INFORME TÉCNICO FINAL

Transcripción

1 INFORME TÉCNICO FINAL CONSTRUCCIÓN DE MODELOS MATEMÁTICOS PARA DETERMINAR EL NIVEL DE DESERCIÓN EN LOS PROGRAMAS DE PREGRADO DE LA UNIVERSIDAD MARIANA. M,Sc. Iván Mauricio Argotty Puetamán Magister en Docencia Universitaria Ingeniero de Sistemas Matemático M,Sc. Giovanni Albeiro Hernández Pantoja Magister en Docencia Universitaria Especialista en Gerencia Informática Ingeniero de Sistemas San Juan de Pasto, Noviembre 2013

2 Contenido 1. Introducción Especificaciones de la investigación Objetivos Objetivo general Objetivo específicos Justificación Marco Metodológico Paradigma de la investigación Enfoque de la investigación Tipo de investigación Población y muestra Alcances Limitaciones Métodos y Diseño de la investigación Diseño de la investigación Fundamentación teórica El proceso de descubrimiento de conocimiento en bases de datos (KDD) Deserción estudiantil en Colombia según el ministerio de educación Recolección y procedimiento de información Construcción del repositorio de datos Metodología CRISP - DM DISEÑO Y ELABORACIÓN DEL REPOSITORIO DE DATOS Análisis de datos Preparación de datos Construcción del modelo de minería de datos Modelo de minería de datos sistemas ID Fase de evaluación Resultados Patrones de Deserción Factor Socioeconómico Patrones de Deserción Factor Personal Patrones de Deserción Factor Institucional... 35

3 7.2. Patrones de Deserción Factor Académico Regla de Inferencia Factor Socioeconómico Regla de Inferencia Factor Personal Regla de Inferencia Factor Institucional Regla de Inferencia Factor Académico Conclusiones y Recomendaciones II. Bibliografía... 46

4 Lista de Tablas Tabla 1. Factores e indicadores que determinan el nivel de deserción Tabla 2. Factores e indicadores que presentaron escases de información Tabla 3. Deserción estudiantil en los programas académicos de la Universidad Mariana 25 Tabla 4. Factores e indicadores suministrados en los sistemas de información por estudiante Tabla 5. Porcentaje de Incidencia en relación con la Estratificación Social Tabla 6. Porcentaje de Incidencia en relación con la Situación Laboral del Estudiante Tabla 7. Porcentaje de Incidencia en relación con los Ingresos Familiares Tabla 8. Porcentaje de Incidencia en relación con la Dependencia Económica Tabla 9. Porcentaje de Incidencia en relación con las Personas a Cargo Tabla 10. Porcentaje de Incidencia en relación con el Nivel Educativo de la Madre Tabla 11. Porcentaje de Incidencia en relación con el Nivel Educativo del Padre Tabla 12. Porcentaje de Incidencia en relación con la Edad Tabla 13. Porcentaje de Incidencia en relación con el Estado Civil Tabla 14. Porcentaje de Incidencia en relación con el Género Tabla 15. Porcentaje de Incidencia en relación con el Número de Integrantes Tabla 16. Porcentaje de Incidencia en relación con la Integración Social Tabla 17. Porcentaje de Incidencia en relación con la Normalidad Académica Tabla 18. Porcentaje de Incidencia en relación con la Financiación Tabla 19. Porcentaje de Incidencia en relación con los Recursos Universitarios Tabla 20. Porcentaje de Incidencia en relación con el Promedio en el Rendimiento Académico en los Cinco Primeros Semestres Tabla 21. Porcentaje de Incidencia en relación con el Promedio en el Rendimiento Académico en los Cinco Últimos Semestres Tabla 22. Porcentaje de Incidencia en relación con el Promedio en el Número de Asignaturas de los Cinco Primeros Semestres Tabla 23. Porcentaje de Incidencia en relación con el Promedio en el Número de Asignaturas de los Cinco Últimos Semestres Tabla 24. Porcentaje de Incidencia en relación con el Tipo de Colegio Tabla 25. Porcentaje de Incidencia en relación con el Programa Académico Tabla 26. Porcentaje de Incidencia en relación con la Facultad Académica... 40

5 Lista de Figuras Figura 1. Diseño de la investigación Figura 2. Proceso de extracción del conocimiento Figura 3. Proceso KDD Figura 4. Duración reglamentaria del programa Figura 5. Determinantes o patrones de la deserción estudiantil Figura 6. Sincronización para el análisis dinámico de la deserción Figura 7. Metodología CRISP - DM Figura 8. Fases de la metodología CRISP - DM... 23

6 Lista de Ecuaciones Ecuación 1. Modelo Matemático Factor Socioeconómico Ecuación 2. Modelo Matemático Factor Personal Ecuación 3. Modelo Matemático Factor Institucional Ecuación 4. Modelo Matemático Factor Académico Ecuación 5. Modelo Matemático de Predicción Deserción Estudiantil... 44

