Tesisi Analisis

INSTITUCIÓN UNIVERSITARIA POLITÉCNICO GRANCOLOMBIANO
FACULTAD DE INGENIERÍA Y CIENCIAS BÁSICAS

MAESTRÍA EN INGENIERÍA DE SISTEMAS
GRUPO DE INVESTIGACIÓN BDA & ARS
Análisis de deserción en una Institución de Educación Superior

Colombiana mediante el uso de Minería de Datos para la
Educación (EDM)
Presenta:
Andrés Villanueva Manjarres
Cod: 1310020763
Asesor Temático
MSc. Luis Gabriel Moreno Sandoval
Bogotá, 2016
1
ÍNDICE GENERAL
1. INTRODUCCIÓN ..................................................................................................... 7
1.1 Objetivo General ........................................................................................................ 8
1.1.1 Objetivos Específicos ..................................................................................................... 8
1.2 Justificación................................................................................................................ 8
1.3 Planteamiento del problema....................................................................................... 9
2. MARCO TEÓRICO ................................................................................................. 10

2.1 Deserción ................................................................................................................. 10
2.2 Modelo de Atención Integral al Estudiante MAIE ....................................................... 11
2.3 Educación tradicional ................................................................................................ 12
2.4 Tipos de ambientes educativos ................................................................................. 12
2.5 Educación basada en Computador............................................................................. 13
2.6 Minería de Datos: ..................................................................................................... 13
2.6.1 Implementación de un proyecto de Minería de Datos ............................................... 14
2.7 Minería de Datos para la Educación .......................................................................... 15
2.7.1 Antecedentes .............................................................................................................. 16
2.7.2 Conferencias internacionales ...................................................................................... 17
2.7.3 Líneas de investigación futuras ................................................................................... 19
3. MARCO METODOLÓGICO .................................................................................... 20

3.1 Fase 1. Contextualización para el desarrollo del trabajo ............................................. 20
3.2 Fase 2: Diseño del caso de estudio ............................................................................ 21
3.3 Fase 3: Ejecución del caso de estudio ........................................................................ 21
4. DESARROLLO E IMPLEMENTACIÓN ...................................................................... 22

4.1 Documentación General del Proyecto ....................................................................... 22
4.1.1 Clasificación de técnicas de minería de datos utilizadas en entornos educativos ..... 22
4.1.2 Trabajos clasificados por técnicas de minerías de datos ............................................ 22
4.1.3 Clasificación de trabajos por dominios educativos. .................................................... 24
4.1.4 Técnicas de minería de datos utilizadas por dominios educativos. ............................ 26
4.2 Diseño del Caso de estudio ....................................................................................... 27
4.2.1 Institución educativa ................................................................................................... 28
4.2.2 Recolección de los datos ............................................................................................. 29
4.2.3 Selección de programas académicos .......................................................................... 31
4.3 Ejecución Caso de Estudio ......................................................................................... 32
4.3.1 Preparación de los datos ............................................................................................. 32
4.3.2 Modelado .................................................................................................................... 37
2
5. RESULTADOS ....................................................................................................... 44
5.1 Resultados fase contextualización ............................................................................. 44
5.2 Resultados análisis de datos...................................................................................... 44
5.3 Resultados fase implementación Caso de Estudio ...................................................... 45
6. DISCUSIÓN Y CONCLUSIONES .............................................................................. 47

