Detección temprana de deserción de alumnos con machine learning

Según un estudio realizado por la Universidad del Desarrollo y revelado a comienzos de este año, el porcentaje de deserción escolar en Chile alcanza el 10,4% entre jóvenes de 15 y 19 años. A pesar que la cifra disminuyó 2,2 puntos en comparación con el mismo análisis efectuado entre el 2013 y el 2015 y que, a nivel Latinoamericano, el panorama nacional no es tan desalentador, es un problema que le cuesta una gran cantidad de dinero al Estado y a las entidades educativas.

El impacto económico que genera la deserción escolar es importante. El Centro de Investigación Avanzada en Educación de la Universidad de Chile (CIAE), analizó un grupo de 142.918 jóvenes entre 15 y 21 años que no completó su enseñanza media y determinó que este retiro provocó al país una pérdida de 5 mil millones de dólares por conceptos de impuestos, gasto en ayuda social y mantención de las personas mientras cursaban sus estudios.

Números que preocupan, sobre todo cuando la educación es clave para integrarse a la fuerza laboral de una industria cada vez más especializada. Para prevenir este problema, la tecnología pone a disposición de las organizaciones formadoras herramientas de analítica avanzada y machine learning, con el objetivo de prever un abandono de los estudios y tomar decisiones a tiempo.

“Mediante el Big Data y técnicas de analítica avanzada, como machine learning, podemos desarrollar un sistema que predice la deserción escolar de un estudiante específico. Además, permite indagar en las causas que provocaron este abandono, por lo que se puede generar información relevante para iniciar campañas estratégicas que apunten a disminuir la exclusión y permitan ofrecer alternativas al estudiante para que reconsidere su situación”, explicó Rodrigo Hermosilla, CEO and Founder de Dataciencia.

Como ya hemos explicado en post anteriores, el machine learning es el aprendizaje de las máquinas, a través de algoritmos que les posibilitan realizar operaciones predeterminadas de manera autónoma. Además, esta herramienta permite que las máquinas puedan aprender de los datos recibidos para predecir futuras situaciones y establecer tendencias.  Dado esto, se puede determinar patrones, por ejemplo, territoriales, sociales y familiares que motivan el abandono de la educación, lo que ayuda a crear un útil historial.

Un ejemplo para graficar

Hablemos de Juan. Juan es un estudiante que salió de cuarto medio. Acaba de dar la PSU y con el puntaje que obtuvo no le alcanzó para postular a Ingeniería Informática en la Universidad que quería. Tras evaluar sus posibilidades, Juan decidió estudiar de todas maneras ese año, así que se matriculó en Ingeniería Mecánica en la universidad de su preferencia.

Debido a las notas que obtuvo durante la enseñanza media, Juan fue acreedor de media beca. Lo que sumado a los datos entregados por biblioteca, que aseguraban que pasaba mucho tiempo buscando libros, le crearon un perfil de buen alumno.

Sin embargo, desde el segundo año de carrera, Juan empezó a faltar más seguido a clases. Lo que coincidió con un cambio de casa, ya que motivado por la distancia de su lugar de origen, comenzó a vivir en las residencias universitarias. Por otra parte, sus antecedentes financieros señalaban que estaba retrasado en el pago del porcentaje de mensualidad que le tocaba cancelar.

De todos los estudiantes en situación de riesgo de deserción, Juan calificaba como un alumno con altas posibilidades de retirarse de su programa de estudios. Gracias a la obtención de estos datos y al análisis de ellos, la Dirección de Asuntos Estudiantiles se pudo dar cuenta que era inminente que Juan dejara sus estudios por motivos geográficos y financieros.

Este conocimiento, les permitió hablar con Juan, quien efectivamente estaba pensando en abandonar su carrera, porque estaba trabajando en días de semana para pagar la residencia y aún así le era difícil mantenerse lejos de su familia. Entonces, la casa de estudios le presentó una opción basada en datos:  le ofreció trasladarse a un campus más cerca de su casa, donde podría cursar el plan de estudios que quería desde el comienzo: Ingeniería Informática. Juan no dudó, se cambió y la universidad evitó una deserción.

Centenares de casos de abandono escolar que pueden ser solucionados antes de que ocurran mediante el buen uso de los datos disponibles. Muchas instituciones ya están experimentando con modelos predictivos basados en machine learning, sin embargo, todavía falta instalar esta capacidad en la gran mayoría de establecimientos educaciones para avanzar en la reducción de las cifras de fuga escolar.  No te quedes atrás y prueba las ventajas que la inclusión de tecnología de punta puede entregar a las distintas áreas de una organización.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *