Modelos predictivos para la detección de riesgo académico en los estudiantes de pregrado de la carrera de computación científica utilizando técnicas de Machine Learning

Abstract

Desarrolla modelos predictivos mediante diversas técnicas de aprendizaje automático, utilizando como conjunto de datos los historiales académicos de 241 estudiantes de pregrado de la carrera de Computación Científica de la Universidad Nacional Mayor de San Marcos. Ello con el fin de determinar si un estudiante de pregrado enfrentará dificultades académicas (riesgo académico) en su próximo semestre en función de su desempeño académico desde que ingreso a la universidad. Así mismo, se utiliza diferentes métricas de evaluación para comparar los modelos que fueron construidos por medio de 5 técnicas de aprendizaje automático, para luego analizar los resultados obtenidos en cada modelo. Llegando a la conclusión de que existe mas de un modelo adecuado con una exhaustividad (Recall) superior al 80% para identificar estudiantes en riesgo académico. También se encontró que el promedio del último semestre cursado es una de las características más significativas para la predicción de estudiantes en riesgo académico. De esta manera, se logra brindar a la escuela de Computación Científica una herramienta que ayuda a identificar a los estudiantes en riesgo académico para el próximo semestre. Finalmente, se sugiere replicar la metodología desarrollada a las otras carreras de la FCM, y evaluar la posibilidad de implementar estrategias de apoyo educativo para aquellos estudiantes en situación de riesgo académico identificados por los distintos modelos.