7 1. Introducción Según el Ministerio de Educación Nacional MEN, el 52% de los estudiantes colombianos que comienzan una carrera universitaria no la concluyen, así mismo las promociones de estudiantes que terminaron estudios entre 1999 y el 2004, el 48% en promedio no finalizaron sus estudios. Además, de cada dos estudiantes que se matriculan en un programa de pregrado, solo uno culmina su carrera. La preocupación es mayor si se tiene en cuenta que el 39.52% de quienes abandonan sus estudios lo tienen que hacer por razones económicas. [1] De igual manera los altos índices de deserción estudiantil que se presentan en los diferentes programas de pregrado en la Universidad Mariana de San Juan de Pasto, conllevan a que se formule proyectos como cursos de nivelación en áreas básicas como la matemática, lectoescritura y programación, así mismo el incremento de monitorias en la institución, que permitan una ayuda de carácter económico a los estudiantes, para lograr minimizar estos índices, es así como este proyecto de identificación de patrones de deserción estudiantil aplicando el proceso de descubrimiento de Conocimiento sobre Bases de Datos (KDD) y su implementación en el diseño de modelos de predicción, tiene el propósito de identificar e informar la situación que se presenta concerniente al tema de investigación, para que los programas inscritos a la Universidad Mariana hagan uso de los resultados que permita la toma de decisiones y estrategias de retención a educandos, con el fin de minimizar los índices de deserción estudiantil. En Colombia se han realizado diferentes estudios sobre deserción estudiantil, únicamente teniendo en cuenta parámetros como el grado de deserción y el estado socioeconómico del estudiante, pero sus resultados han sido enfocados al planteamiento de estrategias para el financiamiento de créditos por parte del ICETEX, mas no aplicados a la búsqueda de métodos para el mejoramiento del nivel educativo en todas sus etapas o el de determinar perfiles de estudiantes que estén propensos a caer en bajo rendimiento, lo que ocasiona el abandonar la Universidad, así mismo los estudios observados en el país se realizan con base a encuestas, análisis de datos basado en estadísticas, y porcentajes calculados con historiales de datos académicos. [1] Por lo anterior, se considera en la presente investigación la incorporación del proceso KDD, el uso de este proceso permite, entre otras cosas, predecir cualquier fenómeno que se manifieste en distintas áreas, en este proyecto se aplicara de acuerdo al ámbito educativo, con el propósito de predecir, con un nivel de confiabilidad la probabilidad de desertar de cualquier estudiante [2]. Para lograr el objetivo deseado se plantea la posibilidad de precisar los referentes teóricos del proceso KDD y deserción estudiantil, con el objetivo de hacer la correcta implementación de este proceso y así permitir seleccionar los patrones descriptivos de deserción estudiantil de tipo socioeconómico, cultural, académico, disciplinar e

8 institucional a partir de las bases de datos internas, donde se aplicaran técnicas de pre procesamiento y transformación de datos para lograr obtener datos que sean concretos, consistentes y categorizados, que permitan encontrar información adecuada para la toma de decisiones, por parte de los funcionarios responsables en los diferentes programas de pregrado de la Universidad Mariana con respecto al problema que se está presentado sobre la deserción. 2. Especificaciones de la investigación 2.1. Objetivos Objetivo general Aportar al proceso de toma de decisiones para disminuir la deserción estudiantil en los programas de pregrado de la Universidad Mariana mediante el descubrimiento de Conocimiento sobre Bases de Datos (KDD) Objetivo específicos Construir un repositorio de datos unificado con la información socioeconómica, académica, personal e institucional de los educandos de los diferentes programas de pregrado de la Universidad Mariana. Determinar el perfil del educando desertor mediante una descripción comparativa entre los patrones evidentes y los patrones no evidentes que inciden en la deserción. Elaboración de un modelo matemático con base en los patrones que presentan una mayor incidencia en la deserción estudiantil en cada uno de los programas de pregrado que se ofrece en la Universidad Mariana 2.2. Justificación Esta investigación fundamenta su interés en el descubrimiento de patrones que inciden en la deserción estudiantil en los programas que actualmente se ofrecen en la Universidad Mariana; aplicando el proceso KDD a un repositorio de datos de tipo socio-económicos, académico, personal e institucional y su posterior implementación en el diseño de modelos matemáticos de predicción. Según la información recolectada es de vital importancia efectuar y aplicar esta investigación, debido a los altos índice de deserción que se presentan los diferentes

9 programas de la Universidad Mariana, a los cuales se deben prestar una atención urgente y necesaria. Por otra parte la utilidad es reflejada en la creación de una base sólida para proponer alternativas y estrategias de retención de educandos, que permitan minimizar los altos índices de deserción estudiantil en cada uno de los programas de pregrado de la Universidad Mariana, con base en el conocimiento sobre los perfiles de los estudiantes que presentan riesgo de abandonar sus estudios académicos, los cuales permitirá a la Universidad Mariana formular planes y estrategias de retención de estudiantes y dar la oportunidad de continuidad en los programas a los educandos en riesgo de desertar. Al mismo tiempo la investigación es novedosa por el uso del proceso KDD, que permiten identificar los perfiles de los estudiantes que abandonan los programas universitarios, con relación a otras investigaciones las cuales centran su principal objetivo a la presentación de los datos estadísticos, pertinentes a la deserción estudiantil, y su implementación en los modelos matemático de predicción en relación con el tema de deserción estudiantil Marco Metodológico Paradigma de la investigación Este proyecto posee un paradigma cuantitativo, porque permite la recolección de datos para evaluar la hipótesis, de igual manera se puede utilizar una perspectiva cuantitativa la cual se enfatiza en lo exterior, es decir lo válido o externo, posible de observación [3]. Por lo anterior la actual investigación basa su estudio en el paradigma cuantitativo al estudiar el fenómeno social de la deserción en la educación superior a través de la recolección de información que permitan determinar el nivel de incidencia de cada uno de los patrones de deserción estudiantil de tipo socioeconómico, académico, personal e institucional en los programas académicos de la Universidad Mariana de San Juan de Pasto aplicando el proceso KDD y su posterior análisis inferencial de los resultados Enfoque de la investigación El enfoque es empírico analítico, porque la investigación tiene como objetivo determinar el perfil de un estudiante desertor en un contexto determinado, el cual tiene existencia propicia, independiente de quién lo estudia, el estudio es potenciado por leyes que permiten explicar, predecir y controlar, como también se utiliza la lógica hipotético deductivo para la demostración del fenómeno social de la deserción estudiantil.

10 Tipo de investigación Se fundamenta en un tipo de investigación cuasi-experimental debido a que el objetivo de este tipo de investigación es el de seleccionar y analizar muestras con base en características intrínsecas de los sujetos que no son directamente manipulables [4] como son los factores de la deserción estudiantil (sexo, edad, nivel educativo,...). Se habla entonces de manipulación por selección. Además con este tipo de investigación podemos aproximarnos a los resultados de una investigación experimental en situaciones en las que no es posible el control y manipulación absolutos de las variables [5] Población y muestra La población para la aplicación del proyecto será los datos recolectados de los Sistema de información SPADIES y del Sistema de información de la Universidad Mariana que son los entes encargados de llevar los registros de todos los estudiantes de cada uno de los programas académicos para las cohortes del año dos mil cinco (2005) hasta dos mil once (2010) que han sido matriculados en la Universidad Mariana de San Juan de Pasto. 3. Alcances La identificación de los patrones evidentes, no evidentes y el diseño de los modelos matemáticos, con base en cada uno de los factores de tipo Socioeconómico, Académico, Personal e Institucional, para los diferentes programas de pregrado en la Universidad Mariana, contendrá lo siguiente: Se creará los repositorios de datos necesarios, que contengan la información socioeconómica, académica, personal e institucional de cada uno de los programas académicos de la Universidad Mariana, información recolectada desde los sistemas de información que posee la institución, para la creación del perfil del educando desertor para una evaluación externa e interna de los indicadores de deserción en los programas por parte de los directores, obteniendo las mejores prácticas para la administración de esta información. Información de calidad en cada uno de los factores que el Ministerio de Educación de Colombia evalúa, en relación con la problemática de la deserción estudiantil en la educación superior, con el objetivo de tomar de decisiones, con base en los patrones que mayor incidencia tiene en la deserción para cada uno de los programas académicos de la Universidad Mariana. Se entregará toda la documentación referente a este proyecto para que la Universidad pueda continuar cuando crea conveniente con el proceso de generación de un proyecto de un Datamark que permita mejorar la calidad de la información que posee la Universidad Mariana, en relación con cada uno de los

11 factores de tipo socioeconómico, académico, personal e institucional, por lo que se contó solamente con una fuente de datos limitada de calidad. 4. Limitaciones Es acertado dar al problema una formulación lógica, estructurada y adecuada, así como también precisar cuáles son sus límites y alcances, para ello se hace necesario tener en cuenta los siguientes ítems: La estructura de las distintas fuentes de información no es la misma, motivo por el cual hay que homologar dichas fuentes en caso de existir la homologación. La disponibilidad de obtener los datos de las fuentes requeridas para la construcción de los indicadores. La calidad de la información suministrada tiene bastantes limitantes, por la no corroboración de la información con las bases de datos de entidades como el ICFES, Registraduria Nacional entre otras Diseño de la investigación 5. Métodos y Diseño de la investigación Figura 1. Diseño de la investigación Fase Preparatoria Diseño y presentacion de la propuesta de investigación Fundamentacion teorica Construccion del documento inicial de la investigacion Fase de Trabajo de Campo Recoleccion de los datos Construccion del repositorio de datos unificado Analisis estadistico al repositorio de datos Aplicación del proceso Knowledge Discovery in Databases (KDD) Fase Analítica Descripción comparativa de los resultados del analisis estadistico y la aplicacion del proceso Knowledge Discovery in Databases (KDD). Diseño de los modelos matematicos por programa academico, con base en los hallazgos encontrados Fase Informativa Elaborar informe final Divulgación de los resultados finales de la investigación Fuente: Esta investigación.

12 5.2. Fundamentación teórica El proceso de descubrimiento de conocimiento en bases de datos (KDD). El descubrimiento de conocimiento en bases de datos (Knowledge Discovery in Databases, KDD) es el proceso no trivial de identificar patrones válidos, novedosos, potencialmente útiles y, en última instancia, comprensibles a partir de los datos [6]. En esta definición se resumen cuáles deben ser las propiedades deseables del conocimiento extraído: Válido: hace referencia a que los patrones deben seguir siendo precisos para datos nuevos (con un cierto grado de certidumbre), y no sólo para aquellos que han sido usados en su obtención. Novedoso: que aporte algo desconocido tanto para el sistema y preferiblemente para el usuario. Potencialmente útil: la información debe conducir a acciones que reporte algún tipo de beneficio para el usuario. Comprensible: la extracción de patrones no comprensibles dificulta o imposibilita su interpretación, revisión, validación y uso en la toma de decisiones. De hecho, una información incomprensible no proporciona conocimiento (al menos desde el punto de vista de su utilidad). Consecuente al proceso se plantea de manera general las etapas o fases a seguir en su desarrollo: integración de los datos, selección y pre-proceso, minería de datos, interpretación y asimilación así [7]: Figura 2. Proceso de extracción del conocimiento Fuente: Osorio Zuluaga Augusto German, Analisis y caracterización del ambiente creativo en empresas de Manizales con técnicas KDD. 2009

13 Diferentes autores encuentra variadas formas de presentar el proceso de KDD, en general, son similares, solo cambia la forma de agrupación y detalle de las fases o etapas planteadas, por ejemplo la siguiente: a.) Desarrollar un entendimiento del dominio de la aplicación. b.) Seleccionar y crear un conjunto de datos en el cual se ejecutará el descubrimiento. c.) Limpieza y pre procesamiento de los datos. d.) Transformación de los datos. e.) Elección de la tarea de minería de datos apropiada. f.) Elección de algoritmos de minería de datos. g.) Empleo del algoritmo de minería de datos. h.) Evaluación. i.) Uso del conocimiento descubierto, en la figura 2 se presenta gráficamente las fases o etapas del proceso KDD. [8] Figura 3. Proceso KDD Fuente: Osorio Zuluaga Augusto German, Analisis y caracterización del ambiente creativo en empresas de Manizales con técnicas KDD A continuación se describe brevemente cada paso, a. Desarrollar un entendimiento del dominio de la aplicación. En esta fase se prepara la escena para entender qué se debe hacer con varias decisiones (acerca de la transformación, algoritmos, representación, entre otros). El encargado del proyecto KDD necesita entender y definir los objetivos del usuario final y el ambiente en el cual tomará lugar el proceso de descubrimiento de conocimiento (incluyendo conocimiento previo relevante). A medida que avanza el proceso KDD, se puede hacer una revisión de este paso. Teniendo entendido los objetivos del KDD, se inicia el preprocesamiento de los datos, definidos en los tres próximos pasos. [8]

