LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2023, Volumen IV, Número 2 p 1464.
DOI: https://doi.org/10.56712/latam.v4i2.697
Minería de datos para la identificación de la Deserción
Estudiantil en Universidades Públicas
Data mining for the identification of Student Dropout in Public
Universities
Diego Mauricio Madrid Orrego
dmadrid@uniguajira.edu.co
Universidad de La Guajira
Maicao La Guajira – Colombia
Leyla Figueroa Royero
leylafigueroa@uniguajira.edu.co
Universidad de La Guajira
Maicao La Guajira – Colombia
Hober Berrio Caballero
hberrio@uniguajira.edu.co
Universidad de La Guajira
Maicao La Guajira – Colombia
Andrés Yamil Martínez Choles
aymartinez@uniguajira.edu.co
Universidad de La Guajira
Maicao La Guajira – Colombia
Jaime Alfonso Charris Rodríguez
jcharrisr@uniguajira.edu.co
Universidad de La Guajira
Maicao La Guajira – Colombia
Artículo recibido: 02 de mayo de 2023. Aceptado para publicación: 03 de junio de 2023.
Conflictos de Interés: Ninguno que declarar.
Resumen
El estudio tuvo como propósito analizar la aplicación de técnicas de minería de datos para
identificación de factores determinantes en la deserción estudiantil del programa de Ingeniería
de Sistemas de la Universidad de La Guajira sede Maicao. Para tal fin se consideraron las teorías
de diversos autores de corte científico. Fue una investigación con enfoque cuantitativo, de tipo
descriptivo. La metodología para captar la información fue a través de encuesta, la
representación de los datos fue a través de estadística descriptiva, la información conseguidos
mediante la diligencia de los cuestionarios, fue calculada, usando el árbol de decisión CHAID del
programa SPSS Microsoft Excel. Los resultados obtenidos a partir de la aplicación del
instrumento fueron tabulados y analizados estadísticamente mediante frecuencias absolutas y
relativas y el promedio generado por las alternativas tanto correctas como incorrectas.
Finalmente, en la investigación se corrobora que la minería de datos es una herramienta
fundamental en la toma de decisiones que, implementada con inteligencia de negocios,
contribuirá de gran manera a una mejor planeación en el área administrativa, docente y a los
procesos psicopedagógicos para evitar la suspensión estudiantil y apoyar en todo momento a
los estudiantes.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2023, Volumen IV, Número 2 p 1465.
Palabras clave: minería de datos, deserción estudiantil, factores socioeconómicos
Abstract
The purpose of the study was to analyze the application of data mining techniques to identify
determining factors in student dropout from the Systems Engineering program at the University
of La Guajira, Maicao campus. To this end, the theories of various scientific authors were
considered. It was an investigation with a quantitative approach, of a descriptive type. The
methodology to capture the information was through a survey, the representation of the data
was through descriptive statistics, the information obtained through the diligence of the
questionnaires, was calculated, using the CHAID decision tree of the SPSS Microsoft Excel
program. The results obtained from the application of the instrument were tabulated and
statistically analyzed through absolute and relative frequencies and the average generated by
both correct and incorrect alternatives. Finally, the research corroborates that data mining is a
fundamental tool in decision-making that, implemented with business intelligence, will greatly
contribute to better planning in the administrative, teaching area, and psycho-pedagogical
processes to avoid the student suspension and support students at all times.
Keywords: data mining, student dropout, socioeconomic factors
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,
publicados en este sitio está disponibles bajo Licencia Creative Commons .
Como citar: Madrid Orrego, D. M., Figueroa Royero, L., Berrio Caballero, H., Martínez Choles, A.
Y., & Charris Rodríguez (2023). Minería de datos para la identificación de la Deserción
Estudiantil en Universidades Públicas. LATAM Revista Latinoamericana de Ciencias Sociales y
Humanidades 4(2), 1464–1476. https://doi.org/10.56712/latam.v4i2.697
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2023, Volumen IV, Número 2 p 1466.
INTRODUCCIÓN
La revolución digital ha permitido que la información digitalizada sea posible de capturar,
procesar, almacenar, distribuir, y transmitir. Con el trascendental avance en sistematización y en
las tecnologías conexas y el esparcimiento de su uso en diferentes aspectos de la vida, se
continúa acopiando y recolectando en bases de datos gran cantidad de información.
