Modelado estadístico de la deserción escolar en estudiantes de ingeniería basado en minería de procesos

Héctor Fernando Gómez García; Jessica Mendiola Fuentes; Víctor Manuel Romero Medina

doi:10.31637/epsir-2025-974

Autores

Héctor Fernando Gómez García Universidad del Caribe https://orcid.org/0000-0002-6563-5539
Jessica Mendiola Fuentes Universidad del Caribe https://orcid.org/0000-0001-5686-7189
Víctor Manuel Romero Medina Universidad del Caribe

DOI:

https://doi.org/10.31637/epsir-2025-974

Palavras-chave:

Deserción escolar, formación matemática, minería de procesos, análisis de conformidad, redes de Petri, analítica curricular, modelado estadístico, modelos predictivos

Resumo

Introducción: El presente trabajo describe el desarrollo de un modelo estadístico para estimar la probabilidad de deserción en estudiantes de programas de ingeniería de la Universidad del Caribe, mediante la aplicación de técnicas de minería de procesos. Metodología: Se definió un proceso de formación matemática que se utilizó como referencia para evaluar la idoneidad de las trayectorias académicas de estudiantes de cuatro cohortes. Las evaluaciones de la conformidad con el proceso de formación matemática, durante los primeros tres semestres de cada estudiante, se utilizaron como predictores de la probabilidad de deserción en un modelo estadístico. Resultados: El modelo se ajustó utilizando los datos de las primeras tres cohortes y se validó aplicándolo a la cohorte más reciente, comparando los pronósticos con los resultados observados de deserción. Discusión: El estudio demuestra la efectividad de las técnicas de minería de procesos para generar información académica relevante, útil en la toma de decisiones que mitiguen el riesgo de deserción escolar a partir del análisis de las trayectorias académicas de los estudiantes. Conclusiones: Se sugieren direcciones futuras, como la implementación de sistemas de monitoreo y la inclusión de otros procesos críticos en el análisis, para aumentar significativamente la efectividad de las intervenciones educativas.

Downloads

Não há dados estatísticos.

Biografias Autor

Héctor Fernando Gómez García, Universidad del Caribe

Profesor Investigador de Tiempo Completo adscrito al programa de Ingeniería en Datos e Inteligencia Organizacional. Doctor en Ciencias con orientación en Computación por el Centro de Investigación en Matemáticas. Ha desarrollado diversos proyectos de investigación en procesamiento digital de imágenes, visión computacional y ciencia de datos, con especial interés en las aplicaciones de la inteligencia artificial en la educación y en el modelado estadístico de sistemas ambientales para el desarrollo de energías renovables.

Jessica Mendiola Fuentes, Universidad del Caribe

Licenciatura en matemáticas aplicadas por la Universidad Juárez del Estado de Durango. Maestría y Doctorado en Control y Sistemas Dinámicos ambos por el Instituto de Investigación Científica y Tecnológica A. C. (IPICyT). Estancia posdoctoral en el Instituto de Física de la Universidad Autónoma de San Luis Potosí (UASLP). Ganadora del premio Sofia Kovalévskaya en 2017. Líder del departamento de HPC en el Centro Nacional de Supercómputo (CNS) durante el 2020 y hasta el 2022. Principales áreas de interés se enfocan en teoría de control, sistemas dinámicos y sus aplicaciones. Miembro del Sistema Nacional de Investigadores (SNI). Actualmente es profesora investigadora de tiempo completo del Departamento de Ciencias Básicas e Ingenierías de la Universidad del Caribe.

Víctor Manuel Romero Medina, Universidad del Caribe

Profesor Investigador Titular de Tiempo Completo adscrito al programa educativo de Ingeniería Ambiental. Ingeniero Aeronáutico con Maestría en Ingeniería Mecánica enfocado a la dinámica de fluidos computacional y Doctorado en Ciencia e Ingeniería de Materiales con orientación al desarrollo de modelos matemáticos para el análisis de crecimiento de grietas y deformación plástica de materiales compuestos. Ha participado en proyectos de investigación básica y aplicada, principalmente en Dinámica de Fluidos Computacional, enfocados al aprovechamiento de las energías renovables desarrollando prototipos. Ha participado en diversos congresos y publicado varios artículos. Es miembro activo de la Asociación Nacional de Energía Solar, International Solar Energy Society, Ocean Thermal Energy Association y Centro Mexicano de Investigación en Energía del Océano.

