Un modelo predictivo de deserción escolar para la República Dominicana


Contenido principal del artículo

Renato R. González
Felipe A. Llaugel

Resumen

La motivación de la investigación, cuyos resultados se recogen en este artículo, es la de dotar de una herramienta que permita predecir el riesgo de deserción de los estudiantes del nivel básico y medio en el sistema educativo dominicano. Mediante modelos predictivos de minería de datos es posible determinar patrones de comportamiento del alumno(a), analizando la historia académica del estudiante junto a los factores socio económicos y ambientales, que determinan su condición de potencial desertor, asociándole un índice de deserción como probabilidad de abandono del sistema educativo.


Se han elegido 72 centros educativos del distrito escolar de Los Alcarrizos, así como una cohorte conformada por cinco periodos académicos comprendidos entre el 2009 y el 2014, como plan de prueba piloto de esta tecnología predictiva.


A partir de este pronóstico, y al ser extendido en el futuro el estudio a nivel nacional, las autoridades gestoras de cada centro educativo y del Ministerio de Educación podrían elaborar políticas de intervención efectivas y puntuales encaminadas a la retención de los alumnos y alumnas en el sistema educativo nacional (educación básica y media) y al mejoramiento de los procesos de los centros educativos en pro de la disminución del índice de deserción escolar.


Palabras clave:
deserción escolar, retención escolar, modelo predictivo, data mining, modelo de datos, algoritmos, árbol de decisión, cohorte, condición académica, precisión exactitud del modelo
Cómo citar
González, R. R. ., & Llaugel, F. A. (2016). Un modelo predictivo de deserción escolar para la República Dominicana . Revista De Investigación Y Evaluación Educativa, 3(1), 42–65. https://doi.org/10.47554/revie.vol3.num1.2016.pp42-65

DESCARGAS

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Detalles del artículo

Biografía del autor/a

Renato R. González, Pontificia Universidad Católica Madre y Maestra (PUCMM) - República Dominicana

Obtuvo una maestría en Ciencias Económicas en la Pontificia Universidad Católica Madre y Maestra (PUCMM).

Felipe A. Llaugel, Universidad Dominicana O&M - República Dominicana

Obtuvo una maestría en Economía y es decano de  la facultad de Ingeniería de la Universidad Dominicana O&M.      

Referencias

Amaya, Y., Barrientos, E. & Heredia, D. (2014). Modelo predictivo de deserción estudiantil utilizando técnicas de minería de datos. Colombia: Universidad Francisco de Paula Santander, Universidad Simón Bolívar.

Duda, R.O., Hart, P.E. & Stock, D.G. (2001). Pattern cassification (2nd. Ed.). New York, NY: John Wiley & Sons. Inc.

Han J., Kamber M. & Pei J. (2012). Data mining – Concepts and techniques (3th Edition). Waltham, MA, USA: Elseiver Inc.

Hofmann M. & Klinkenberg R. (2013). RapidMiner, Data Mining Use cases and Business Analytics Applications. Boca Raton, FL, USA: Chapman and Hal/CRC Press.

ONE. (2014). Boletín Panorama Estadístico, Santo Domingo, Rep. Dom. : ONE.

Rockach L. & Maimon O. (2008). Data Mining with Decision Trees, Theory and Applications. Singapore: World Scientific Publishing Co.

SPSS Inc. (2003). Modelación avanzada con IBM SPSS modeler. Chicago, IL, USA: SPSS.

SPSS Inc. (2008). Introducción al SPSS modeler y data mining. Chicago, IL, USA: SPSS.

Theodoris, S. & Koutroumbas, K. (2006). Pattern recognition (3th Edition). San Diego, CA, USA: Academic Press.

UNESCO. (2009). Education indicators. Technical guidelines. UNESCO Institute of Statistics.

University of Minnesota. (2013). Essential tools - Increasing rates of school completion: moving from policy and research to practice - A manual for policymakers, administrators, and educators. USA: College of Education and Human Development.

Valero Orea, S., Salvador Vargas, A. & García Alonso, M. (2014). Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos.

Witten, I. H. & Frank, E. (2000). Data Mining. San Diego, CA, USA: Morgan Kaufmann Publishers.