Teniendo en cuenta que, el objetivo de la gestión masiva de datos es ayudar a las personas, las
organizaciones y las cosas conectadas a optimizar el uso de datos dentro de los límites de las
políticas y normativas para que puedan tomar decisiones y tomar medidas que maximicen el
beneficio para las empresas. Para ello se emplean las denominadas técnicas de minería de
datos, que son algoritmos capaces de obtener relaciones entre distintos atributos o conceptos
para ayudar, a la toma de decisiones. El propósito de esta investigación es analizar la aplicación
de técnicas de minería de datos para identificación de factores determinantes en la deserción
estudiantil del programa de Ingeniería de Sistemas de la Universidad de La Guajira sede Maicao.
Esta investigación generó valor en la administración tecnológica de las instituciones de
educación superior, por lo que descubrir conocimiento de este gran volumen de datos es un
desafío. La minería de datos es un intento de buscarle sentido a la detonación de información
que en la actualidad puede ser almacenada.
Actualmente en Colombia, específicamente en las universidades existe poca información sobre
el monitoreo de minería de datos para la identificación del rendimiento académico y los factores
socioeconómicos que conllevan a la deserción estudiantil, ya que en investigaciones solo se
realizan simples análisis de la información basados en métodos estadísticos. Con la capacidad
de almacenamiento de los equipos de procesamiento de datos existentes podemos aprovechar
información de los estudiantes, aplicando diferentes técnicas de extracción de conocimientos.
Hacia lo que apunta Han et., (2011), define la minería de datos es el proceso de extraer "o extraer"
conocimiento de grandes cantidades de datos. También, indica que muchas personas
consideran que la minería de datos es sinónimo de otro término de uso común: Insight Data
Discovery o KDD. Los modelos de calificación y la presentación del conocimiento se consideran
modelos predictivos de minería de datos para estimar la deserción del estudio.
Por otro lado, Morales (2009), señala que la minería de datos se ha desarrollado completamente
aplicando métodos de una variedad de disciplinas, incluidas las utilizadas en sistemas de bases
de datos, almacenamiento de datos, estadísticas, aprendizaje automático, visualización de
datos, recuperación de información y computación de alto rendimiento.
Adicionalmente, se utilizan técnicas de las áreas de redes neuronales, reconocimiento de
patrones, análisis de datos espaciales, bases de datos de imágenes, procesamiento de señales
y programación lógica inductiva. En este sentido, muchos expertos señalan que la minería de
datos requiere la integración de desenfoques de múltiples disciplinas.
De igual forma la deserción estudiantil se evalúa en concordancia con el grado de efectividad de
la técnica de minería de datos.
Reflexiones Teóricas de las Técnicas De Minería De Datos
Han y otros, (2011), muestran que actualmente existen una variedad de técnicas de minería de
datos que nos permiten realizar las tareas anteriores. Cuando se trata de clasificación y
regresión, se puede identificar máquinas de aprendizaje. Su implementación es cada vez más
accesible para los usuarios gracias a los avances tecnológicos. Las máquinas de aprendizaje,
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2023, Volumen IV, Número 2 p 1467.
como las máquinas de vectores de soporte, los árboles de decisión y las redes neuronales
artificiales, se programan y utilizan como bibliotecas en el software de minería de datos.
Las técnicas que componen el campo de la minería de datos están dirigidas a descubrir
automáticamente el conocimiento contenido en la información almacenada en las bases de
datos de una organización. El análisis de datos tiene como objetivo descubrir patrones, perfiles
y tendencias. Es importante que estas técnicas sean adecuadas para el problema que se está
abordando.
En este sentido, se pueden configurar dos grandes grupos de técnicas o métodos analíticos: los
métodos simbólicos y los métodos estadísticos. Los métodos simbólicos incluyen redes
neuronales, algoritmos genéticos, reglas de asociación, lógica difusa y más.
