ADHE: Una herramienta para caracterizar el fenómeno de deserción en educación superior
DOI:
https://doi.org/10.17533/udea.redin.20230519Palabras clave:
Deserción escolar, Analítica académica, dashboard, visualización de datos, Enseñanza superiorResumen
El área de analítica académica emergió en instituciones de educación superior por causa del desarrollo de la tecnología en la recolección de información. En este trabajo se presenta el diseño e implementación de un Dashboard de analítica académica en una institución de educación superior de Colombia para apoyar el proceso de toma de decisiones de los administradores de programas académicos con relación a la deserción. Se empleó la metodología pipeline de procesamiento de grandes volúmenes de datos la cual está basada en cinco fases: adquisición, integración, limpieza, transformación y visualización de datos. Todas las fases se llevaron a cabo en el lenguaje de programación R utilizando fuentes de información académica de la Facultad de Ingeniería de la Universidad de Antioquia y del Instituto Colombiano para la Evaluación de la Educación. El dashboard ADHE es de acceso libre y se puede consultar en https://fhernanb.shinyapps.io/AppPermanencia/. Los principales resultados obtenidos fueron que el estrato socioeconómico, el género y el tipo de colegio están asociados con el fenómeno de deserción. Se encontró que el estrato social 1, los estudiantes masculinos y el tipo de colegio público tienen las proporciones de deserción más altas. Además, concluimos que la admisión a los programas de ingeniería requieren un balance en habilidades cualitativas y cuantitativas. El dashboard ADHE podría ser usado por estudiantes, padres de familia, profesores y administradores para entender la dinámica de la deserción estudiantil.
Descargas
Citas
U. Sivarajah, M. M. Kamal, Z. Irani, and V. Weerakkody, “Critical analysis of Big Data challenges and analytical methods,” J. Bus. Res., vol. 70, pp. 263–286, 2017, doi: 10.1016/j.jbusres.2016.08.001.
T. Catarci, M. Scannapieco, M. Console, and C. Demetrescu, “My (fair) big data,” Proc. - 2017 IEEE Int. Conf. Big Data, Big Data 2017, vol. 2018-Janua, no. January 2018, pp. 2974–2979, 2017, doi: 10.1109/BigData.2017.8258267.
B. K. Daniel and R. Butson, “Technology Enhanced Analytics (TEA) in Higher Education,” in International Association for the Development of the Information Society, 2013, pp. 89–96.
B. Daniel, “Big Data and analytics in higher education: Opportunities and challenges,” Br. J. Educ. Technol., vol. 46, no. 5, pp. 904–920, 2015, doi: 10.1111/bjet.12230.
S. A. Ferreira and A. Andrade, “Academic Analytics: Anatomy of an exploratory essay,” Educ. Inf. Technol., vol. 21, no. 1, pp. 229–243, 2016, doi: 10.1007/s10639-014-9317-9.
R. Chen, “Institutional Characteristics and College Student Dropout Risks: A Multilevel Event History Analysis,” Res. High. Educ., vol. 53, no. 5, 2012, doi: 10.1007/s11162-011-9241-4.
M. V. López-Pérez, M. C. Pérez-López, and L. Rodríguez-Ariza, “Blended learning in higher education: Students’ perceptions and their relation to outcomes,” Comput. Educ., vol. 56, no. 3, 2011, doi: 10.1016/j.compedu.2010.10.023.
A. P. Rovai, “Sense of community, perceived cognitive learning, and persistence in asynchronous learning networks,” Internet High. Educ., vol. 5, no. 4, 2002, doi: 10.1016/S1096-7516(02)00130-6.
Guerrero S. C., “Caracterización de la deserción en la Universidad Pedagógica y Tecnológica de Colombia durante el período 2008-2015,” Rev. Lasallista Investig., vol. 15, no. 1, pp. 16–18, 2018, doi: 10.22507/rli.v15n1a2.
Y. Quintero, “Diseño de un modelo predictivo para generar alertas tempranas de deserción universitaria en los programas de pregrado presenciales de la Facultad de Ingeniería de la Universidad de Antioquia,” Universidad de Antioquia, 2022.
R. Parra, C., Castañeda, E., Guillermo, R., Usuga, O., Duque, P., & Mendoza, “¿La deserción y la graduación no diferencian a los programas de pregrado de la facultad de Ingeniería de la Universidad de Antioquía?,” 2014.
L. P. Navas, F. Montes, S. Abolghasem, R. J. Salas, M. Toloo, and R. Zarama, “Colombian higher education institutions evaluation,” Socioecon. Plann. Sci., vol. 71, 2020, doi: 10.1016/j.seps.2020.100801.
U. bin Mat, N. Buniyamin, P. M. Arsad, and R. Kassim, “An Overview of Using Academic Analytics to Predict and Improve Students’ Achievement: A Proposed Proactive Intelligent Intervention,” in IEEE 5th Conference on Engineering Education (ICEED), 2013, pp. 126–130.
W. Terraza-Beleño, “Estrategias de retención estudiantil en educación superior y su relación con la deserción,” Rev. Electrónica en Educ. y Pedagog., vol. 3, no. 4, pp. 39–56, 2019.
J. Géryk and L. Popelínský, “Visual Analytics for Increasing Efficiency of Higher Education Institutions,” in International Conference on Business Information Systems, 2014, pp. 117–127, doi: 10.1007/978-3-319-11460-6.
