Algoritmos de aprendizaje supervisado en la deserción estudiantil de la escuela de posgrado - Universidad Enrique Guzmán y Valle

Abstract

El presente estudio tuvo como objetivo determinar la influencia de los algoritmos de aprendizaje supervisado en la predicción de la deserción estudiantil en la Escuela de Posgrado - Universidad Enrique Guzmán y Valle. El estudio fue de tipo aplicado, nivel descriptivo y diseño metodológico no experimental. La población compuesta por 10659 estudiantes, la muestra fue dada por conveniencia con total de 5758 estudiantes. La técnica fue el análisis documental y el instrumento la ficha de datos. Mediante procedimientos de ETL se consolidó un dataset robusto, estableciendo factores sociales (sexo, mamá vive, papá vive, procedencia), factores económicos (condición, situación, trabaja estudiante) y factores académicos (Especialidad, programa, régimen, año de ingreso, modalidad, sede, veces que desaprobó el curso, cursos aprobados, plan de estudio) el cual son influyentes dentro de la deserción estudiantil. Seguidamente se analizaron 7 algoritmos, siendo: J48, Random Forest, Vecinos Mas Cercanos, Función Logística, Perceptrón Multicapa, Maquina de Soporte de Vectores y Naive Bayes desempeñándose con mayor efectividad el algoritmo J48. Se construyó un modelo capaz de predecir en un 97.9% la deserción estudiantil, además esto fue corroborado con la prueba estadística Chi-cuadrado de Pearson con valor de 1372,838 (p=0.000), pudiendo aceptar la hipótesis alterna de la investigación.