14 b. Seleccionar y crear un conjunto de datos en el cual se ejecutará el descubrimiento. Teniendo definidos los objetivos, se deben determinar los datos que serán usados para el descubrimiento del conocimiento. Esto incluye averiguar qué datos están disponibles, la obtención de datos adicionales necesarios y a continuación la integración de todos los datos para el descubrimiento de conocimientos en un conjunto de datos, incluyendo los atributos que se considerarán para el proceso. Este proceso es muy importante porque la DM aprende y descubre conocimiento de los datos disponibles. Si faltan algunos datos importantes, el estudio entero puede fallar. Por otra parte, recoger, organizar y operar complejos repositorios de datos es costoso y hay una compensación con la posibilidad de comprender mejor los fenómenos. [8] c. Limpieza y pre-procesamiento de los datos. En esta etapa, la confiabilidad en los datos se eleva. Incluye la claridad en los datos, tal como el manejo de valores faltantes y la remoción de ruido o datos anómalos. Puede convertirse en la mayor parte (en términos de tiempo invertido) de un proyecto de KDD. Puede involucrar métodos estadísticos complejos o el uso de algoritmos DM (minería de datos) en este contexto. Por ejemplo, si uno sospecha que cierto atributo de confiabilidad insuficiente o tiene muchos datos faltantes, entonces este atributo puede convertirse en el objetivo de un algoritmo de minería de datos supervisado. Se desarrollará un modelo de predicción para este atributo y a continuación los datos faltantes se pueden predecir. [8] d. Transformación de los datos En esta etapa, se preparan mejores datos para la DM. Incluye la reducción de dimensión (tales como selección de características y extracción y registro de muestras), y transformación de atributos (tales como discretización de atributos numéricos y transformación funcional). Este paso puede ser crucial para el éxito del proyecto KDD entero, y suele ser específico para cada proyecto. Teniendo completos los cuatros pasos mencionados, los siguientes cuatro pasos están relacionados con la parte de minería de datos, en donde el foco está en los aspectos algorítmicos para cada proyecto. [8] e. Elección de la tarea de minería de datos apropiada En este punto estamos listos para decidir cuál tipo de tarea de DM usar, por ejemplo, clasificación, regresión o agrupamiento. Esto depende sobre todo de los objetivos de KDD, y también en los pasos anteriores. Hay dos objetivos principales en Minería de Datos: predicción y descripción. La predicción se refiere a menudo a minería de datos supervisada, mientras la descriptiva incluye aspectos no supervisados y visualización de la minería de datos. Hablamos de supervisado cuando se parte de un conocimiento previo de los datos. En cambio, en el método no supervisado se

15 buscan automáticamente grupos de valores para que después el usuario intente encontrar las correspondencias entre esos grupos seleccionados automáticamente y las categorías que le puedan ser de interés. La mayoría de técnicas de DM están basadas en aprendizaje inductivo, en donde un modelo se construye explícita o implícitamente por la generalización desde un número suficiente de ejemplos de entrenamiento. El supuesto subyacente del enfoque inductivo es que el modelo entrenado es aplicable a casos futuros. [8] Como herramientas o algoritmos de minería de datos encontramos una gran variedad, para nuestro caso vamos a especificar algunas de ellas para así poder continuar con nuestros pasos. Segmentación (clustering.) También llamada agrupamiento, permite la identificación de tipologías o grupos donde los elementos guardan gran similitud entre sí y muchas diferencias con los de otros grupos. Permite el tratamiento de grandes colectivos de forma pseudoparticularizada, en el más idóneo punto de equilibrio entre el tratamiento individualizado y aquel totalmente masificado. Las herramientas de segmentación se basan en técnicas de carácter estadístico, de empleo de algoritmos matemáticos, de generación de reglas y de redes neuronales para el tratamiento de registros. Para otro tipo de elementos a agrupar o segmentar, como texto y documentos, se usan técnicas de reconocimiento de conceptos. Esta técnica suele servir de punto de partida para después hacer un análisis de clasificación sobre los clusters. La principal característica de esta técnica es la utilización de una medida de similaridad que, en general, está basada en los atributos que describen a los objetos, y se define usualmente por proximidad en un espacio multidimensional. Para datos numéricos, suele ser preciso preparar los datos antes de realizar data mining sobre ellos, de manera que en primer lugar se someten a un proceso de estandarización. Una de las medidas para la normalización de los datos es la medida z que elimina las unidades de los datos. La medida z es la que se muestra en la siguiente formula, donde μf es la media de la variable f y σf la desviación típica de la misma. [9] z if = X if μ f σ f Entre las medidas de similaridad, en la siguiente formula se destaca la distancia euclidea. d(x i, x j ) = (x il x jl ) 2 n l=1

16 Reglas de asociación. Este tipo de técnicas se emplea para establecer las posibles relaciones o correlaciones entre distintas acciones o sucesos aparentemente independientes; logrando reconocer como la ocurrencia de un suceso o acción puede inducir o generar la aparición de otros. Son utilizadas cuando el objetivo es realizar análisis exploratorios, buscando relaciones dentro del conjunto de datos. Las asociaciones identificadas pueden usarse para predecir comportamientos, y permiten descubrir correlaciones y concurrencias de eventos. Por lo general esta forma de extracción de conocimiento se fundamenta en técnicas estadísticas como los análisis de correlación y de variación. [9] Predicción. Es el proceso que intenta determinar los valores de una o varias variables, a partir de un conjunto de datos. La predicción de los valores continuos puede planificarse por las estadísticas de regresión. [9] Clasificación. La clasificación es el proceso de dividir un conjunto de datos en grupos mutuamente excluyentes, de tal forma que cada miembro de un grupo este lo más cerca posible de otros y grupos diferentes estén lo más lejos posible de otros, donde la distancia se mide con respecto a las variables especificadas, que se quieren predecir. [9] Una vez ampliado esta sección de algunos algoritmos de minería de datos se continuara con los pasos de aplicación del proceso KDD. Elección de algoritmos de minería de datos Teniendo la estrategia, ahora se decide la táctica. Esta etapa incluye la selección del método específico que se usará para buscar patrones. Por ejemplo, considerando la precisión versus el entendimiento, el primero es mejor con las redes neuronales, mientras que el segundo es mejor con árboles de decisión. Para cada estrategia de meta-aprendizaje hay varias posibilidades de cómo puede ser logrado. El meta-aprendizaje se centra en explicar lo que hace que un algoritmo de minería de datos sea exitoso o no en un problema particular. Así, este enfoque intenta entender las condiciones bajo las cuales un algoritmo de DM es más apropiado. [9] Empleo del algoritmo de minería de datos Finalmente se alcanza la implementación del algoritmo de minería de datos. En este paso se puede necesitar emplear el algoritmo varias veces hasta que se obtienen resultados satisfactorios, por ejemplo por la puesta a punto de los parámetros de control del algoritmo, tal como el número mínimo de instancias en una sola hoja de un árbol de decisiones. [9]