L. F.-S. P. Chinome-Becerra, C. Ruiz-Cardenas, “Priorización de variables en el diseño de un sistema de gestión integral de la deserción estudiantil,” Rev. Educ. en Ing., vol. 11, no. 22, pp. 69–77, 2016.
Y. Y. Wong, “Academic analytics: A meta-analysis of its applications in higher education,” Int. J. Serv. Stand., vol. 11, no. 2, pp. 176–192, 2016, doi: 10.1504/IJSS.2016.077957.
T. C. L. Turizo, K. García, S. Soto, Z. Fragozo, T. J. Crissien “Estudio sobre la deserción y la no graduación en la Corporación Universidad de la Costa, Colombia” Rev. UNIMAR, vol. 37, no. 2, pp. 13–25, 2019.
E. Castañeda, “Rendimiento académico de los estudiantes en el primer semestre: Facultad de Ingeniería cohortes 2016-1 y 2015-1” Rev. Ing. Soc., vol. 11, 2016.
J. G. Villegas, C. P. Carolina, and E. C. Gómez, “Planning and performance measurement in higher education: three case studies of operational research application,” Rev. Fac. Ing., no. 100, 2021, doi: 10.17533/udea.redin.20210526.
P. Murnion and M. Helfer, “Academic Analytics in quality assurance using organizational analytical capabilities,” 2013.
M. Komenda et al., “Curriculum Mapping with Academic Analytics in Medical and Healthcare Education,” PLoS One, vol. 10, no. 12, pp. 1–18, 2015, doi: 10.1371/journal.pone.0143748.
M. Sharkey, “Academic analytics landscape at the University Of Phoenix,” ACM Int. Conf. Proceeding Ser., pp. 122–126, 2011, doi: 10.1145/2090116.2090135.
E. J. M. Lauría, J. D. Baron, M. Devireddy, V. Sundararaju, and S. M. Jayaprakash, “Mining academic data to improve college student retention,” 2012, doi: 10.1145/2330601.2330637.
E. J. M. Lauría, E. W. Moody, S. M. Jayaprakash, N. Jonnalagadda, and J. D. Baron, “Open Academic Analytics Initiative: Initial Research Findings,” in LAK ’13: Proceedings of the Third International Conference on Learning Analytics and Knowledge, 2013, pp. 150–154, doi: 10.1145/2460296.2460325.
A. M. DeRocchis, A. Michalenko, and S. J. Boucheron, Laura E. Stochaj, “Extending academic analytics to engineering education,” in Frontiers in Education Conference, FIE, 2018, pp. 1–5, doi: 10.1109/FIE.2018.8658373.
L. C. Hafer, N. M. Gibson, T. T. York, H. R. Fiester, and R. Tsemunhu, “An Examination of Student Retention at a 2-Year College Through Structural Equation Modeling,” J. Coll. Student Retent. Res. Theory Pract., vol. 22, no. 4, Feb. 2021, doi: 10.1177/1521025118770813.
A. M. Rodriguez, “Academic Analytics: Aplicando Técnicas De Business Intelligence Sobre Datos De Performance Académica En Enseñanza Superior,” Interfaces Científicas - Exatas e Tecnológicas, vol. 1, no. 2, pp. 35–46, 2015, doi: 10.17564/2359-4942.2015v1n2p35-46.
C. Shi, S. Fu, Q. Chen, and H. Qu, “VisMOOC: Visualizing video clickstream data from massive open online courses,” 2015, doi: 10.1109/PACIFICVIS.2015.7156373.
H. He, O. Zheng, and B. Dong, “VUSphere: Visual Analysis of Video Utilization in Online Distance Education,” in IEEE Conference on Visual Analytics Science and Technology (VAST), 2018, pp. 25–35, doi: 10.1109/VAST.2018.8802383.
Y. Chen, Q. Chen, Z. Mingqian, S. Boyer, K. Veeramachaneni, and H. Qu, “DropoutSeer: Visualizing learning patterns in Massive Open Online Courses for dropout reasoning and prediction,” in IEEE Conference on Visual Analytics Science and Technology (VAST), 2016, pp. 111–120, doi: 10.1109/VAST.2016.7883517.
M. McNaughton, L. Rao, and G. Mansingh, “An agile approach for academic analytics: a case study,” J. Enterp. Inf. Manag., vol. 30, no. 5, pp. 701–722, 2017, doi: 10.1108/JEIM-06-2016-0121.
ICFES, “Bases de datos,” 2020. .
W. Chang, J. Cheng, J. Allaire, Y. Xie, and J. McPherson, “shiny: Web Application Framework for R.” 2020.
W. Chang and B. Borges-Ribeiro, “shinydashboard: Create Dashboards with ‘Shiny.’” 2018.
V. Perrier, F. Meyer, and D. Granjon, “shinyWidgets: Custom Inputs Widgets for Shiny.” 2020.
H. Wickham, ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York, 2016.
C. Sievert, Interactive Web-Based Data Visualization with R, plotly, and shiny. Chapman and Hall/CRC, 2020.
H. Wickham, R. François, L. Henry, and K. Müller, “dplyr: A Grammar of Data Manipulation.” 2020.
Y. Xie, J. Cheng, and X. Tan, “DT: A Wrapper of the JavaScript Library ‘DataTables.’” 2020.
S. Garnier, “viridis: Default Color Maps from ‘matplotlib.’” 2018.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Revista Facultad de Ingeniería Universidad de Antioquia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter