3.1 Tareas en inteligencia artificial

Dentro de las tareas principales que se citan bajo la IA, concretamente el análisis de datos, están la clasificación, la regresión y el agrupamiento (^{Gironés et al., 2017}). La clasificación consiste en asignar instancias de un dominio dado a un conjunto de clases. Una clase se define como una etiqueta categórica y discreta, previamente conocida y definida comúnmente como método supervisado. Por ejemplo, si un estudiante es desertor o no es desertor. Esto implica que el conjunto de datos debe contener X datos de entrada (variables explicativas) con los valores de salida (variable objetivo) correspondientes Y (deserta o no deserta), para encontrar una dependencia entre ellos. La clasificación permite asignar una clase a un nuevo dato. Por su parte, la regresión consiste en la predicción de valores numéricos en lugar de etiquetas con clases discretas. Se supone que la asignación se acerca a una función objetiva. En este caso, sería una probabilidad o el riesgo de que un estudiante deserte. El agrupamiento consiste en la división de un conjunto de datos de un dominio determinado. A diferencia de la clasificación y la regresión, el agrupamiento (o clustering) no es una tarea de predicción, sino de descripción, y como no tiene etiquetas previas de categorización, consiste en un metodo no supervisado. El descubrimiento se basa en patrones de similitud identificados en los datos.

3.2 Métodos y algoritmos en el contexto de la deserción universitaria

Cuando se trata de predecir una variable se utilizan métodos supervisados, es decir, métodos donde se conocen las variables de entrada (predictoras) con su respectiva variable de salida (objetivo). En esta etapa en la cual se crean modelos, se articulan las variables de entrada (predictoras) y se evalúa su relación con la variable de salida (objetivo), por lo tanto, es posible evaluar qué porcentaje podrían explicar las variables de entrada el comportamiento de una determinada salida. En la Figura 3 se muestra un esquema explicativo de las tareas del análisis de datos en el contexto de la deserción universitaria.

Figura 3 Tareas del análisis de datos en relación con la deserción 

Desde el conjunto de datos que se utiliza para la realización del modelo se distingue: primero, un conjunto de entrenamiento que generalmente corresponde al 60 a 70% de los datos. Segundo, un conjunto de evaluación al cual se aplica las métricas y en algunos casos, cuando es posible un tercer conjunto de evaluación se destina para la validación del modelo. En este caso, los datos son diferentes a los del conjunto de entrenamiento, pero se conoce la variable objetivo con el fin de comparar la veracidad del modelo.

En el caso del fenómeno de estudio, la variable objetivo es la deserción universitaria. Es importante destacar que algunos estudios no se refieren directamente al término “deserción”, sino al de “abandono” e “inactividad”. Aunque las definiciones son similares varían en cuanto a la temporalidad con la que se mide; por ejemplo, se puede considerar que un estudiante abandonó o se encuentra inactivo, pero que no es desertor. Esto está relacionado con las diferentes definiciones de deserción que adoptan los autores, desde el contexto y las regulaciones de los países. Al respecto, los términos abandono y deserción estudiantil se han utilizado de manera indistinta para definir la acción de desincorporación de los estudios formales por parte de los estudiantes (^{Ramírez et al., 2016)}.

En la Tabla 2 se muestran los métodos utilizados y algoritmos, ordenados de forma descendente, de acuerdo con el porcentaje de documentos revisados, teniendo en cuenta que la tarea principal evidenciada es la de clasificación (método supervisado) con el fin de predecir la deserción universitaria.

En cuanto a la clasificación, la mayoría de los estudios presentados (92%) se enfoca a predecir si un estudiante desertará o no, dadas algunas condiciones de ingreso, y con esto es posible evidenciar qué tanto influyen ciertas variables en el desenlace. El 84% de los estudios revisados utilizó el algoritmo de árboles de decisión, seguido de los métodos probabilísticos (36%) y la regresión logística (28%). Por otro lado, no se encontraron estudios que evalúen el riesgo de deserción desde un punto de vista numérico; es decir, en los estudios no se encuentran modelos de regresión, dado que el desenlace se transforma en una variable dicotómica (sí o no) o se examina el riesgo como una variable categórica (alto, medio, bajo) siguiendo una tarea de clasificación. En cuanto al agrupamiento, hay un gran potencial para estudiar perfiles de estudiantes con características particulares que permita focalizar estrategias para grupos en específico, aunque sólo en el 8% de los estudios se utilizan algoritmos de aprendizaje no supervisado aplicados a la deserción universitaria.

Por otra parte, no todos los estudios que se encontraron hacen uso de las técnicas de IA, específicamente de minería de datos. También se encontraron algunos estudios correlacionales que utilizan modelos estadísticos en los cuales se pretende estudiar cuánto influye una variable explicativa en la variable objetivo, tales como el análisis bivariado.