En sentido con lo anterior, la Técnica de Árboles de decisión Según Heredia y Nieto (2011),
explican que un árbol de decisión es un diagrama de flujo con una estructura de árbol donde los
nodos internos representan validaciones de atributos, las ramas representan resultados de
validación y los "nodos de hoja" representan clases. El nodo en la parte superior del árbol se llama
nodo raíz. Para clasificar una instancia "desconocida", el árbol fluye según el valor del atributo de
cada nodo, y cuando se llega a un "nodo hoja", la instancia se clasifica según la clase asignada
por ese nodo.
Hay varias formas de derivar árboles de decisión (ID3, C, C.5, Bayesiano y CART), cada una de las
cuales ofrece diferentes capacidades, pero en general estos algoritmos se utilizan para resolver
el "problema de clasificación". La idea básica del algoritmo ID3 se basa en la iteración. Se elige
un subconjunto aleatorio de todo el conjunto de datos de entrenamiento, llamado ventana, para
formar un árbol de decisión. Este árbol clasifica correctamente todos los objetos pertenecientes
a la ventana.
Los objetos restantes en el conjunto de datos de entrenamiento se clasifican usando este árbol.
Si el árbol da la respuesta correcta para todos estos objetos, también será correcta para todo el
conjunto de datos de entrenamiento y el proceso estará completo. De lo contrario, la selección
de objetos mal clasificados se agrega al subconjunto de ventanas y el proceso continúa.
Este algoritmo C.5 pertenece a la familia Top Down Induction of Decision Trees (TDIDT). Es decir,
a los métodos inductivos de aprendizaje automático que aprenden de ejemplos preclasificados.
Tanto el algoritmo ID3 como el C.5 fueron propuestos por Ross Quinlan. El algoritmo C.5 es una
extensión del algoritmo ID3 que funciona solo en valores de atributos distintos. Por otro lado, el
algoritmo C.5 puede manejar valores continuos y dividir los posibles resultados en dos ramas.
Por lo tanto, C.5 utiliza particiones creadas recursivamente para generar árboles de decisión a
partir de datos.
Técnica de Redes Neuronales Artificiales
Las redes neuronales artificiales o redes neuronales artificiales (ANN, por sus siglas en inglés)
fueron introducidas originalmente como un concepto de red neuronal por los neurólogos
(McCulloch y Pitts, 1943). Quince años más tarde (Rosenblatt, 1958) creó el primer perceptrón
simple basado en el concepto de red neuronal, proponiendo así las bases para las redes
neuronales artificiales. Una red neuronal consiste en una red de nodos llamados neuronas. Cada
nodo recibe un conjunto de entradas de otros nodos y proporciona salidas. Esta salida consta de
tres funciones. (Kumar y Otros (2012):
• Función de propagación: Esta es una función de la suma de las entradas multiplicada
por el peso de la conexión.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2023, Volumen IV, Número 2 p 1468.
• Función de activación: Es una función que modifica la función anterior (aprendizaje).
La salida es el mismo propagador ya que la configuración de la red puede no tener esta
característica.
• Función de transferencia: Una función que se aplicará al valor devuelto por la función de
activación. Su objetivo principal es limitar el rango de salida del nodo. Las más comunes
son la función sigmode (el intervalo entre 0 y 1) y la tangente hiperbólica (el intervalo
entre -1 y 1). A modo de ejemplo, la Figura 1 muestra la estructura básica de una red
neuronal.
Figura 1
Ejemplo de estructura de una red neuronal artificial
Fuente: Kumar y otros (2012).
Técnica Support Vector Machine
Las máquinas de vectores de soporte (SVM) fueron introducidas por (Vapnik y Chervonenkis,
1964). Hoy, desde el campo del aprendizaje automático, SVM es un modelo de tipo aprendizaje
supervisado que utiliza algoritmos de clasificación y análisis de regresión. En la práctica, la
operación de SVM se puede describir como la clasificación de un conjunto de registros por
separación de hiperplanos, minimizando el costo de clasificar erróneamente cada registro en una
de las dos clases bajo investigación. Vercellis (2009).
Recursos Tecnológicos
Según la Universidad de Murcia (2014), muestra que los siguientes recursos tecnológicos para
la minería de datos o almacenamiento son el hardware y el software, los cuales se describen a
continuación:
Hardware
El mismo se considera como:
• Ordenador de sobremesa. Una computadora (clon) ensamblada a partir de partes con
una arquitectura.
