Braga, “Context-aware ubiquitous learning: Literature systematic mapping on ubiquitous learning environments,” in 2017 International Symposium on Computers in Education (SIIE), 2017, pp. 1–6. doi: 10.1109/SIIE.2017.8259662 DOI: https://doi.org/10.1109/SIIE.2017.8259662
[24] Z. Yu, X. Zhou, and L. Shu, “Towards a Semantic Infrastructure for Context-Aware e-Learning,” Multimedia Tools Appl., vol. 47, no. 1, pp. 71–86, Mar. 2010. doi: 10.1007/s11042-009-0407-4 DOI: https://doi.org/10.1007/s11042-009-0407-4
[25] P. Chapman, R. Kerber, T. Khabaza, T. Reinartz, C. Shearer, and R. Wirth, “CRISP-DM 1.0 Step-by-step data mining guide,” DaimlerChrysler, pp. 1, 2000
[26] “Dirección General de Tecnología de la Información y Comunicaciones | Universidad Tecnológica de Panamá,” pp. 1, Accessed: Jun. 22, 2024. [Online]. Available: https://utp.ac.pa/direccion-general-de-tecnologia-de-la-informacion-y-comunicaciones
[27] “Dirección de Bienestar Estudiantil | Universidad Tecnológica de Panamá,” Accessed: Jun. 22, 2024. [Online]. Available: https://utp.ac.pa/direccion-de-bienestar-estudiantil
[28] “Dirección de Orientación Psicológica | Universidad Tecnológica de Panamá,” Accessed: Jun. 22, 2024. [Online]. Available: https://utp.ac.pa/direccion-de-orientacion-psicologica
[29] I. Hodashinsky and R. Ostapenko, “Extracting Fuzzy Classifier Rules from Mixed Continuous and Categorical Data,” in 2024 X International Conference on Information Technology and Nanotechnology (ITNT), 2024, pp. 1–6. doi: 10.1109/ITNT60778.2024.10582321 DOI: https://doi.org/10.1109/ITNT60778.2024.10582321
[30] A. Taha and O. M. Hegazy, “A proposed outliers identification algorithm for categorical data sets,” in 2010 The 7th International Conference on Informatics and Systems (INFOS), 2010, pp. 1–5
[31] R. Pavithrakannan, N. B. Fenn, S. Raman, V. Kalyanaraman, V. K. Murugananthan, and J. Janarthanan, “Imputation Analysis of Central Tendencies for Classification,” in 2021 IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS), 2021, pp. 1–7. doi: 10.1109/IEMTRONICS52119.2021.9422507 DOI: https://doi.org/10.1109/IEMTRONICS52119.2021.9422507
[32] S. Guo, X. Wu, and Y. Li, “Deriving Private Information from Perturbed Data Using IQR Based Approach,” in 22nd International Conference on Data Engineering Workshops (ICDEW’06), 2006, p. 92. doi: 10.1109/ICDEW.2006.47 DOI: https://doi.org/10.1109/ICDEW.2006.47
[33] A. Sadhu, R. Soni, and M. Mishra, “Pattern-based Comparative Analysis of Techniques for Missing Value Imputation,” in 2020 IEEE 5th International Conference on Computing Communication and Automation (ICCCA), 2020, pp. 513–518. doi: 10.1109/ICCCA49541.2020.9250825 DOI: https://doi.org/10.1109/ICCCA49541.2020.9250825
[34] J. Yu, Y. He, and J. Z. Huang, “A Two-Stage Missing Value Imputation Method Based on Autoencoder Neural Network,” in 2021 IEEE International Conference on Big Data (Big Data), 2021, pp. 6064–6066. doi: 10.1109/BigData52589.2021.9671338 DOI: https://doi.org/10.1109/BigData52589.2021.9671338
[35] M. S. Santos, R. C. Pereira, A. F. Costa, J. P. Soares, J. Santos, and P. H. Abreu, “Generating Synthetic Missing Data: A Review by Missing Mechanism,” IEEE Access, vol. 7, pp. 11651–11667, 2019. doi: 10.1109/ACCESS.2019.2891360 DOI: https://doi.org/10.1109/ACCESS.2019.2891360
[36] “Tratamiento de valores vacíos II con R y Python: Estrategias de imputación estadística (moda, mediana y media). | by Nicolás Urrego | Medium,” pp. 1, Accessed: Sep. 14, 2024. [Online]. Available: https://nicolasurrego.medium.com/tratamiento-de-valores-vac%C3%ADos-ii-estrategias-de-imputaci%C3%B3n-estad%C3%ADstica-moda-mediana-y-media-2665b0f53a4c
[37] H. Chen et al., “Personal-Zscore: Eliminating Individual Difference for EEG-Based Cross-Subject Emotion Recognition,” IEEE Trans. Affect. Comput., vol. 14, no. 3, pp. 2077–2088, 2023. doi: 10.1109/TAFFC.2021.3137857 DOI: https://doi.org/10.1109/TAFFC.2021.3137857
