Revista Identidad, ISSN: 2707-5419 (Versión Digital)
https://doi.org/10.46276/rifce.v10i2.2308

Modelo de aprendizaje automático para la predicción del abandono escolar mediante encuestas de hogares

Machine learning model for predicting school dropout through household surveys

Johnny P. Jacha Rojas^1,a, Walter Yataco Cañari^1,b, Johann A. Ospina Galindez^1,c

¹Universidad Peruana Unión, Perú

Orcid ID: ^ahttps://orcid.org/0000-0001-7920-1304

Orcid ID: ^bhttps://orcid.org/0009-0005-9683-1814

Orcid ID: ^chttps://orcid.org/0000-0001-7395-7952

Recibido el 20 de junio de 2024

Aceptado para publicación: 05 de noviembre de 2024

Publicado: 30 de noviembre de 2024

Resumen

El persistente problema de la deserción estudiantil impacta negativamente al sector educativo y a la sociedad en general. Este estudio presenta un modelo de aprendizaje automático que aprovecha datos de la Encuesta Nacional de Hogares para predecir la deserción escolar en Perú, integrando una amplia gama de variables sociodemográficas. La investigación llena un vacío en la literatura existente al proporcionar un modelo que incorpora variables sociodemográficas, un área no explorada completamente en estudios anteriores. El modelo predictivo tiene como objetivo identificar factores asociados con la deserción escolar, ayudando a los actores educativos a implementar intervenciones efectivas. Los hallazgos subrayan el potencial del modelo para mejorar los resultados educativos al permitir la identificación temprana de estudiantes en riesgo, facilitando así un apoyo específico. Este trabajo contribuye a perfeccionar los modelos predictivos de las tasas de deserción universitaria y sugiere el uso de métodos conjuntos para mejorar la precisión de las predicciones de un solo modelo. Las investigaciones futuras podrían explorar más a fondo metodologías computacionales como el aprendizaje profundo y los modelos híbridos para predecir las tasas de deserción escolar y su comparación con los resultados de este estudio, considerando factores influyentes adicionales que no se tratan en esta investigación.

Palabras Clave: Estrategias, didácticas, interactivas del docente.

Abstract

The persistent issue of student dropout negatively impacts the educational sector and society at large. This study presents a machine learning model that leverages data from the National Household Survey to predict student dropout in Peru, integrating a wide range of socio-demographic variables. The research fills a gap in existing literature by providing a model that incorporates socio-demographic variables, an area not fully explored in previous studies. The predictive model aims to identify factors associated with student dropout, aiding educational stakeholders in implementing effective interventions. The findings underscore the model's potential to enhance educational outcomes by enabling early identification of at-risk students, thereby facilitating targeted support. This work contributes to refining predictive models of university dropout rates and sug- gests the use of ensemble methods to improve the accu- racy of single-model predictions. Future research could further explore computational methodologies like deep learning and hybrid models to predict dropout rates and their comparison with this study's outcomes, considering additional influential factors not covered in this research.

Keywords: strategies, didactic, teacher interactive

Esta obra está bajo una Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)