• Ordenador portátil (notebook). Una computadora de marca con arquitectura.
• Tableta de marca, uso moderado. Sistema operativo Android.
• Teléfonos móviles como Smartphone con acceso a Wifi y GPS. Teclado alfanumérico
completo. Marca famosa.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2023, Volumen IV, Número 2 p 1469.
• Escáner portátil. Marca famosa. Compatible con hojas sueltas.
Software
Una parte lógica integral de todo equipo de cómputo es el software, y dentro de este componente
se puede distinguir sistemas operativos, herramientas y lenguajes para desarrollo y aplicaciones
de usuario final. Por ejemplo, para PC corresponde a Windows 8, entorno de desarrollo Eclipse y
editor de texto Libreoffice Writer.
Por otro lado, la Enciclopedia de Ejemplos (2017), indica hardware y software de la siguiente
manera: En informática, estos términos se refieren a varios aspectos de los sistemas
informáticos. Así los aspectos físicos y digitales de cada ordenador: cuerpo y alma. El hardware
es el conjunto de partes físicas que componen el cuerpo de un sistema computarizado.
Platos, circuitos, mecanismos, equipos eléctricos, procesos, soportes e interconexiones.
Deserción estudiantil
En referencia a la deserción estudiantil, se define como el rechazo como situación a la que se
enfrenta un estudiante cuando intenta y fracasa en la realización de su proyecto educativo. En
este sentido, se considera despedido de su trabajo a una persona que como estudiante
universitario no realiza actividades académicas durante dos semestres o clases consecutivas,
hallazgos de Arevalo et al. (2020).
En tal sentido, se puede mencionar que la deserción estudiantil es considerada como el retiro
voluntario por tres períodos consecutivos de todas las actividades académicas planificadas por
la institución de educación superior donde el estudiante se matriculó.
Por otro lado, Arévalo et al. (2020) confirman que la definición de retiro es una cuestión de
perspectiva, pues lo que puede ser considerado por algunos como la incapacidad de una persona
que dejó los estudios (empleado de la institución educativa correspondiente) para alcanzar las
metas; para otros (un estudiante que interrumpe sus estudios) puede ser visto como un paso
más para alcanzar las metas trazadas, lo que complica el análisis de este fenómeno, pues debe
ser tratado desde diferentes frentes, a partir del análisis del comportamiento individual,
institucional y desde el punto de vista estadal y nacional.
Adicionalmente, Camacho et al. (2019), muestran que la deserción la deserción se considera
como el abandono definitivo de la formación académica por parte de un estudiante,
independientemente de las condiciones o modalidad. Este fenómeno es visto como un problema
en el sistema educativo, y las instituciones se ven obligadas a poner en marcha mecanismos
para acomodar a los estudiantes a la vida universitaria, afectando el éxito académico.
Dicho con otras palabras, el Ministerio de Educación Nacional de Colombia (2022), muestra que
la deserción estudiantil puede entenderse como el abandono del sistema escolar por parte de un
estudiante, causado por una combinación de factores que ocurren tanto dentro del sistema como
en el contexto social, familiar, personal y ambiental. La tasa de deserción considera únicamente
a los estudiantes que abandonaron durante el año académico y se complementa con la tasa de
deserción que calcula las deserciones al final del año académico.
Deserción estudiantil en la educación superior
El rechazo estudiantil en la educación superior es actualmente una de las principales
preocupaciones de las instituciones educativas y de los colegios de Colombia. El fenómeno del
abandono de la educación en todos los niveles lleva a que muchas veces no sea posible alcanzar
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2023, Volumen IV, Número 2 p 1470.
el objetivo de formar una persona íntegra, enriquecida en todas sus dimensiones y cuyo objetivo
sea brindar la capacidad de movilidad social humana, como también, el desarrollo e igualdad en
la sociedad. En este sentido, los esfuerzos de política educativa de los últimos años apuntan no
solo a incrementar la inclusión, sino también a asegurar la permanencia de los estudiantes en el
sistema, argumentos de Arevalo et al. (2020).