17 f. Evaluación En esta etapa se evalúan e interpretan los patrones minados (reglas, confiabilidad, etc.), con respecto a los objetivos definidos en el primer paso. Aquí se consideran los pasos de pre-procesamiento con respecto a sus efectos en los resultados del algoritmo de DM (por ejemplo, adición de características en el paso 4, y repetir desde allí). Este paso se centra en la comprensibilidad y utilidad del modelo inducido. En este paso el conocimiento descubierto es también documentado para su uso más adelante. El último paso es el uso y retroalimentación general sobre los patrones y resultados de descubrimiento, obtenidos por la Minería de Datos. [8] g. Uso del conocimiento descubierto Ahora se está listo para incorporar el conocimiento en otros sistemas para acciones más adelante. El conocimiento llega a ser activo en el sentido que se pueden hacer cambios al sistema y medir los efectos. En realidad el éxito de este paso determina la efectividad del proceso entero de KDD. Hay muchos retos en este paso, tales como pérdida de las condiciones de laboratorio bajo las cuales han operado. Por ejemplo, el conocimiento fue descubierto desde una cierta instantánea estática (usualmente una muestra) de los datos, pero ahora los datos son dinámicos. La estructura de los datos pueden cambiar (ciertos atributos llegan a ser no disponibles), y se puede modificar el dominio de los datos (tal como, un atributo puede tener un valor que no fue asumido antes). [8] Deserción estudiantil en Colombia según el ministerio de educación. Uno de los principales problemas que enfrenta el sistema de educación superior colombiano concierne a los altos niveles de deserción académica en el pregrado. Pese a que los últimos años se han caracterizado por aumentos de cobertura e ingreso de estudiantes nuevos [1], el número de alumnos que logra culminar sus estudios superiores no es alto, dejando entrever que una gran parte de éstos abandona sus estudios, principalmente en los primeros semestres. Según estadísticas del Ministerio de Educación Nacional, de cada cien estudiantes que ingresan a una institución de educación superior cerca de la mitad no logra culminar su ciclo académico y obtener la graduación. Sin embargo, no es claro que todos los tipos de abandono requieran la misma atención o exijan similares formas de intervención por parte de las instituciones de educación superior o del Estado, siendo ésta la gran dificultad que se enfrenta con la deserción. Es así como el conocimiento de estas diferencias constituye la base para elaborar políticas efectivas con el fin de aumentar la retención estudiantil. Por

18 lo tanto, y debido a que el tema de la deserción ha sido considerado como uno de los factores que más incide en la accesibilidad y cobertura de la educación, su medición y estudio deben ser parte de la evaluación de la eficiencia del sistema educativo y de la calidad de los procesos y de los programas que ofrecen las instituciones, de ahí que sea una obligación establecer mecanismos académicos y administrativos para controlar este fenómeno. En consecuencia, el tema ha tomado un lugar importante en el debate público debido a tres razones que están íntimamente relacionadas: primero, porque no tendría ningún sentido aumentar los niveles de matrícula sin controlar los de deserción, en este caso los esfuerzos del aumento de cobertura con calidad y equidad no tendrían el impacto esperado; segundo, porque las pérdidas financieras y sociales que representan los estudiantes desertores son altas para la sociedad, las instituciones de educación superior, las familias y el individuo; y tercero, por el escaso conocimiento que se tiene en el país sobre los ciclos de la deserción, su adecuada forma de estudio y las políticas más efectivas para disminuirla. [10] Figura 4. Duración reglamentaria del programa Fuente: Carolina Guzmán Ruiz, Diana Durán Muriel, Jorge Franco Gallego, Elkin Castaño Vélez, Santiago Gallón Gómez, Karoll Gómez Portilla, Johanna Vásquez Velásquez, Deserción estudiantil en la educación superior Colombiana, Metodología de seguimiento, diagnóstico y elementos para su prevención, Otras investigaciones han involucrado gran cantidad de variables explicativas relacionadas con las condiciones socioeconómicas y el desempeño académico, encontrando por ejemplo según la investigación de Montoya, que los estudiantes con menores ingresos al momento de iniciar sus estudios tienen mayores probabilidades de desertar, y según Porto, que la retención de alumnos con padres de menor nivel de educación es muy baja, sin embargo, en términos generales y de acuerdo con la revisión de la literatura, se puede decir que existen más trabajos que destacan la perspectiva institucional y en los que los diferentes conjuntos de variables (institucionales, socioeconómicas, académicas y personales) son analizados de manera independiente y no como un conjunto de factores que determinan la decisión de desertar. En la figura 5 se muestra esquemáticamente el estado del arte de los determinantes o patrones de la deserción estudiantil.

19 Figura 5. Determinantes o patrones de la deserción estudiantil Fuente: Carolina Guzmán Ruiz, Diana Durán Muriel, Jorge Franco Gallego, Elkin Castaño Vélez, Santiago Gallón Gómez, Karoll Gómez Portilla, Johanna Vásquez Velásquez, Deserción estudiantil en la educación superior Colombiana, Metodología de seguimiento, diagnóstico y elementos para su prevención, En figura anterior se resumen los autores y perspectivas del análisis en el estudio de la deserción; además, se agrupan las variables más utilizadas en las cuatro categorías relevantes o determinantes del problema. En este último grupo de investigaciones se incluye la dimensión dinámica del proceso de deserción y se compara la probabilidad de abandonar los estudios en cada periodo, concluyendo en general, que la posibilidad de desertar (o graduarse) no es constante a lo largo del tiempo. En este sentido, la estructura conceptual del proceso comprende cuatro posibles resultados de interés en cada período observado y para cada estudiante, esto es: suspender los estudios por un tiempo y luego regresar, desertar, graduarse o continuar estudiando. Cada uno de estos resultados se ven afectados por variables exógenas tanto tiempos variantes como estáticas, y aunque los valores de estas últimas variables exógenas son constantes

20 en el tiempo, el efecto que tienen en la decisión de abandono cambia, por eso se recomienda incluirlas en el análisis. Entre estas variables o patrones están: género, raza, discapacidad, localización de la vivienda, edad de entrada a la institución, colegio y puntaje en los exámenes de Estado. En la figura 6 se describe el proceso que debe tenerse en cuenta para el análisis dinámico de la deserción. Figura 6. Sincronización para el análisis dinámico de la deserción Fuente: Carolina Guzmán Ruiz, Diana Durán Muriel, Jorge Franco Gallego, Elkin Castaño Vélez, Santiago Gallón Gómez, Karoll Gómez Portilla, Johanna Vásquez Velásquez, Deserción estudiantil en la educación superior Colombiana, Metodología de seguimiento, diagnóstico y elementos para su prevención, 2009.

21 6. Recolección y procedimiento de información 6.1. Construcción del repositorio de datos Para la construcción del repositorio de datos unificado por programa, facultad e institucional y teniendo en cuenta que el proceso de extracción de conocimiento KDD, es un proceso que posee un alto nivel de complejidad, surge la necesidad del uso de una metodología que permita realizar una aproximación sistemática, en la construcción de proyectos de minería de datos, por tal motivo se escoge la metodología CRISP-DM Metodología CRISP - DM La metodología CRISP - DM [11] consta de cuatro niveles de abstracción, organizados de forma jerárquica en tareas que van desde el nivel más general hasta los casos más específicos. Figura 7. Metodología CRISP - DM Fuente: P. Chapman, «CRISP-DM Step by Step Data Mining,» [En línea]. Available: ftp://ftp.software.ibm.com/software/analytics/spss/support/modeler/documentation/14/usermanual/ CRISP-DM.pdf. [Último acceso: Julio 2013]. En una descripción general, el proceso está organizado en fases, donde cada fase a su vez está estructurada en varias tareas genéricas de segundo nivel y las tareas genéricas hacen una proyección hacia tareas específicas, donde se describen las acciones que se deben desarrollar. Por ejemplo, si en el segundo nivel se tiene la tarea genérica limpieza de datos, en el tercer nivel se indican las tareas que tienen que desarrollarse para un caso específico, como pueden ser la limpieza de datos numéricos, o limpieza de datos categóricos. Y finalmente el cuarto nivel, recoge

22 un conjunto de acciones, decisiones y resultados sobre el proyecto de minería de datos en cuestión. La metodología CRISP-DM estructura el ciclo de vida de un proyecto de minería de datos en seis fases, que interactúan entre ellas de forma iterativa durante el desarrollo del proyecto. [11] A continuación se hace una breve descripción de cada una de las fases de la metodología CRIP-DM: Fase de análisis del problema: incluye la comprensión de los objetivos y requerimientos del proyecto desde una perspectiva empresarial, con el fin de convertirlos en objetivos técnicos y en una planificación. Fase de análisis de datos: comprende la recolección inicial de datos, en orden a que sea posible establecer un primer contacto con el problema, identificando la calidad de los datos y estableciendo las relaciones más evidentes que permitan establecer las primeras hipótesis. Una vez realizado el análisis de datos, la metodología establece que se proceda a la preparación de los datos, de tal forma que puedan ser tratados por las técnicas de modelado. Fase de preparación de datos: incluye las tareas generales de selección de datos a los que se va a aplicar la técnica de modelado (variables y muestras), limpieza de los datos, generación de variables adicionales, integración de diferentes orígenes de datos y cambios de formato. La fase de preparación de los datos, se encuentra muy relacionada con la fase de modelado, puesto que en función de la técnica de modelado que vaya a ser utilizada los datos necesitan ser procesados en diferentes formas. Por lo tanto, las fases de preparación y modelado interactúan de forma sistemática. Fase de modelado: se seleccionan las técnicas de modelado más apropiadas para el proyecto de minería de datos específico. Las técnicas que serán utilizadas en esta fase se seleccionan en función de los siguientes criterios: Ser apropiada al problema. Disponer de datos adecuados. Cumplir los requerimientos del problema. Tiempo necesario para obtener un modelo. Conocimiento de la técnica. Fase de evaluación: se evalúa el modelo, no desde el punto de vista de los datos, sino del cumplimiento de los criterios de éxito del problema. Se debe revisar el proceso seguido, teniendo en cuenta los resultados obtenidos, para poder repetir algún paso en el que, a la vista del desarrollo posterior del proceso, se hayan podido cometer errores. Si el modelo generado es válido en función de los criterios de éxito establecidos en la primera fase, se procede a la explotación del modelo.