3.3 Factores explicativos de la deserción universitaria

A continuación se muestran los resultados de los factores explicativos más relevantes en la variable objetivo, en relación con la deserción universitaria. Los estudios fueron ordenados según el año de publicación y en orden alfabético (por autor). Después de realizada la búsqueda y selección de los documentos incluidos, se sistematizaron los resultados de cada estudio (ver Tabla 3), teniendo en cuenta la población, el tipo de tarea, los métodos que presentan mejores resultados de acuerdo con las métricas de evaluación que presentaron los autores, la variable objetivo en relación con la deserción o conceptos asociados (abandono, inactividad, permanencia, etc.) y, por último, un listado de los factores y atributos explicativos que, según los resultados de los estudios, tienen mayor relevancia a la hora de explicar la variable objetivo. Los atributos son descritos tal cual los autores los han nombrado en cada uno de sus estudios, con el fin de revisar las diferentes perspectivas y variedad de nombres dados a una misma categoría, lo cual se discutirá más adelante.

4.1 Respecto a los factores explicativos de la deserción

De acuerdo con los estudios revisados, los factores determinantes de la deserción universitaria se pueden clasificar en cuatro aspectos: académicos, los relacionados con la motivación y hábitos de estudio, económicos y sociodemográficos, e institucionales. En la Tabla 4 se categorizan las variables explicativas en estos cuatro factores y se especifica el porcentaje de estudios para los cuales dicho atributo es relevante en la variable objetivo, en relación con la deserción universitaria. Es decir, que el porcentaje corresponde a los documentos que consideran los mismos factores de estudio como los más relevantes. Se enlistan además las denominaciones que utilizan los autores, por ejemplo, para referirse a los resultados académicos de un estudiante.

Dentro de los factores académicos, en el 70.9% de los estudios se evidencia que uno de los atributos más importantes para tomar la decisión de desertar es el rendimiento académico. No obstante, no se encuentra igualdad de criterios respecto a los conceptos de resultados académicos, calificaciones, promedio académico, rendimiento académico, por lo que es usual encontrar la perspectiva en la que el rendimiento académico se asocia con el resultado de las calificaciones en las asignaturas, así fueron agrupados en esta revisión. Por otra parte, los factores relacionados con motivación y hábitos de estudio se asocian principalmente con atributos tales como la satisfacción con la carrera, la autoeficacia, el autoconcepto académico y la calidad del tiempo dedicado a estudiar. Respecto a los factores económicos, la edad, el nivel de ingresos y el nivel educativo de los padres, son los atributos más estudiados. Y por último, dentro del factor institucional, sólo el 12.9% de los documentos analiza la modalidad de estudio, los beneficios económicos desde las instituciones hacia los estudiantes y el apoyo institucional.

Por otro lado, es importante resaltar que el enfoque de los estudios está destinado a explicar los factores académicos luego de un período de ingreso en la universidad, en donde es posible evidenciar los resultados académicos, cursos aprobados y, por tanto, el promedio académico, mientras que los resultados de las pruebas de admisión o las notas de la secundaria no son tan influyentes en el desenlace. Esto coincide con ^{Zaria et al. (2016)}, quienes demostraron que las variables académicas de ingreso no resultaron ser tan significativas a la hora de predecir la deserción en el primer año, mientras que las variables de desempeño académico trascurrido en por lo menos un semestre (aprobación y promedio final) tienen una alta significancia a la hora de explicar la deserción.

Los resultados de la Tabla 4 sugieren que se deben tener en cuenta factores como la motivación y la autorregulación al diseñar planes de estudio y los planes de orientación de los estudiantes deben incluirse con el fin de lograr el éxito estudiantil (^{Díaz et al., 2019}). En esta revisión se encontró que una causa frecuente del abandono es el desinterés de los estudiantes por las materias. La motivación está estrechamente relacionada con la seguridad con que el estudiante enfrenta las materias, el interés de terminar exitosamente sus estudios y posteriormente graduarse (^{Donoso-Díaz et al., 2018}). Se encontró, además, que uno de los factores más importantes para tomar la decisión de desertar es la falta de motivación por la carrera, seguida de haber desaprobado uno o más cursos y, en tercer lugar, la decisión de los padres (^{Fernández y Díaz, 2016}). Además, los factores adicción al internet, adicción a las redes sociales y adicción a la tecnología podrían afectar la deserción de los estudiantes en las universidades (^{Alban y Mauricio, 2018}).