Además, Camacho et al. (2019), comentan que, en Colombia, según el Ministerio de Educación
Nacional (MEN) (2015), se ha avanzado en cobertura y acceso al sistema de educación superior,
pero se ha afectado el número de estudiantes que ingresan y no concluyen dicha educación. En
2013, las tasas de deserción universitaria fueron del 44,9% y las carreras de ingeniería y
tecnología fueron del 62,4 % y el 53,8%. Además, la Organización para la Cooperación y el
Desarrollo Económicos (OCDE) considera que la deserción escolar temprana es una cuestión de
eficiencia y equidad en el sistema educativo, como resultado del desperdicio del dinero invertido
y de no satisfacer las necesidades de una fuerza laboral calificada.
De igual modo, señalan que la tasa de deserción anual Colombia registró 10,4 %, superior al 8,6%
del Reino Unido e inferior al 18% de Brasil y al 18,3% de Estados Unidos. En términos de
finalización de estudios en un programa en particular, Colombia obtiene un 44,9%, superior al
42% de México y al 43% de Argentina, y muy por debajo del 52% de Venezuela y el 54% de Chile.
(Ministerio de Educación Nacional, 2015).
De la misma manera, Seminara (2021), muestra en su investigación titulada De los efectos de la
pandemia COVID -19 sobre la deserción universitaria: desgaste docente y bienestar psicológico
estudiantil, donde comenta que el aislamiento provocado por la pandemia del COVID-19 ha
derivado en una serie de medidas de emergencia en la educación superior que pueden afectar la
permanencia de las universidades. Estos son aspectos que se pueden agrupar en
preocupaciones de calidad y equidad que han sido discutidas en las agendas gubernamentales.
Ante este reto, Delgado (2022), muestra en su estudio titulado El problema de la deserción en
educación superior y cómo predecirla, que la deserción es un fenómeno individual, debido a que,
como fenómeno colectivo, se asocia a la eficiencia docente. En este sentido, la definen como la
alteración de la trayectoria educativa debido a la reprobación. Casi siempre estos fenómenos
están relacionados, pues repetir reiteradamente cursos o grados, generalmente, deriva en la
deserción escolar.
Factores determinantes de la deserción estudiantil en la educación superior
En relación a los factores determinantes de la deserción estudiantil, Arevalo et al. (2010)
muestran que los principales factores que determinaron el problema del abandono en un nivel
superior (frente a otras variables discutidas en el estudio) son: gestión institucional, situación
económica del entorno individual, situación económica del entorno familiar, intervención
institucional, apoyo psicosocial y familiar, como motivación, además, de un sistema de
seguimiento y control de la personalidad, cultural, relaciones sociales y programas de actividades
destinadas a la educación de los estudiantes.
Seguidamente, Gallego et al (2018), comentan que la deserción se efectúa a través de múltiples
enfoques, como el psicológico, el sociológico, el económico, el organizacional y el
interaccionista. En el enfoque psicológico se consideran principalmente las características y
peculiaridades de los estudiantes. En el enfoque sociológico, además del psicológico, se enfatiza
la influencia de factores extra individuales, como el nivel de integración de los estudiantes al
medio y las expectativas del grupo familiar.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2023, Volumen IV, Número 2 p 1471.
Asimismo, el enfoque económico argumenta que la suspensión se basa en una decisión
económica y financiera y enfatiza el impacto de los beneficios estudiantiles en esa decisión. El
enfoque organizacional establece que la exclusión depende de la calidad de la enseñanza y del
aprendizaje activo del alumno, lo que incide positivamente en su integración social. Finalmente,
el enfoque interaccionista argumenta que la terminación se explica por el grado de ajuste entre
el estudiante y la institución, con base en experiencias académicas y de integración, y argumenta
que un estudiante permanece en la educación superior en la medida en que percibe los beneficios
mayores que los suyos, como también, gastos personales.
A su vez, Rivera (2022), considera que los factores determinantes de la deserción estudiantil se
clasifican de la siguiente manera: Social: (vulnerabilidad y exclusión social); Institucional:
(desamparo institucional); Personal: (falta de interés, motivación o atención); Familiar: (familia
disfuncional o aislada) y Psicológico: (relacionado con problemas de aprendizaje o
discapacidades)
Relacionado con lo anterior, diversos estudios han demostrado que los factores que influyen en
la deserción de la educación superior difieren, y desde la perspectiva del estudiante se
mencionan factores horarios y profesionales (Mauricio, González y Becerra, 2016), falta de
interés por aprender o personal, factores económicos y familiares con altas tasas de deserción
en materias de ciencias (Aguilar, de las Fuentes, Rivera e Iñiguez, 2018), hábitos de estudio, por
conocimientos previos, bajo rendimiento académico (Hidalgo, 2019).