23 Fase de explotación: normalmente los proyectos de Data Mining no terminan en la implantación del modelo, sino que se deben documentar y presentar los resultados de manera comprensible en orden a lograr un incremento del conocimiento. Además, en la fase de explotación se debe asegurar el mantenimiento de la aplicación y la posible difusión de los resultados [6]. En la Figura 9 - El proceso CRISP DM se puede ver un esquema de las diferentes fases de la metodología y las tareas generales que se deben desarrollar en cada fase. Figura 8. Fases de la metodología CRISP - DM Fuente: P. Chapman, «CRISP-DM Step by Step Data Mining,» [En línea]. Available: ftp://ftp.software.ibm.com/software/analytics/spss/support/modeler/documentation/14/usermanual/ CRISP-DM.pdf. [Último acceso: Juio 2013] DISEÑO Y ELABORACIÓN DEL REPOSITORIO DE DATOS Con el objeto de obtener los patrones que evidentes y no evidentes que inciden en la deserción estudiantil, los cuales permitirán la construcción de los modelos matemáticos de predicción, para cada uno de los programas académicos de la Universidad Mariana, en esta investigación se aplican técnicas de minería de datos utilizando la metodología CRISP-DM, la cual estructura el ciclo de vida de un proyecto de Minería de datos en seis fases, que interactúan entre ellas de forma iterativa durante el desarrollo del proyecto:

24 La principal fuente de datos para desarrollar esta investigación, la constituyen los registros históricos de alumnos en los factores de tipo socioeconómico, académico, institucional y personal, registrados por cada uno de los programas académicos de la Universidad Mariana desde la cohorte hasta la cohorte A continuación se muestra los indicadores a estudiar por cada educando en cada uno de sus factores: Tabla 1. Factores e indicadores que determinan el nivel de deserción Factor Socioeconómico Académico Personal Institucional Indicador Estrato Situación laboral del estudiante Situación laboral de los padres Ingresos familiares Dependencia económica Personas a cargo Nivel educativo de la madre Nivel educativo del padre Tipo de colegio Rendimiento académico Facultad Programa académico Número de asignaturas Edad Genero Estado civil Número de integrantes del entorno familiar Integración social Discapacidad Normalidad académica Financiación Recursos universitarios Es importante resaltar que la investigación está relacionada con los factores que cita el Ministerio de Educación en Colombia, para determinar las causas que inciden en la deserción estudiantil, sin embargo en la información suministrada por los sistemas de información que posé la Universidad Mariana se encontró una escases en varios indicadores que hacen parte de los factores de tipo socioeconómico, académico, institucional y personal, a continuación se presenta cuales indicadores no forman parte del análisis de la información, por presentar ausencia en los registro suministrados. Tabla 2. Factores e indicadores que presentaron escases de información Factor Socioeconómico Académico Indicador Entorno macroeconómico del país Orientación profesional Calidad del programa académico

25 Personal Institucional Métodos de estudio Insatisfacción con el programa u otros factores Resultado en el examen de ingreso Posición dentro de los hermanos Entorno familiar Calamidad y problemas de salud Incompatibilidad horaria con actividades extra académicas Expectativas no satisfechas Embarazo Orden publico Entorno político Nivel de interacción personal con los profesores y estudiantes Apoyo académico Apoyo psicológico Con base en la anterior información y establecido los indicadores a evaluar por cada uno de los factores se procede a la creación del repositorio de datos unificado, que permitirá determinar los patrones evidentes y no evidentes que inciden en la deserción estudiantil en cada uno de los programas académicos de la Universidad Mariana y su posterior implementación en un modelo matemático que permita predecir el índice de deserción de los educandos Análisis de datos La fase de análisis de datos inicia con la recolección de los datos de los estudiantes de los programas académicos de la Universidad Mariana, obtenidos desde diferentes sistemas de información de la Universidad. Inicialmente se tienen los datos de 18 programas académicos de pregrado con los que se fundamenta la investigación, donde se puede visualizar el número de estudiantes desertores y no desertores por cada programa, así mismo su total para cada uno de los programas de la Universidad Mariana. Tabla 3. Deserción estudiantil en los programas académicos de la Universidad Mariana Programa Académico No de Estudiantes NO No de Estudiantes Total Desertores Desertores Administración de negocios Administración de negocios internacionales Auxiliares de enfermería Comunicación social y periodismo Contaduría pública (Diurno) Contaduría pública (Nocturno)

26 Derecho (Diurno) Derecho (Nocturno) Enfermería Fisioterapia Ingeniería ambiental Ingeniería de procesos Ingeniería de sistemas Psicología Radiología y radiodiagnóstico Regencia de farmacia Tecnología en automatización electrónica Terapia ocupacional Trabajo social TOTALES Para el análisis de la incidencia de la deserción se basa principalmente atendiendo los factores e indicadores de la (Tabla 5), los cuales son determinantes en la deserción universitaria. Inicialmente se trató de recoger los 39 indicadores que el Ministerio de Educación de Colombia menciona en el problema de la deserción estudiantil [1], sin embargo, manualmente se descartaron algunos de ellos, por la escasa existencia de información y otros por no tener ningún tipo de información, los indicadores con su descripción y categorización se describen en la (Tabla 7), además se inserta el indicador DESERTO, el cual permita determinar el estado actual del estudiante. Tabla 4. Factores e indicadores suministrados en los sistemas de información por estudiante Factor Indicador Descripción Categorización La estratificación socioeconómica es la Estrato clasificación de los inmuebles residenciales que deben recibir servicios públicos. Socio económico Situación laboral del estudiante Situación laboral de los padres Ingresos familiares Dependencia económica Es el estado laboral en la que se encuentra actualmente el estudiante Es el estado laboral en la que se encuentra actualmente su padres Permite identificar los ingresos, que van desde menos de un salario mínimo legal vigente hasta más de nueve salarios mínimos legales vigentes Es el indicador que permite observar si el estudiante Rango entre 1 a 5 y Nulo Si, No, Nulo Si, No, Nulo Menor a 1 SLMV, Entre 1 y 3 SLMV, Entre 3 y 6 SLMV, Entre 6 y 9 SLMV, Mayor a 9 SLMV, Nulo Si, No, Nulo