Referências

Amaya Amaya, A., Huerta Castro, F. y Flores Rodríguez, C. O. (2020). Big Data, una estrategia para evitar la deserción escolar en las IES. Revista Iberoamericana de Educación Superior, 11(31), 166-178. https://doi.org/10.22201/iisue.20072872e.2020.31.712 DOI: https://doi.org/10.22201/iisue.20072872e.2020.31.712

Banihashem, S. K., Aliabadi, K., Ardakani, S. P., Delaver, A., y Ahmadabadi, M. N. (2018). Learning analytics: A systematic literature review. Interdisciplinary Journal of Virtual Learning in Medical Sciences, 9(1), 41-60. DOI: https://doi.org/10.5812/ijvlms.63024

Berti, A., van Zelst, S. J. y Schuster, D. (2023). PM4Py: A process mining library for Python. Software Impacts, 17, 100556. https://doi.org/10.1016/j.simpa.2023.100556 DOI: https://doi.org/10.1016/j.simpa.2023.100556

Chen, T. y Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794. DOI: https://doi.org/10.1145/2939672.2939785

De Witte, K. y Rogge, N. (2013). Dropout from secondary education: All's well that begins well. European Journal of Education, 48(1), 131-149. https://doi.org/10.1111/ejed.12001 DOI: https://doi.org/10.1111/ejed.12001

Dumas, M., La Rosa, M., Mendling, J. y Reijers, H. A. (2019). Fundamentals of Business Process Management. Springer. DOI: https://doi.org/10.1007/978-3-662-56509-4

Felder, R. M. y Brent, R. (2004). The Intellectual Development of Science and Engineering Students. Part 2: Teaching to Promote Growth. Journal of Engineering Education, 93(4), 279-291. http://doi.org/10.1002/j.2168-9830.2004.tb00817.x DOI: https://doi.org/10.1002/j.2168-9830.2004.tb00817.x

Gottipati, S. y Shankararaman, V. (2018). Competency analytics tool: Analyzing curriculum using course competencies. Education and Information Technologies, 23(1), 41-60. https://doi.org/10.5812/IJVLMS.63024 DOI: https://doi.org/10.1007/s10639-017-9584-3

Instituto Nacional de Estadística Geografía e Informática. (s.f.). Tasa de abandono escolar por entidad federativa según nivel educativo. https://bit.ly/3VSicNW

International Business Machines [IBM]. (6 de enero de 2022). BPMN basics: Understanding and using BPMN. IBM. https://www.ibm.com/blog/bpmn/

Loder, A. K. F. (2024). The use of educational process mining on dropout and graduation data in the curricula (Re-)Design of universities. Trends in Higher Education, 3(1), 50-66. https://doi.org/10.3390/higheredu3010004 DOI: https://doi.org/10.3390/higheredu3010004

López Suárez, A., Albíter Rodríguez, Á. y Ramírez Revueltas, L. (2008). Eficiencia terminal en la educación superior, la necesidad de un nuevo paradigma. Revista de la Educación Superior, XXXVII(2), 135-151.

McKinney, W. (2010). Data Structures for Statistical Computing in Python. Proceedings of the 9th Python in Science Conference, 51-56. DOI: https://doi.org/10.25080/Majora-92bf1922-00a

Murata, T. (1989). Petri nets: Properties, analysis and applications. Proceedings of the IEEE, 77(4), 541-580. https://doi.org/10.1109/5.24143 DOI: https://doi.org/10.1109/5.24143

Murillo-García, O. L. y Luna-Serrano, E. (2021). El contexto académico de estudiantes universitarios en condición de rezago por reprobación. Revista Iberoamericana de Educación Superior, 12(33), 58-75. https://doi.org/10.22201/iisue.20072872e.2021.33.858 DOI: https://doi.org/10.22201/iisue.20072872e.2021.33.858

Ocampo Díaz, J., Martínez Romero, M., de las Fuentes Lara, M. y Zatarain Jorge, J. (2010). Reprobación y deserción en la facultad de ingeniería Mexicali de la Universidad Autónoma de Baja California. https://bit.ly/467lUs1

Paramo, G. J. y Correa Maya, C. A. (2012). Deserción estudiantil universitaria. Conceptualización. Revista Universidad EAFIT, 35(114), 65-78.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... y Duchesnay, E. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825-2830.

Pérez, S. L. G. (2010). El papel de la tutoría en la formación integral del universitario. Tiempo de Educar, 11(21), 31-56.

Plotly Technologies Inc. (2015). Collaborative data science. Montréal, QC: Plotly Technologies Inc. https://plot.ly

Salazar-Fernández, J. P., Muñoz-Gama, J., Maldonado-Mahauad, J., Bustamante, D. y Sepúlveda, M. (2021). Backpack Process Model (BPPM): A process mining approach for curricular analytics. Applied Sciences, 11(9), 4265. https://doi.org/10.3390/app11094265 DOI: https://doi.org/10.3390/app11094265

Tinto, V. (1989). Definir la deserción: una cuestión de perspectiva. Revista de Educación Superior, 71(18), 1-9.

Valdivia, E. M., Ruíz, B. V., Cárdenas, C. M. y Ortiz, C. P. (2019). Diseño de un programa de tutoría integral para alumnos de ingeniería. ANFEI Digital, 11.

Van der Aalst, W. (2011). Process Mining: Discovery, Conformance and Enhancement of Business Processes. Springer. DOI: https://doi.org/10.1007/978-3-642-19345-3

Van der Aalst, W. (2016). Process Mining: Data Science in Action. Springer. DOI: https://doi.org/10.1007/978-3-662-49851-4