Modelo predictivo basado en inteligencia artificial y conciencia de contexto para identificar estudiantes en riesgo de deserción universitaria en Panamá
Autores: Arenales, Laury; Villarreal, Vladimir; Saldaña Barrios, Juan José
Idioma: Inglés
Editor: Ediciones Universidad Cooperativa de Colombia
Año: 2025
Acceso abierto
Artículo OA
2025
Modelo predictivo basado en inteligencia artificial y conciencia de contexto para identificar estudiantes en riesgo de deserción universitaria en Panamá
Categoría
Ingeniería y Tecnología
Subcategoría
Inteligencia Artificial
Palabras clave
Deserción
Inteligencia artificial
Modelo predictivo
Contexto
Universidad
Estudiante
Licencia
CC BY-NC – Atribución – No Comercial
Consultas: 85
Citaciones: Ingeniería Solidaria Vol. 21 Núm. 1
Introducción: Este artículo es el resultado de la investigación Análisis, diseño y desarrollo de un sistema inteligente consciente del contexto para la predicción de deserción universitaria, utilizando una arquitectura de microservicios, desarrollada en la Universidad Tecnológica de Panamá en 2024. Presenta el proceso de desarrollo de un modelo predictivo basado en inteligencia artificial que incorpora el contexto académico, sociodemográfico y psicológico de los estudiantes para la identificación temprana de aquellos en riesgo de deserción.
Problema: El sistema educativo en la región latinoamericana enfrenta altos índices de deserción, especialmente a nivel universitario, siendo los primeros años de la carrera determinantes, lo que repercute negativamente en el desarrollo social, laboral y financiero de un país.
Objetivo: Desarrollar un modelo predictivo consciente del contexto basado en inteligencia artificial para identificar de manera oportuna a estudiantes en riesgo de deserción en la Universidad Tecnológica de Panamá.
Metodología: Se sigue la metodología de minería de datos CRISP-DM, la cual comprende el problema, luego se recolectan y procesan los datos académicos, socioeconómicos y psicológicos de los estudiantes. Se implementan tres modelos de machine learning (Regresión Logística, Random Forest y Gradient Boosting) evaluados en diferentes escenarios.
Resultados: En los resultados obtenidos de los tres modelos de machine learning, se evidencia que el modelo de Random Forest en el escenario 3 tiene un equilibrio óptimo entre precisión y generalización.
Conclusión: Este modelo predictivo es una herramienta relevante y pionera en la identificación temprana de estudiantes en riesgo de deserción de la UTP. Originalidad: Esta investigación introduce un enfoque multidimensional e innovador a la predicción de la deserción universitaria al integrar la consciencia de contexto e inteligencia artificial.
Limitaciones: La disponibilidad de datos psicológicos reales para la investigación es limitada y restringida.
Descripción
Introducción: Este artículo es el resultado de la investigación Análisis, diseño y desarrollo de un sistema inteligente consciente del contexto para la predicción de deserción universitaria, utilizando una arquitectura de microservicios, desarrollada en la Universidad Tecnológica de Panamá en 2024. Presenta el proceso de desarrollo de un modelo predictivo basado en inteligencia artificial que incorpora el contexto académico, sociodemográfico y psicológico de los estudiantes para la identificación temprana de aquellos en riesgo de deserción.
Problema: El sistema educativo en la región latinoamericana enfrenta altos índices de deserción, especialmente a nivel universitario, siendo los primeros años de la carrera determinantes, lo que repercute negativamente en el desarrollo social, laboral y financiero de un país.
Objetivo: Desarrollar un modelo predictivo consciente del contexto basado en inteligencia artificial para identificar de manera oportuna a estudiantes en riesgo de deserción en la Universidad Tecnológica de Panamá.
Metodología: Se sigue la metodología de minería de datos CRISP-DM, la cual comprende el problema, luego se recolectan y procesan los datos académicos, socioeconómicos y psicológicos de los estudiantes. Se implementan tres modelos de machine learning (Regresión Logística, Random Forest y Gradient Boosting) evaluados en diferentes escenarios.
Resultados: En los resultados obtenidos de los tres modelos de machine learning, se evidencia que el modelo de Random Forest en el escenario 3 tiene un equilibrio óptimo entre precisión y generalización.
Conclusión: Este modelo predictivo es una herramienta relevante y pionera en la identificación temprana de estudiantes en riesgo de deserción de la UTP. Originalidad: Esta investigación introduce un enfoque multidimensional e innovador a la predicción de la deserción universitaria al integrar la consciencia de contexto e inteligencia artificial.
Limitaciones: La disponibilidad de datos psicológicos reales para la investigación es limitada y restringida.