Además, la disminución de las tasas de deserción depende no solo de las instituciones
educativas, sino también del papel de los grupos familiares en la prestación de apoyo financiero,
social y psicológico a los estudiantes. Es importante identificar no solo las variables externas
intervinientes, sino también otras variables internas, como las actividades extracurriculares, que
impactan positivamente en la salud de los estudiantes desde una perspectiva global y potencian
aspectos biopsicosociales, argumentos de Chalela, Valencia, Ruiz y Cadavid (2020).
MATERIAL Y MÉTODOS
Investigación con enfoque cuantitativo, de tipo descriptivo, con un diseño no experimental, de
tipo transversal y de campo. La población estuvo constituida por trescientas treinta y una
persona (331) del programa de ingeniería de sistemas (283) estudiantes, (1) director principal,
(1) decana (3) ingenieros de sistemas, (1) administrador de programa (1) técnico, (41)
profesores. La técnica utilizada fue la encuesta, y el análisis de bases de datos recopilados fue
a través de estadística descriptiva; los datos conseguidos fueron mediante la diligencia de
cuestionarios usando para ello el árbol de decisión CHAID y el programa SPSS Microsoft Excel.
Todos los elementos antes señalados generaron información sobre los resultados del proyecto
investigado.
RESULTADOS
A continuación, se describen indicadores relacionados con la minería de datos para
identificación de factores determinantes en la deserción estudiantil de la Universidad de La
Guajira sede Maicao. El proceso de recolección de datos en este estudio se realizó como un
método de encuesta y un instrumento tipo cuestionario, donde la herramienta encuesta aplicada
a las unidades de información, haciendo uso de cuatro cuestionarios: tres cuestionarios auto
administrado con escalamiento tipo Likert y de selección, para tres grupos de unidades:
Directiva, Docentes y estudiantes; los mismos compuestos por: 21 ítems de clasificación
de selección de alternativa para los estudiantes, otro de 12 ítems de tipo Likert con una
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2023, Volumen IV, Número 2 p 1472.
ponderación de 5 alternativas de respuestas para la directiva y el ultimo de 11 ítems igualmente
de tipo Likert para los docentes.
Con relación al primer objetivo específico encaminado a explicar los recursos empleados en la
minería de datos, se evidencia que el 100% de los recursos humanos y tecnológicos se
encuentran en el programa de ingeniería en sistemas, es decir, el laboratorio de la facultad de
ingeniería en sistema de la Universidad de la Guajira cuenta con un personal, a su vez, el personal
capacitado para ejecutar la minería de datos, como también, existe el Hardware y el Software
necesario para ejecutar la minería de datos en el laboratorio de la facultad de ingeniería en
sistema de la Universidad de la Guajira, lo cual indica que dicha, a continuación se muestra el
comportamiento de los sujetos en los contextos investigados. (Ver tabla 1).
Tabla 1
Recursos Necesarios
DIMENSIÓN RECURSOS NECESARIOS
INDICADORES RECURSOS HUMANOS RECURSOS TECNOLOGICOS
Si No Si No
FRECUENCIA RELATIVA Fr % Fr % Fr % Fr %
Ítem 1 100 0
Ítem 2 100 0
Ítem 3 100 0
Ítem 4 100 0
MEDIA DEL INDICADOR 100 100
CATEGORÍA DEL INDICADOR Alto Nivel Alto Nivel
MEDIA DE LA DIMENSIÓN 100
CATEGORÍA DE LA DIMENSIÓN Alto Nivel
Fuente: Elaboración propia, (2019).
Gráfico 1
Recursos Necesarios
Fuente: Elaboración propia.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2023, Volumen IV, Número 2 p 1473.
En lo que respecta a la variable deserción estudiantil, en la dimensión factores socioeconómicos.