7. REFERENCIAS....................................................................................................... 49
3
ÍNDICE DE TABLAS
Tabla 1. Abandono de estudios por semestre. ............................................................................ 10
Tabla 2. Trabajos aceptados en las International Conference on Educational Data Mining ....... 19
Tabla 3. Consolidado de trabajos revisados por técnicas de minería de datos ........................... 23
Tabla 4. Clasificación de trabajos por dominios presentes en la educación................................ 25
Tabla 5. Datos relevantes para el desarrollo del caso de estudio................................................ 29
Tabla 6. Tabla archivos con datos utilizados en el caso de estudio ............................................. 31
Tabla 7. Número de estudiantes por programas seleccionados para el análisis ......................... 32
Tabla 8. Datos utilizados para el caso de estudio ........................................................................ 32
Tabla 9. Lista de características con valores nulos....................................................................... 34
Tabla 10. Análisis de atributos relevantes ................................................................................... 36
Tabla 11. Atributos relevantes en los conjuntos de datos ........................................................... 37
Tabla 12. Distribución de datos para entrenamiento, validación y pruebas ............................... 37
Tabla 13. Precisión detallada IBk sede Cundinamarca................................................................. 41
Tabla 14. Precisión detallada IBk facultad Ingeniería .................................................................. 41
Tabla 15. Precisión detallada OneR sede Cundinamarca ............................................................. 42
Tabla 16. Precisión detallada OneR facultad Ingeniería .............................................................. 42
Tabla 17. Clasificaciones por algoritmos sede Cundinamarca ..................................................... 46
Tabla 18. Clasificaciones por algoritmos facultad de Ingeniería .................................................. 46
4
ÍNDICE DE FIGURAS
Figura 1. Modelo de Atención Integral al Estudiante MAIE. ........................................................ 12
Figura 2. Tipos de entornos y sistemas educativos tradicionales y basados en computadoras .. 13
Figura 3. Clasificación técnicas minería de datos......................................................................... 14
Figura 4. Principales áreas involucradas en la minería de datos para la educación .................... 15
Figura 5. Publicaciones sobre EDM registradas en SCOPUS y ScienceDirect. .............................. 17
Figura 6. Metodología de la investigación ................................................................................... 20
Figura 7. Clasificación de trabajos por dominios presentes en la educación .............................. 26
Figura 8. Fases del modelo de referencia CRISP-DM ................................................................... 28
Figura 9. Deserción estudiantil por metodología de la sede de Cundinamarca .......................... 29
Figura 10. Datos deseados para el análisis de deserción y datos obtenidos ............................... 31
Figura 11. Árbol J48 estudiantes sede Cundinamarca ................................................................. 38
Figura 12. Árbol J48 estudiantes facultad Ingeniería 6 atributos relevantes .............................. 39
Figura 13. Árbol J48 estudiantes facultad Ingeniería 31 atributos .............................................. 40
5
RESUMEN
Este trabajo se desarrolló con el fin de implementar algunas técnicas de minería de datos que
nos permitieran identificar patrones de deserción en estudiantes de una institución educativa en
Colombia. El fundamento teórico para el desarrollo del caso de estudio fue una revisión de
literatura de técnicas de minería de datos aplicadas en entornos educativos, dicha revisión de
literatura nos dio las pautas para el diseño y la implementación del caso de estudio a fin de
obtener los patrones de deserción en la institución seleccionada, objetivo principal del trabajo.
ABSTRACT
This work was developed in order to implement some data mining techniques that allow us to
identify patterns of dropout students in an educational institution in Colombia. The theoretical
foundation for the development of the case study was a literature review of techniques of data
mining applied in in educational environments, the literature review gave us the guidelines for
the design and implementation of the case study looking to obtain patterns desertion in the
selected institution, the main objective of the work.
PALABRAS CLAVE
Minería de datos para la educación, Minería de datos, Sistemas educativos, Clasificación, Weka.
KEY WORDS
Educational Data Mining, Data mining, Educational Systems, Clasification, Weka.
6
1. INTRODUCCIÓN
El fenómeno de la deserción es una realidad que deben enfrentar todos los actores del sector
educativo, principalmente aquellos vinculados al nivel de la educación superior pues este es,
según el Ministerio de Educación Nacional de Colombia el que tiene más altos índices de
deserción.
Son notables los múltiples trabajos que se han adelantado para analizar esta problemática desde
diferentes perspectivas, una de ellas el análisis de los datos asociados a los procesos educativos,
los cuales buscan identificar patrones que faciliten la detección de aquellos estudiantes en riesgo
de deserción con el fin de establecer políticas que puedan llevar a las instituciones educativas a
reducir los índices de deserción, situación que favorecería tanto a los estudiantes como a las
propias instituciones.
El mundo actual es muy diferente de aquel en el que empezamos a vivir hace unas décadas, la
cantidad de información generada, los diversos medios que producen datos, las disciplinas en las
que nos podemos desempeñar, en fin, el mundo ha cambiado y de manera adaptativa nosotros
lo hemos hecho con él. En este cambio la toma de decisiones es una actividad que cada vez se
hace esperar menos, especialmente cuando estas decisiones son definitivas para el futuro de las
organizaciones. En escenarios educativos, uno de los principales objetivos es conseguir que los
estudiantes permanezcan en sus programas académicos hasta la finalización de estos y la
reducción en los índices de deserción. Es aquí donde la Minería de Datos para la Educación o
Educational Data Mining (EDM) por sus siglas en ingles aportan un valor fundamental en las
instituciones educativas.
¿Cómo negar las múltiples ventajas y facilidades que ofrece la tecnología actualmente?, ¿cómo
ocultar la importancia que Internet brinda de manera general?, ¿cómo ocultar el crecimiento e
importante penetración de internet en todos los escenarios de la vida y de todos nosotros?[1].
La educación no es la excepción a los cambios que se están dando, los modelos educativos han
cambiado, la manera de enseñar y de acceder al aprendizaje ha experimentado modificaciones
significativas, los modelos de aprendizaje cambian día a día y sin duda la forma en la que los
estudiantes interactúan con los recursos de aprendizaje y la influencia que tiene las redes
sociales en los procesos de educación son cada vez más significativas [2].
La elaboración del presente trabajo busca integrar dos paradigmas, educación y minería de
datos, para ello se adelantó una revisión de literatura de técnicas de minería de datos aplicadas
a entornos educativos, y con base en la revisión realizada se seleccionarán algunas técnicas de
minería de datos que se aplicarán con el fin de identificar riesgos de deserción en estudiantes de
programas de educación superior en una institución colombiana. El desarrollo del presente
7
trabajo busca aportar elementos que apoyen la toma de decisiones respecto a las estrategias
para reducir los niveles de deserción en la institución de educación superior seleccionada.
1.1 Objetivo General

Identificar riesgos de deserción en estudiantes de educación superior mediante la
implementación de técnicas de minería de datos.
1.1.1 Objetivos Específicos

1. Clasificar las técnicas de Minería de datos usadas en escenarios educativos para definir las
más apropiadas en la identificación de los riesgos de deserción.
2. Analizar los indicadores del modelo de prevención de la deserción (MAIE) para establecer los
requerimientos técnicos necesarios que permitan aplicar las técnicas de Minería de datos
seleccionadas.
3. Aplicar las técnicas de Minería de Datos seleccionadas para medir el riesgo de deserción en
estudiantes de Educación Superior en la institución y los programas seleccionados.
1.2 Justificación
Los actores que toman decisiones y planifican día a día las actividades en las instituciones
educativas deben disponer de manera constante de la información en la cual se puedan
fundamentar sus decisiones, por otra parte, los actores que participan en los diferentes procesos
educativos deben contar con esta información para poder evaluar el desempeño de las
actividades realizadas. En general, todos los usuarios que tiene roles estratégicos en las
organizaciones educativas necesitan disponer de información tanto consolidada como detallada
de las actividades asociadas a los estudiantes, predecir tendencias y comportamientos de estos
y adelantar actividades orientadas a los objetivos estratégicos de las instituciones.
Uno de los principales problemas que se presentan en la educación superior en la actualidad es

la deserción, para no ir muy lejos, en Colombia, en 2013, la deserción en el nivel universitario
alcanzó el 44.9%, en el nivel técnico alcanzó 62.4% y en el nivel y tecnológico alcanzó el 53.8%.
Muchos son los estudios que se han desarrollado para entender este fenómeno. Por otra parte,
a nivel mundial se han adelantado varios casos de estudio en los cuales se utilizaron técnicas de
minería de datos para abordar problemáticas educativas.
Debido al interés que está generando la minería de datos educativa en diferentes entidades y al
creciente número de investigadores resulta muy pertinente utilizar como base las
investigaciones realizadas anteriormente para lograr identificar las técnicas de minería de datos
que permitan identificar riesgos de deserción en estudiantes de programas virtuales de
8
educación superior y adelantar un caso de estudio en una institución de educación superior de
Colombia.
1.3 Planteamiento del problema

En Colombia, en el año 2013, la deserción en el nivel universitario alcanzó el 44.9%, en el nivel
técnico alcanzó 62.4% y en el nivel tecnológico alcanzó el 53.8% [3]. Estos niveles han motivado
a diferentes entidades e instituciones a analizar el fenómeno de la deserción desde diferentes
perspectivas una de ellas el análisis de los datos almacenados en sus sistemas de información.
Hoy en día, las instituciones educativas tienen diversas fuentes de información (sistema de
gestión académica, registros en hojas de cálculo, etc.) en las cuales se almacenan datos
relacionados a los procesos educativos en todas sus fases, pero usualmente los datos
almacenados no son analizados, tampoco se cuenta con un modelo o un sistema que permita
hacer una exploración de los datos de carácter educativo para posteriormente generar
estrategias pedagógicas, técnicas o administrativas y evaluar el resultado buscando
oportunidades de mejora en todos los escenarios del proceso educativo.
Por otra parte, el crecimiento de la minería de datos en los últimos años es muy significativo [4],
tanto que hoy en día existen diferentes sistemas que permiten hacer minería de datos, pero no
existen herramientas desarrolladas o metodologías definidas específicamente para educación y
estas son requeridas debido a la especificación de los actores y el objetico que se busca. El
desarrollo de un modelo para implementar EDM en los programas formación virtual estaría
totalmente enfocado en un problema histórico de la enseñanza, ¿cómo conseguir un incremento
importante en el aprendizaje de todos los estudiantes? y para ello se tendría como soporte las
ventajas que la tecnología actual nos ofrece.
9
2. MARCO TEÓRICO
En este capítulo se busca contextualizar al lector en los conceptos relevantes en el desarrollo de

este trabajo, se busca presentar de manera general los elementos en los que se fundamenta el
desarrollo del trabajo. Se presentan de manera concreta algunas aclaraciones relacionadas a la
deserción, las técnicas de minería de datos que se han implementado en educación y que ha
aportado cada una de ellas; también se busca presentar los vacíos que las técnicas utilizadas han
dejado y aportar los elementos que se utilizarán en el desarrollo de los experimentos.
2.1 Deserción
La presente sección no busca profundizar los aspectos relacionados con la deserción, tampoco
ser un referente en cuando a la deserción de estudiantes de programas de educación superior,
sin embargo, con el fin de delimitar el contexto en el que se elaborará el presente trabajo, en
esta sección se presentarán de manera general los elementos que permiten entender el
fenómeno de la deserción especialmente aquellos relacionados con los programas de educación
superior.
De manera general, la deserción es considerada como el abandono temporal o definitivo del aula
de clase por parte de los estudiantes, de los programas académicos para las cuales se
matricularon[5], [6]. En Colombia, en 2013, la deserción en el nivel universitario alcanzó el
44.9%, en el nivel técnico alcanzó 62.4% y en el nivel y tecnológico alcanzó el 53.8% [3], niveles
que superaron ampliamente los registrados en el año 2013. Cifras bastante alarmantes para
todos los actores del sector educativo colombiano. En el caso de la educación superior, y
analizando el “momento” en el que los estudiantes abandonan sus estudios se ha encontrado
que estos abandonan principalmente durante los primeros semestres de sus carreras [6] como
se puede ver a continuación:
Tabla 1. Abandono de estudios por semestre.

Semestre de abandono Porcentaje
Primero 37%
Segundo 16%
Tercero 11%
Cuarto 8%
Quinto 6%
Sexto 6%
Séptimo 4%
Octavo 4%
Noveno 4%
10
Decimo 5%
Fuente: Ministerio de Educación Nacional. [7]
En Colombia, la entidad encargada de analizar las cifras de deserción en educación superior es el

Ministerio de Educación Nacional, para ello la entidad en el año 2008 creo la herramienta
llamada SPADIES la cual se utiliza para hacer seguimiento sobre las cifras de deserción de
estudiantes de la educación superior [8]. Este seguimiento se realiza analizando los datos
suministrados por las instituciones de educación superior, se identifican y se ponderan los
comportamientos, las causas, variables y riesgos determinantes para desertar. Los resultados
presentados por el sistema SPADIES se presentan en el anexo 01 Cifras de deserción en Colombia
según SPADIES – MEN.
Según un artículo publicado por el Ministerio de Educación nacional en el año 2010, el fenómeno
de la deserción se presenta por tres aspectos fundamentales, el rendimiento, el cual hace
referencia al conocimiento adquirido por los estudiantes durante la educación básica y media; la
capacidad económica; y la orientación vocacional de los estudiantes [7].
2.2 Modelo de Atención Integral al Estudiante MAIE

En el año 2011 el ICETEX, la entidad del estado colombiano que promueve la Educación Superior
a través del otorgamiento de créditos educativos, publicó el modelo de atención integral al
estudiante MAIE., el cual tiene como base fundamental la adopción de estrategias de acción
afirmativa para que los usuarios de la financiación educativa permanezcan, se gradúen
oportunamente y puedan crear empresas u obtener un empleo una vez culminen sus estudios.
El objetivo primordial del MAIE es en brindar oportunidades de acceso y permanencia en la

educación superior. El modelo MAIE se compone de tres dimensiones las cuales son socio-
vocacional, académica y económico-financiera, así mismo, cada una de estas dimensiones es
analizada por medio de componentes como compensación, inclusión, efectividad y
empleabilidad [9].
11
Figura 1. Modelo de Atención Integral al Estudiante MAIE.
Componente 1: Componente 2: Componente 3: Componente 4:
COMPENSACION INCLUSION EFECTIVIDAD EMPLEABILIDAD
Permanencia Articulación
Preparación Acceso Desempeño con
para el ingreso focalizado Académico el sector
Componente 1
Graduación productivo
VOCACIONAL
Adaptación al
Contacto primer Aprestamiento
SOCIAL Y
Orientación Focalización para medio Empleo del Para la

Social y
Dimensión 1:
Vocacional la admisión Egresado Empleabilidad

académico
ACADÉMICA
Calidad Acompañamiento Graduación Seguimiento

Nivelación
académica Académico Oportuna A egresados
Dimensión 2:
Académica
del bachiller
Financiación
Generación de
ECONÓMICA Y
Ampliación Contacto
Gestión
primer Aprestamiento
FINANCIERA
ingresos en
Cultura Oferta de adecuada
Empleo del
del Para la
época de
Dimensión 3:
Financiera financiación crédito

Egresado
x la IES Empleabilidad
estudios
Y perfilación
Apoyo al
Cultura de Pago
sostenimiento
Fuente: ICETEX
https://www.icetex.gov.co/dnnpro5/es-co/iesycooperativas/modelodeatenci%C3%B3nintegral.aspx
2.3 Educación tradicional

La Educación tradicional es el sistema educativo más utilizado y se refiere a las escuelas y
universidades presenciales donde se ofrece la enseñanza a partir de cátedras en un salón de
clases. En estos entornos, los sistemas recolectan información de todo lo que les rodea y el
contexto en general, es decir: la asistencia, las notas, logros del plan de estudios a nivel general
e individual. Estas instituciones educativas cuentan con fuentes diversas de información como:
bases de datos tradicionales con información del estudiante y todo su proceso educativo e
información en línea con información adicional de contenido educativo [10].
2.4 Tipos de ambientes educativos

Los tipos de ambientes educativos que existen hoy día y que pueden ser explorados y analizados
por la Minería de Datos Educativa son la Educación tradicional y la Educación basada en
Computador. Cada uno de estos dos ambientes proporciona datos de diferentes fuentes que
deben ser pre-procesados de maneras particulares dependiendo de la naturaleza de cada uno
de ellos, los problemas y las tareas específicas a ser resueltas [10].
12
2.5 Educación basada en Computador
La Educación basada en Computador es el uso de Computadores para proporcionar dirección,
instruir o gestionar las instrucciones dadas al estudiante.
En un inicio estás aplicaciones fueron de escritorio y se ejecutaban en computadores sin

conexiones entre ellos y sin la utilización de técnicas de inteligencia artificial para el modelado,
adaptación y personalización de los estudiantes hasta el momento en que Internet popularizó
estos sistemas hasta el punto de ser denominados y conocidos masivamente como e-learning,
sistemas de instrucción en línea, que hoy en día son de uso extensivo entre instituciones
netamente virtuales e instituciones educativas tradicionales para extender sus actividades a más
personas y lugares poco accesibles [11]. Entre ellos se encuentran los siguientes:
 LMS, ITS - Sistemas de gestión de aprendizaje
 AIHS - Sistemas Hipermedia Adaptativos
 Sistemas de pruebas y evaluación
Otros tipos de Sistemas de Educación basada por Computador (CBE)
Figura 2. Tipos de entornos y sistemas educativos tradicionales y basados en computadoras
Educación
Tradicional
Educación basada
Educación
en computador
Primaria
Educación Sistema de
Infantil Sistema
gestión de
aprendizaje inteligente
Educación de tutorías
Alternativa
Sistema de
pruebas y Sistemas
Educación hipermedia
evaluación
Superior adaptativos e
Repositório de OA,
inteligentes
Educación wikis, foros, juegos,
Secundaria ambiente ubíquos,
etc.
Fuente: Data mining in education. [10].
2.6 Minería de Datos:

