Técnicas de soft computing para determinar los factores que influyen en la deserción estudiantil

Resumen

El estudio realizado en la Universidad Técnica Estatal de Quevedo profundizó en la deserción estudiantil examinando datos académicos, socioeconómicos y personales a través de técnicas de Soft Computing, utilizando 225 variables y 160,000 registros. Se compararon algoritmos como Random Forest, Gradient Boosting y SVM, destacando a Random Forest por su precisión en predecir factores críticos que influyen en la deserción. Entre los factores determinantes se encuentran la nota de corte 2, la ocupación del jefe del hogar y la edad del estudiante, señalados como los más significativos para el rendimiento estudiantil. Los hallazgos del estudio subrayan la complejidad de la deserción estudiantil, destacando que los estudiantes con mayores riesgos de reprobar tienden a tener notas bajas a mitad de período, provienen de hogares con jefes de hogar desempleados o en trabajos no calificados, y están en el rango de edad de 40-45 años. Por otro lado, los perfiles de estudiantes con mayores probabilidades de aprobar muestran patrones opuestos en estas variables. Estos resultados resaltan la necesidad de adoptar enfoques integrales y personalizados para abordar la deserción, considerando tanto factores académicos como contextos socioeconómicos y personales.

Palabras clave:

Predicción, Educación Superior, Redes neuronales artificiales, Modelos predictivos.