Patterns to Identify Dropout University Students with Educational Data Mining

dc.creatorUrbina-Nájera, Argelia Berenice
dc.creatorTéllez-Velázquez, Arturo
dc.creatorCruz Barbosa, Raúl
dc.date2021-12-20
dc.date.accessioned2024-03-02T23:56:42Z
dc.date.available2024-03-02T23:56:42Z
dc.descriptionThis paper applies educational data mining algorithms to present an analysis of the most relevant characteristics of potential dropout students. The study used a dataset of 10,635 instances, acquired between 2014 and 2019 from 53 bachelor’s degree programs at a private university in the state of Puebla (Mexico). The results show that the model obtained from the decision trees performs better than other algorithms and allows for easy interpretation through decision rules. Furthermore, the model performs better than other related models in the literature that have been applied to the same problem. The methods used to select characteristics yielded the most important attributes to identify potential dropouts, such as the period, last semester completed, credits completed, attendance, courses failed, and program. These attributes and decision rules can be used to create mechanisms that help prevent dropout.en-US
dc.descriptionEn este trabajo se presenta un análisis de las características más relevantes de un potencial desertor universitario, mediante la aplicación de algoritmos de minería de datos educativa. Se utilizó un conjunto de datos de 10 635 instancias, adquiridas en el período 2014-2019, de 53 programas de licenciatura de una institución privada del estado de Puebla (México). Los resultados muestran que el modelo obtenido por los árboles de decisión ofrece mayor desempeño que otros algoritmos, así como una fácil interpretación de éste mediante reglas de decisión. Además, el rendimiento del modelo es mejor que otros modelos relacionados en la literatura aplicados al mismo problema. Los métodos de selección de características permitieron encontrar los atributos más importantes que identifican a un potencial desertor, tales como: el período, el último semestre cursado, créditos cursados, asistencia, materias reprobadas y programa. Utilizando los atributos y reglas de decisión encontradas se podrían crear mecanismos que favorezcan la prevención de la deserción.es-ES
dc.formattext/html
dc.formatapplication/pdf
dc.formattext/xml
dc.identifierhttps://redie.uabc.mx/redie/article/view/3918
dc.identifier10.24320/redie.2021.23.e29.3918
dc.identifier.urihttps://repositorioinstitucional.uabc.mx/handle/20.500.12930/11383
dc.languagespa
dc.publisherUniversidad Autónoma de Baja California. Instituto de Investigación y Desarrollo Educativoes-ES
dc.relationhttps://redie.uabc.mx/redie/article/view/3918/2195
dc.relationhttps://redie.uabc.mx/redie/article/view/3918/2163
dc.relationhttps://redie.uabc.mx/redie/article/view/3918/2170
dc.rightsDerechos de autor 2021 Revista Electrónica de Investigación Educativaes-ES
dc.rightshttps://creativecommons.org/licenses/by-nc/4.0es-ES
dc.sourceRevista Electrónica de Investigación Educativa; Vol. 23 (2021); 1-15en-US
dc.sourceRevista Electrónica de Investigación Educativa; Vol. 23 (2021); 1-15es-ES
dc.source1607-4041
dc.subjectdeserción escolares-ES
dc.subjectcaracterísticas de la deserciónes-ES
dc.subjecttoma de decisioneses-ES
dc.subjectdropping outen-US
dc.subjectdropouts characteristicsen-US
dc.subjectdecision makingen-US
dc.titlePatterns to Identify Dropout University Students with Educational Data Miningen-US
dc.titlePatrones que identifican a estudiantes universitarios desertores aplicando minería de datos educativaes-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
Archivos
Colecciones