27 Personal Académico Personas a cargo Nivel educativo de la madre Nivel educativo del padre Edad Genero Estado civil Número de integrantes del entorno familiar Integración social Discapacidad Tipo de colegio depende económicamente de una persona o entidad para realizar sus estudios de educación superior Son aquellas personas que dependen de alguna forma del estudiante, en el trascurso de sus estudios Es el nivel educativo que presenta actualmente la madre del educando Es el nivel educativo que presenta actualmente el padre del educando Es la edad del educando en el momento de ingresar a la Universidad para realizar sus estudios Es el conjunto de características diferenciadas que cada sociedad asigna a un hombre o mujer El estado civil es la situación de las personas físicas determinada por sus relaciones de familia, provenientes del matrimonio o del parentesco, que establece ciertos derechos y deberes. Número de personas del grupo familiar con las cuales convive el educando Es el grupo étnico al cual pertenece el estudiante por sus prácticas socioculturales, las cuales pueden ser visibles a través de sus costumbres y tradiciones. Es la presencia de alguna discapacidad física o mental que pueda poseer el estudiante Es la institución educativa de la cual proviene el estudiante en el momento de ingresar a la Universidad Si, No, Nulo Pre-escolar, Básica Primaria, Básica Media, Básica Secundaria, Pregrado o Profesional, Posgrado, Nulo Pre-escolar, Básica Primaria, Básica Media, Básica Secundaria, Pregrado o Profesional, Posgrado, Nulo Entre 15 a 17 años, entre 17 a 19 años, entre 19 a 21 años, mayor a 21 años, Nulo M, F, Nulo Soltero(a), Casado(a), Divorciado(a), Viudo(a), Unión Libre, Nulo Entre 1 a 3, Entre 4 a 6, mayor a 6, Nulo Afrocolombiano, Indígena, ROM, Ninguna de la Anteriores, Nulo Si, No, Nulo

28 Institucional Rendimiento académico Facultad Programa académico Número de asignaturas Normalidad académica Financiación Recursos universitarios Es el promedio de su rendimiento académico en cada uno de los periodos matriculados por el estudiante Es la facultad en la cual está inscrito el educando Es el programa académico en el cual se encuentra matriculado el estudiante Es la cantidad de asignaturas que tiene matriculado el estudiante en cada uno de sus periodos académicos Es el estado académico actual de los educandos Permite identificar si el estudiante posee ayuda financiera para realizar sus estudios universitarios Son los recursos con lo que el estudiante cuenta para realizar sus actividades académicas en la institución Entre 0 y 1; Entre 1 y 2; Entre 2 y 3; Entre 3 y 4; Entre 4 y 5; Nulo Son las 5 facultades con las que cuenta la Universidad Mariana Entre los 18 programas académicos que posee la institución Rango de 1 a 9, mayores a 9, Nulo Si, No, Nulo Si, No, Nulo Si, No, Nulo Preparación de datos En esta etapa, a los datos recolectados se le hizo una preparación, la cual consta de una trasformación de la información a un formato adecuado para el proceso de minería de datos, el software que permitió dicha transformación fue PostgresSQL versión El proceso de preparación de datos, consistió en una limpieza de datos que permite remover los valores inconsistentes, además de la categorización de la información para un mejor manejo de los datos, todo lo anterior se hizo a través de la actualización de la información ejecutando unos Scripts en lenguaje SQL, y su posterior exportación en el formato más adecuado para el análisis de la información. Hay que resaltar que la información suministrada por los sistemas de información que maneja la Universidad Mariana, presentaron varias inconsistencias en algunos datos, así mismo se observó la escasa de información en ciertos indicadores, por lo cual se tuvo que eliminar registros presentes en algunos estudiantes. Posteriormente, se realiza un proceso de selección de los indicadores que se convierten en las variables de entrada para el desarrollo del modelo, de esta forma se se determina qué variables, presentan una mayor incidencia en el ámbito de la deserción estudiantil para cada uno de los programas académicos ofrecidos por la Universidad Mariana.

29 Construcción del modelo de minería de datos En esta etapa se construye los modelos de minería de datos, con base en la técnica de clasificación, haciendo uso del sistema ID3, además de árboles de decisión, con el propósito de poder contrastar el resultado obtenido, con un análisis estadístico descriptivo de los patrones que presentan una mayor incidencia en la problemática de la deserción estudiantil para cada uno de los programas académicos de la Universidad Mariana. Para la construcción de los modelos, finalmente se dispone de 6513 registros con información de los educandos, los cuales se encuentran distribuidos en los 18 programas académicos como se indica en la (Tabla 6), cabe resaltar que los registros obtenidos hacen referencia a los indicadores que serán analizados para determinar los patrones que tienen un mayor nivel de incidencia en la deserción estudiantil en la Universidad Mariana Modelo de minería de datos sistemas ID3 Para el análisis de la información en esta investigación se hará uso del sistema ID3, este sistema ha sido el que más impacto ha tenido en la Minería de Datos. El sistema ID3 es un algoritmo simple y, sin embargo, potente, cuya misión es la elaboración de un árbol de decisión. El procedimiento para generar un árbol de decisión consiste, en seleccionar un atributo como raíz del árbol y crear una rama con cada uno de los posibles valores de dicho atributo. Con cada rama resultante (nuevo nodo del árbol), se realiza el mismo proceso, esto es, se selecciona otro atributo y se genera una nueva rama para cada posible valor del atributo. Este procedimiento continúa hasta que los ejemplos se clasifiquen a través de uno de los caminos del árbol. El nodo final de cada camino será un nodo hoja, al que se le asignará la clase correspondiente. Así, el objetivo de los árboles de decisión es obtener reglas o relaciones que permitan clasificar a partir de los atributos. [12] Fase de evaluación En esta fase se realiza el proceso de la validación del modelo sistema ID3, aplicada en la información obtenida, para ello es muy importante evaluar el modelo de minería entendiendo su calidad y sus características antes de implementarlos en un entorno de producción. En general se utiliza la exactitud de la clasificación o la tasa de error para medir el desempeño de un modelo de clasificación en el conjunto de pruebas, según se describe en [13]. La exactitud de la clasificación se calcula a partir del conjunto de