La minería de datos es un conjunto de técnicas y procedimientos que puede ser desarrollado a
partir de diversas fuentes de datos como bodegas de datos o bases de datos relacionales, hasta
archivos planos sin formatos y realiza a partir de estos datos, análisis predictivos mediante
técnicas de análisis estadístico para predecir o prever medidas de certeza basada en los hechos
existentes. La minería de datos también puede definirse como un proceso no trivial de
13
identificación válida, novedosa, potencialmente útil y entendible de patrones comprensibles que
se encuentran ocultos en los datos [12]. La minería de datos también es vista como la evolución
de las tecnologías de la información [13], esto en gran medida apalancado por el crecimiento de
internet que ha tomado gran relevancia en los últimos años [1][14].
La minería de datos es un campo multidisciplinario que permite obtener información relevante

de grandes cantidades de datos en donde confluyen entre otras áreas inteligencia artificial,
estadística, bases de datos, ciencias de la información, y otras. Los tipos de aplicaciones de la
minería de datos se caracterizan por la respuesta que se busca responder, y de manera general,
podríamos clasificar de la siguiente manera:
Figura 3. Clasificación técnicas minería de datos
Regresión
Modelos de elección discreta
Modelización Análisis de la varianza
Predictivas
Análisis Canónicos
Redes Neuronales
Técnicas de Minería
Discriminante
Clasificación ad hoc Árboles de Decisión
Clustering
Clasificación post hoc
Segmentación
Descriptivas
Asociación
Dependencia
Reducción de la dimensión
Análisis exploratorio
Fuente: Minería de datos conceptos, técnicas y sistemas [15]
2.6.1 Implementación de un proyecto de Minería de Datos

Los proyectos de minería de datos se implementan con el objetivo de descubrir patrones de
información relevante e interesante en grandes volúmenes de información. Esto se hace con el
desarrollo de 4 fases [16][12], que usualmente son:
1. Filtrado de datos.
2. Selección de variables.
3. Extracción de conocimiento.
4. Interpretación y evaluación.
Estas fases se desarrollan indistintamente de la técnica de minería de datos que se presenta usar
y en escenarios educativos no es la excepción. En general todas las técnicas han sido probadas
en el ámbito educativo[17], y se han adelantado diferentes casos de estudio para evaluar el
desempeño de las diversas técnica en escenarios educativos. Todos los casos de estudio han sido
adelantados con el fin de satisfacer el principal objetivo de la Minería de datos para la educación,
el cual busca identificar patrones de comportamiento de los alumnos en su entorno académico;
14
clasificar los tipos de alumnos de acuerdo al rendimiento registrado; clasificación de docentes de
acuerdo a las actividades desarrolladas y el uso de las plataformas; identificación de patrones
exitosos en el uso de las ambientes virtuales de aprendizaje entre muchos otros.
2.7 Minería de Datos para la Educación

La importancia que está adquiriendo en los últimos años la educación virtual o e-learning, ha
dado paso al nacimiento de una disciplina que emerge como herramienta que permite dar
solución a diferentes paradigmas que asociados a la educación virtual y la minería de datos que
se pueda asociar a este tipo de educación. Esta disciplina se conoce como EDM [18] [19] [11]
[20]. La Minería de datos para la Educación se centra en el desarrollo de métodos para la
exploración de tipos específicos de datos que provienen del contexto educativo. Su objetivo
global es lograr comprender cómo aprenden los estudiantes e identificar aquellos aspectos en
los que es posible mejorar en aspectos educativos y de aprendizaje. La Minería de Datos para la
educación es tan importante que existe en el año 2007 se fundó la International Educational
Data Mining Society, organización sin ánimo de lucro dedicada a aumentar las oportunidades de
participación en el área de la EDM. Tal es la importancia que ha suscitado esta área de
investigación que se estima que para el año 2022 toda la investigación relacionada a educación
involucrará análisis y minería de datos [21].
La información de los sistemas educativos en la actualidad almacena grandes cantidades de