Según los datos mostrados en el gráfico Nº 2, se evidencia que en ítem 15 nivel de estrato el
72,72% de los estudiantes posee un estrato bajo, además, en el ítem 16 situación laboral, un
91,55% de los estudiantes se encuentran desempleado.
Tabla 2
Factores Socioeconómicos
Fuente: Elaboración propia (2019).
Gráfico 2
Factores Socioeconómicos
Fuente: elaboración propia.
CONCLUSIONES
En relación al primer objetivo, el cual es identificar los recursos necesarios para la aplicación de
la minería de datos en la Universidad de la Guajira, se evidencia que los recursos humanos y
tecnológicos se encuentran en el programa de ingeniería en sistemas, es decir, el laboratorio de
la facultad de ingeniería en sistema de la Universidad de la Guajira cuenta con un personal, a su
vez, el personal capacitado para ejecutar la minería de datos, como también, existe el Hardware
y el Software necesario para ejecutar la minería de datos en el laboratorio de la facultad de
ingeniería en sistema de la Universidad de la Guajira, lo cual indica que dicha facultad de
ingeniería posee tanto el recurso humano como el tecnología para efectuar la minería de datos.
La deserción es un espacio en el que diversos factores intervienen en la conformación de la
etiología de la deserción, reconociendo la distinta relación entre sentido y voluntad en cuanto a
la permanencia de la retención que realizan las instituciones por un lado y el alumnado por el
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2023, Volumen IV, Número 2 p 1474.
otro. Esto también significa reconocer que la decisión final siempre recae en el estudiante, por lo
que el énfasis debe estar en la persistencia en lugar de la preservación.
De igual modo, para serenar la deserción se debe posponer las actividades extracurriculares
asignadas a los estudiantes de primer año para desalentar la deserción para que puedan
concentrarse en sus materias, elevar sus promedios de calificaciones y aumentar la probabilidad
de que los estudiantes se gradúen de la universidad y fortalezcan sus estudios.
Desarrollar un plan durante el primer año de la universidad para definir un método de apoyo
económico para los estudiantes que lo necesitan, apoyo social y emocional para los estudiantes
identificados con este tipo de afecto, como también desarrollar estrategias de apoyo.
Asimismo, los administradores dentro de las instituciones de educación superior deben
satisfacer las necesidades de los estudiantes, abordar cuestiones capitales relacionadas con el
impacto cultural, educativo y social de aquellos que desarrollan programas académicos dentro
de su organización, y desarrollar planes de apoyo en todos los cursos Se deben considerar
ofertas flexibles que fomenten la creación. Sin embargo, existe un plan específico de reinserción
o readmisión que se enfoca tempranamente y permite un vínculo bidireccional con el proceso
formativo en el que universidad y estudiante trabajan juntos para lograr el progreso y posterior
graduación/certificación.
Todo esto al mismo tiempo representa un cambio en la calidad general, evaluada en términos de
permanencia-progresión en lugar de en términos de ruptura-ubicación. Esto incluye reingreso al
sistema, IES, transportista y/o estadísticas. El programa, como antecedente de asociaciones
positivas en cuanto a la formación de profesionales, enfoca este aspecto de la calidad en
resultados que, dada la evidencia, pueden ser temporales, por lo que no tiene en cuenta las
realidades del problema, no constituye un índice.
Por esta razón, la deserción universitaria es una decisión personal y puede ser el resultado de
factores relacionados con las percepciones y emociones del estudiante, pero también factores
relacionados con el entorno socioeconómico en el que el estudiante desarrolla su día a día, es
decir trabajo diurno y actividades que dejan permanente o temporalmente el auditorio
universitario de un estudiante, independientemente de las consecuencias futuras de la vida.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2023, Volumen IV, Número 2 p 1475.
REFERENCIAS
Abensur, S. (2009). Factores socioeconómicos y personales relacionados con la deserción
estudiantil en la Escuela de Negocios Internacionales de la Facultad de Ciencias Económicas y
Negocios de la Universidad Nacional de la Amazonía Peruana, 2002-2006. (Tesis de Grado no
Publicada). Perú: Universidad Nacional Mayor de San Marcos. Obtenido de:
http://www.cybertesis.edu.pe/sisbib/2009/abensur_ds/pdf/abensur_ds.pdf.