Es evidente que también en este caso la voluntad de completar los estudios juega un papel importante, pero no debe olvidarse que hay circunstancias que hacen que la continuación de los estudios sea imposible, a pesar de la motivación (^{Serra et al., 2018}). En relación con las variables motivacionales en torno a la deserción se asoció principalmente con el poco interés por la carrera de admisión, la matrícula a una carrera no deseada y que no era parte de la oferta académica de la universidad o el deseo de estudiar en otra institución de educación superior (^{Hernández et al., 2019}).

Con estos resultados, es importante determinar de forma objetiva el nivel de las habilidades que poseen los estudiantes al ingreso, teniendo en cuenta el plan de estudio al cual se enfrentan. Esta información podría ser una herramienta valiosa, junto con la motivación, para tomar decisiones más apropiadas. De igual manera, los estudiantes podrían emprender iniciativas para fortalecer y mejorar sus hábitos de estudio (^{Vargas y Montero, 2016}).

Otro enfoque de estudio encontrado es el seguimiento a la trayectoria de cada estudiante con el fin de observar las desvinculaciones y el desenlace (graduación, deserción o rezago). En su estudio, ^{Castro et al. (2020)} concluyeron que la mitad de los estudiantes deserta en los tres primeros semestres, y señalan que aunque los estudios de trayectoria son de gran utilidad porque logran abarcar todo el ciclo que realiza un estudiante desde el ingreso, tránsito y egreso, exige largos períodos de seguimiento, lo que dificulta este tipo de investigaciones.

4.2 Respecto a los métodos y técnicas de IA para el estudio de la deserción

Se observa un gran potencial de las técnicas de minería de datos respecto a los análisis estadísticos convencionales. El problema principal en la identificación de factores tan significativos en la deserción es que en muchas ocasiones hay más factores candidatos que estudiantes. En este caso, los métodos estadísticos convencionales no funcionan y es pertinente el uso de la minería de datos (^{Hori, 2018}).

Respecto a la técnica, resulta interesante revisar las reglas de asociación. En éstas, se encuentran patrones o dependencias ocultas que pueden indicar cómo la mayoría de desertores están actuando. Por ejemplo, ^{Silva et al. (2019)} encontraron que la mayoría de estudiantes que ingresan a carreras de ingeniería tienen una idea errónea del enfoque al momento de inscribirse, además de situaciones económicas para el pago de matrículas. En este sentido, es trabajo de la institución abordar ese problema, por ejemplo, con estrategias tan sencillas como la publicación de convocatorias entre estudiantes.

Tal y como se evidencia en los resultados (ver Tabla 2), el algoritmo más utilizado son los árboles de decisión -un enfoque de división de datos binarios de arriba hacia abajo-, populares debido a su fácil interpretación y bajo sesgo (^{Behr et al., 2020}). Además, se concluye que el método del árbol de decisión es un método más preciso de predicción en comparación con el análisis de regresión (^{Sultana et al., 2017}).

Otro aspecto que vale la pena destacar es que se encuentran muy pocos estudios en los que se evalúa el resultado de una estrategia particular aplicada a mitigar la deserción, es decir, la influencia de una intervención con respecto a los factores explicativos de la deserción. Entre algunos estudios se encuentran planes de tutoría que podrían incluir acciones como videoconferencias, recomendaciones para repetir diferentes actividades, sesiones adicionales de clase; los cursos de recuperación y la creación de comunidades de aprendizaje demostraron tener un fuerte impacto en la retención de estudiantes (^{Burgos et al., 2018}). En este sentido, existe una evidente necesidad de investigar las expectativas de los estudiantes de alto riesgo con respecto a las relaciones entre estudiantes y maestros, debido a que es poco probable que las universidades puedan controlar el fenómeno de la deserción sin estrategias académicas contextuales (^{Bungǎu et al., 2017}).

Entre otras estrategias propuestas, los investigadores insisten en la necesidad de implementar un curso inicial obligatorio, incluido en los planes de estudio para los estudiantes de primer año. Dicho curso debe ser intensivo y ofrecido por los maestros que darán el curso posterior de matemáticas (^{Aboltins et al., 2019}). Como se ha destacado antes, hay una fuerte influencia de la motivación con respecto al rendimiento académico. Otra estrategia planteada por los autores y que puede mejorar los modelos predictivos es la de identificar perfiles motivacionales, diseñar estudios causales, desarrollar programas de aprendizaje de talento y estrategias activas que mejorarían la calidad del aprendizaje universitario (^{Tipismana, 2019}).

Por último, en la mayoría de estudios revisados, se recomienda a las instituciones de educación superior crear programas de acompañamiento y orientación a aquellos estudiantes que se identifiquen con mayor riesgo de deserción (^{Rueda et al., 2020}).