Estrategias para el uso de predicción del liderazgo en la educación superior
DOI:
https://doi.org/10.29378/plurais.v9i00.18892Palabras clave:
Evasión, Universidad, Enseñanza Superior, Minería de datos educativos, Actores InstitucionalesResumen
Muchos estudios que tienen como objetivo encontrar las técnicas y prácticas más adecuadas y efectivas para identificar los factores que llevan a la deserción de los estudiantes acaban dependiendo del uso de la tecnología para mejorar el análisis de datos y lograr un mayor volumen de información procesada. El presente estudio tiene como objetivo identificar las mejores prácticas para apoyar a los estudiantes identificados tempranamente a través de la minería de datos. Para ello, se buscó identificar a los actores institucionales principales que pueden aprovechar estos datos para brindar apoyo a los estudiantes identificados como en riesgo de abandono. Estos actores se identificaron en función de la estructura de una universidad pública ubicada en el interior de Rio Grande do Sul, Brasil. A los actores mapeados se les identificaron los mejores canales para recibir los datos de los estudiantes y las acciones principales que debían llevar a cabo cada uno de ellos. Al final del estudio, se enviaron cuestionarios a los propios actores, quienes evaluaron individualmente las sugerencias, indicando el nivel de relevancia y aplicabilidad.
Descargas
Citas
ALBOANEEN, Dabiah et al. Development of a Web-Based Prediction System for Students’ Academic Performance. Data, [S. l.], v. 7, n. 2, p. 21, 29 jan. 2022. MDPI AG.
AL-FAIROUZ, Ebtehal; AL-HAGERY, Mohammed. The most efficient classifiers for the students’ academic dataset. International Journal of Advanced Computer Science and Applications, [S. l.], v. 11, n. 9, p. 501–506, 2020.
ANDIFES/ABRUEM/SESu/MEC. Comissão Especial Sobre a Evasão nas Universidades Públicas Brasileiras. Diplomação, retenção e evasão nos cursos de graduação em instituições de ensino superior públicas. Brasília, 1996. 152p.
BERENS, Johannes et al. Early Detection of Students at Risk - Predicting Student Dropouts Using Administrative Student Data from German Universities and Machine Learning Methods. Zenodo, [S. l.], v. 11, n. 3, p. 1-41, 23 dez. 2019. Zenodo.
FLORES, Vaneza; HERAS, Stella; JULIAN, Vicente. Comparison of Predictive Models with Balanced Classes Using the SMOTE Method for the Forecast of Student Dropout in Higher Education. Electronics, [S. l.], v. 11, n. 3, p. 457, 3 fev. 2022. MDPI AG.
GIL, Antonio Carlos. Como elaborar projetos de pesquisa. São Paulo: Atlas, 2002.
GIL, Antonio Carlos. Métodos e técnicas de pesquisa social. 6. ed. São Paulo: Atlas, 2008. 200 p.
HOWLETT, Michael; RAMESH, M.; PERL, Anthony. Política pública: seus ciclos e subsistemas – uma abordagem integral. São Paulo: Campus, 2013.
OECD. Education at a Glance 2019: OECD Indicators. Education at a Glance. 2019.
OLIVEIRA, T. Escalas de mensuração de atitudes: Thurstone, Osgood, Stapel, Likert, Guttman, Alpert. Administração On Line, [S. l.], v. 2, n. 2, p. 1-25, 2001.
PALACIOS, Carlos et al. Knowledge Discovery for Higher Education Student Retention Based on Data Mining: machine learning algorithms and case study in chile. Entropy, [S. l.], v. 23, n. 4, p. 485, 20 abr. 2021. MDPI AG.
PÉREZ-GUTIÉRREZ, Boris Rainiero. Comparación de técnicas de minería de datos para identificar indicios de deserción estudiantil, a partir del desempeño académico. Revista Uis Ingenierías, [S. l.], v. 19, n. 1, p. 193-204, 1 jan. 2020. Universidad Industrial de Santander.
RIBEIRO, Marinalva Lopes. A relação professor-estudante na educação superior. Educação em Análise, Londrina, v. 5, n. 1, 2020, p. 185-200.
SILVA, Izaqueline et al. Estratégias das Coordenações dos Cursos de Ciências Contábeis para combater a evasão. Revista Universo Contábil, [S. l.], p. 61-81, fev. 2019.
THORN, James. Random Forest for Feature Importance: learn how to use random forest models to calculate the importance of the features in your data. 2020. Disponível em: https://towardsdatascience.com/random-forest-for-feature-importance-ea90852b8fc5. Acesso em: 18 jul. 2023.
TINTO, Vincent. Leaving college: Rethinking the causes and cures of student attrition. Chicago: University of Chicago Press. 1993.
YAğCi, Mustafa. Educational data mining: prediction of students' academic performance using machine learning algorithms. Smart Learning Environments, [S. l.], v. 9, n. 1, p. 1-19, 3 mar. 2022.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Piero Salaberri, Sandra Piovesan, Valesca Irala (Autor)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Creative Commons Attribution License que permitindo o compartilhamento do trabalho com reconhecimento da autoria do trabalho e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
O conteúdo dos artigos é de estrita responsabilidade de seus autores, assumindo responsabilidade de todo o conteúdo fornecido na submissão, e que possuem autorização para uso de conteúdo protegido por direitos autorais reproduzido em sua submissão.
