Aprendizaje semi-supervisado para descubrir la escala de tiempo promedio de graduación de estudiantes universitarios
Identificadores
URI: http://hdl.handle.net/10481/57661Metadata
Show full item recordEditorial
Universidad de Cienfuegos
Materia
Aprendizaje semi-supervisado Análisis educativo Minería de datos Educacion superior Tiempo de graduación
Date
2019-10Referencia bibliográfica
Guanin-Fajardo, J., Casillas, J., & Chiriboga-Casanova, W. (2019). Aprendizaje semi-supervisado para descubrir la escala de tiempo promedio de graduación de estudiantes universitarios. Revista Conrado, 15(70), 291-299.
Abstract
Las instituciones de educación superior omiten hasta
cierto punto los factores que retrasan las tasas
de promoción de los estudiantes universitarios. El
retraso no siempre puede ser revelado debido a la
diversidad de los programas de estudio, desde el
comienzo de la carrera hasta la finalización del programa
y la graduación. En este trabajo se utilizó el
conjunto de datos de estudiantes correspondiente
a 5 cursos académicos completos (primero-quinto
curso), 53 variables y 849 observaciones de las diferentes
carreras universitarias. Así, se exploraron variables
y se utilizó la minería de datos con técnicas
de aprendizaje semi-supervisado para descubrir
asociaciones que detectan categorías de graduación
de estudiantes. Por lo tanto, las reglas de interés
fueron descubiertas usando las métricas de support,
confidence, lift y conviction de las reglas de la
asociación. Los hallazgos sugieren que las edades
del grupo de profesores entre segundo y tercer año,
así como la categoría de nota media entre cursos y
la empleabilidad de los estudiantes, son los principales
factores que influyen en las tasas de graduación
de los estudiantes universitarios. Institutions of higher education omit to a certain extent
the factors that delay the rates of promotion of
university students. The delay cannot always be disclosed
due to the diversity of study programs, from
the beginning of the career to the completion of the
program and graduation. This paper used the student
data set for 5 full academic years (grades 1-5),
53 variables, and 849 observations of different university
careers. Thus, variables were explored and
data mining with semi-supervised learning techniques
was used to discover associations that detect
graduation categories of students. Therefore, the rules
of interest were discovered using the metrics of
support, confidence and elevation of the rules of association.
The findings suggest that the ages of the
group of teachers between second and third year,
as well as the grade point average between courses
and the employability of students, are the main
factors influencing the graduation rates of university
students.