Acevedo, D.; Torres, J. y Tirado, D. (2015). Análisis de la deserción estudiantil en el programa de
ingeniería de alimentos de la Universidad de Cartagena durante el periodo académico 2009-2013,
Formación Universitaria, 8 (1), 35-42 (2015).
Adelman, C. (1999). Answers in the tool box: Academic intensity, attendance patterns, and
bachelor's degree attainment. Washington, DC: U.S. Dept. of Education Office of Educational
Research and Improvement.
Anuies. (2007). Retención y deserción en un grupo de Instituciones Mexicanas de Educación
Superior. Biblioteca de la educación superior. México.
Amador P. (2018). Técnico en Informática. Obtenido de: https://ude.edu.uy/fci-ude/tecnico-en-
informatica/
Amaya, Y.; Barrientos, E.; Heredia, D. (2016). Modelo predictivo de deserción estudiantil
utilizando técnicas de minería de datos. Universidad Francisco de Paula Santander, Ocaña,
Colombia. Barranquilla, Colombia.
Arranz, J.; Cid, J. y Muro, J. (2000). La duración del desempleo en la Argentina. Anales de la
Asociación Argentina de Economía Política. Buenos Aires: AAEP.
Báez, C. y Pedraza, P. (2011). Persistencia y graduación: Hacia un modelo de retención estudiantil
para instituciones de educación superior. Bogotá: Universidad de la Sabana – Colciencias.
Balestrini M. (2006). Como se elabora el proyecto de investigación. Caracas: BL Consultores
Asociados. 7ma edición.
Barragán, S.; Moreno, L.; González, T. (2017). Acercamiento a la deserción estudiantil desde la
integración social y académica. Artículo. Revista de la Educación Superior Vol. 46.
Behar D. (2008). Metodología de la Investigación. Ediciones Shalom.
file:///C:/Users/casa2/Documents/Libro%20metodologia%20investigacion.DANIEL BEHAR.
(2008).pdf
Bensimon, E. M. et al. (2004). Doing research that makes a difference. Journal of Higher, Ohio, v.
1, p. 104-126.
Bernal C. A. Metodología de la Investigación. 2006. México. Editorial Pearson.
Bitecna. (2018). Hardware y Software. Obtenido de:
https://unctad.org/divs/gds/dmfas/fr/who/Documents/DMFAS_6_HardwareSoftware_6_SP.pd
f
Boado, M. (2005). Una aproximación a la deserción estudiantil universitaria en Uruguay.
Universidad de la República, Montevideo, Uruguay, en cooperación con el Instituto Internacional
para la Educación Superior en América Latina y el Caribe, pp. 10–24.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2023, Volumen IV, Número 2 p 1476.
Braxton, J.; Milem, J. y Shaw, A. (2000). The influence of Active Learning on the College Student
Departure Process: Toward a Revision of Tinto´s Theory. The Journal of Higher Education, 71 (5),
569-590. Obtenido de: DOI: http://dx.doi.org/10.2307/2649260
Cabrera, A. et al. (2012). Pathways to a four-year degree: determinants of tranfer and degree
completion. In: SEIDMAN, Alan (Ed.). College student retention: a formula for student Success.
Westport: Praeger, p. 155-209.
Cabrera, L.; Bethencourt, J.; González, M. y Álvarez, P. (2006). Un estudio transversal
retrospectivo sobre la prolongación y abandono de estudios universitarios. Revista
Electrónica de Investigación y Evaluación Educativa, 12(1), 105-127.
Carmona, E. (2014). Tutorial sobre Máquinas de Vectores Soporte. (SVM). Obtenido de:
http://www.ia.uned.es/~ejcarmona/publicaciones/[2013Carmona]%20SVM.pdf
Castaño, E., Gallón, S., Gómez, K. y Vásquez, J. (2007). Deserción estudiantil universitaria: una
aplicación de modelos de duración. Lecturas de economía, 60,
Castejón, O. (2011). Diseño y análisis de experimentos con Statistix. Fondo Editorial Biblioteca
Universidad Rafael Urdaneta. Obtenido de:
http://www.uru.edu/fondoeditorial/libros/pdf/manualdestatistix/occompleto.pdf
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en este
sitio está disponibles bajo Licencia Creative Commons .