[38] V. Gajera, Shubham, R. Gupta, and P. K. Jana, “An effective Multi-Objective task scheduling algorithm using Min-Max normalization in cloud computing,” in 2016 2nd Int. Conf. Applied and Theoretical Computing and Communication Technology (iCATccT), 2016, pp. 812–816. doi: 10.1109/ICATCCT.2016.7912111 DOI: https://doi.org/10.1109/ICATCCT.2016.7912111
[39] A. Aich, A. Krishna, V. Akhilesh, and C. Hegde, “Encoding Web-based Data for Efficient Storage in Machine Learning Applications,” in 2019 Fifteenth Int. Conf. Information Processing (ICINPRO), 2019, pp. 1–6. doi: 10.1109/ICInPro47689.2019.9092264 DOI: https://doi.org/10.1109/ICInPro47689.2019.9092264
[40] B. Sun, J. Wu, C. Guo, and K. Chen, “A One-Hot Encoding Approach for Signal Integrity Enhancement of Intra-chip Interconnects,” in 2024 25th Int. Conf. Electronic Packaging Technology (ICEPT), 2024, pp. 1–6. doi: 10.1109/ICEPT63120.2024.10668712 DOI: https://doi.org/10.1109/ICEPT63120.2024.10668712
[41] B. Ujkani, D. Minkovska, and L. Stoyanova, “Application of Logistic Regression Technique for Predicting Student Dropout,” in 2022 31st Int. Scientific Conf. Electronics, ET 2022, IEEE, 2022. doi: 10.1109/ET55967.2022.9920280 DOI: https://doi.org/10.1109/ET55967.2022.9920280
[42] L. Breiman, “Random Forests,” Mach. Learn., vol. 45, no. 1, pp. 5–32, 2001. doi: 10.1023/A:1010933404324 DOI: https://doi.org/10.1023/A:1010933404324
[43] E. Cruz, M. González, and J. C. Rangel, “Técnicas de machine learning aplicadas a la evaluación del rendimiento y a la predicción de la deserción de estudiantes universitarios, una revisión,” Prisma Tecnológico, vol. 13, no. 1, pp. 77–87, Feb. 2022. doi: 10.33412/pri.v13.1.3039 DOI: https://doi.org/10.33412/pri.v13.1.3039
[44] R. Blagus and L. Lusa, “SMOTE for high-dimensional class-imbalanced data,” BMC Bioinformatics, vol. 14, p. 106, Mar. 2013. doi: 10.1186/1471-2105-14-106 DOI: https://doi.org/10.1186/1471-2105-14-106
[45] N. Awasthi, P. R. Gautam, and A. K. Sharma, “RFECV-DT: Recursive Feature Selection with Cross Validation using Decision Tree based Android Malware Detection,” in 2024 15th Int. Conf. Computing Communication and Networking Technologies (ICCCNT), 2024, pp. 1–6. doi: 10.1109/ICCCNT61001.2024.10725127 DOI: https://doi.org/10.1109/ICCCNT61001.2024.10725127
[46] V. F. Ochkov, A. Stevens, and A. I. Tikhonov, “Jupyter Notebook, JupyterLab – Integrated Environment for STEM Education,” in 2022 VI Int. Conf. Information Technologies in Engineering Education (Inforino), 2022, pp. 1–5. doi: 10.1109/Inforino53888.2022.9782924 DOI: https://doi.org/10.1109/Inforino53888.2022.9782924
[47] P. Prathanrat and C. Polprasert, “Performance Prediction of Jupyter Notebook in JupyterHub using Machine Learning,” in 2018 Int. Conf. Intelligent Informatics and Biomedical Sciences (ICIIBMS), 2018, pp. 157–162. doi: 10.1109/ICIIBMS.2018.8550030 DOI: https://doi.org/10.1109/ICIIBMS.2018.8550030
[48] F. B. Fava et al., “Assessing the Performance of Docker in Docker Containers for Microservice-Based Architectures,” in 2024 32nd Euromicro Int. Conf. Parallel, Distributed and Network-Based Processing (PDP), 2024, pp. 137–142. doi: 10.1109/PDP62718.2024.00026 DOI: https://doi.org/10.1109/PDP62718.2024.00026
[49] A. Suryanarayanan, A. Chala, L. Xu, G. Shobha, J. Shetty, and R. Dev, “Design and Implementation of Machine Learning Evaluation Metrics on HPCC Systems,” in 2019 4th Int. Conf. Computational Systems and Information Technology for Sustainable Solution (CSITSS), 2019, pp. 1–7. doi: 10.1109/CSITSS47250.2019.9031056 DOI: https://doi.org/10.1109/CSITSS47250.2019.9031056
[50] M. F. Uddin, “Addressing Accuracy Paradox Using Enhanched Weighted Performance Metric in Machine Learning,” in 2019 Sixth HCT Information Technology Trends (ITT), 2019, pp. 319–324. doi: 10.1109/ITT48889.2019.9075071 DOI: https://doi.org/10.1109/ITT48889.2019.9075071
