Predicción del nivel de riesgo de reprobación estudiantes de educación superior usando un modelo de red neuronal artificial.

La deserción de los estudiantes universitarios de las carreras y las altas tasas de reprobación es un problema en las instituciones de educación superior en el Ecuador y mientras más alta es la tasa de reprobación en una asignatura, mayor es el número de estudiantes que deben cursar nuevamente dicha asignatura lo cual limita los recursos disponibles y hace que las autoridades de las instituciones educativas realicen una constante reestructuración de espacios físicos y de docentes. Por lo tanto, el objetivo del presente estudio es usar la minería de datos educativa con técnicas de aprendizaje de máquina y aprendizaje profundo para analizar y modelar datos educativos de tal forma que se puede predecir el rendimiento académico de un estudiante. El diseño de la investigación fue mixta y longitudinal debido a que se analizó información obtenida durante 6 periodos académicos. A diferencia de estudios previos, en el presente estudio se consideran datos académicos, sociodemográficos y socioeconómicos los cuales fueron obtenidos mediante encuestas digitales y sistemas informáticos académicos de una institución de educación superior y se propone un modelo de red neuronal artificial MLP para predecir el nivel de riesgo de reprobación de los estudiantes, el cual permitirá a estudiantes, docentes y autoridades conocer el riesgo de reprobación en una asignatura de la forma que se pueda tomar las acciones correspondientes con el fin de menorar la tasa de reprobación. El modelo propuesto alcanzó una certeza de aproximadamente el 88% demostrando un buen desempeño. Adicionalmente, se comparó el rendimiento del modelo propuesto con el rendimiento de un modelo de árbol de decisión y de un modelo de regresión logística aplicados al mismo conjunto de datos, estos modelos obtuvieron una certeza de aproximadamente 85% y 82%, respectivamente.