datos y su origen puede provenir de diversas fuentes, diversos formatos y diferentes niveles de
granularidad [22]. Los problemas de minería de datos educativa, deben analizarse de manera
particular debido a que su objetivo específico determina una singularidad al momento de
resolverse mediante técnicas de minería de datos.
La minería de datos en educación puede analizar los datos generados por cualquier sistema de
aprendizaje y enfocarse en diversos aspectos tanto individuales como grupales y tener en cuenta
datos subyacentes; datos administrativos, datos demográficos, datos motivacionales que a su
vez contienen múltiples niveles de jerarquía, contextos, niveles de granularidad y datos
históricos. Se llama interdisciplinaria a la minería de datos en educación por que puede involucrar
el análisis de redes sociales, psicopedagogía, psicología cognitiva, psicometría entre otras.
Figura 4. Principales áreas involucradas en la minería de datos para la educación
Ciencias de la
Computación
Educación basada en DM y Aprendizaje de
computador Maquina
EDM
Educación Analítica de Estadística
Aprendizaje
Fuente: Data mining in education. [10]
15
El campo más relacionado de las áreas del gráfico es Learning Analytics (Análisis del Aprendizaje)
que se puede definir como la medición, recopilación, análisis y presentación de informes de
datos sobre los estudiantes y sus contextos, para fines de la comprensión y el aprendizaje y la
optimización de los entornos en los que se produce, por tanto, la Minería de Datos para
Educación puede compartir muchos atributos entre todas y cada una de las áreas que la rodea
[10].
Los tipos de ambientes educativos que existen hoy día y que pueden ser explorados y analizados
por la Minería de Datos Educativa son la Educación tradicional y la Educación basada en
Computador. Cada uno de estos dos ambientes proporciona datos de diferentes fuentes que
deben ser pre-procesados de maneras particulares dependiendo de la naturaleza de cada uno
de ellos, los problemas y las tareas específicas a ser resueltas [10].
2.7.1 Antecedentes
Históricamente el proceso de enseñanza ha buscado incrementar las fortalezas de los profesores
y principalmente maximizar el aprendizaje de los estudiantes. Hoy en día la educación se apoya
de manera muy fuerte en la tecnología, especialmente en sistemas de enseñanza apoyados en
WEB. La cantidad de datos que se almacenan en estos sistemas y en los sistemas tradicionales
es cada vez mayor, así mismo la complejidad de analizar estos datos también se ha
incrementado.
La minería de datos es un área que cada vez se aplica con mayor fuerza en más áreas como por
ejemplo gobierno, empresa, educación, investigación espacial, deportes, análisis de textos,
internet y muchas otras [16] y en los últimos años en el análisis de sistemas de e-learning con el
fin de obtener mejores resultados en el proceso de aprendizaje de los estudiantes. En este
proceso ha nacido una nueva área dedicada a realizar minería de datos en educación, es decir,
implementación de técnicas de minería de datos a información registrada en entornos
educativos. En relación a esta área que se ha denominado EDM (Educational Data Mining) a
continuación se presentan los principales hitos.
Los primeros papers que se enfocaron en EDM se publicaron en 1995, año en el que se publicaron
3 papers, a partir de este año el número de papers publicados en conferencias y revistas ha
crecido de manera importante. Para ello se han consultado algunas de las principales bases de
datos bibliográficas de artículos de investigación o científicos.
16
Figura 5. Publicaciones sobre EDM registradas en SCOPUS y ScienceDirect.
140
120 123
100 102
80
72
60 60
53 52
40 41
27
20 12 18 21
7 5 6 15 12
3 5 7
0 2
0 0 0 0 2
Fuente: Elaboración propia tomado de http://www.scopus.com y http://www.sciencedirect.com propia el 10 de

enero de 2016
 Publicaciones SCOPUS:
o 1993: 3
o 2015: 97
 Publicaciones ScienceDirect
o 2007: 2
o 2014: 27
o 2015: 52
2.7.2 Conferencias internacionales

Debido a la importancia que ha tomado la minería de datos para la educación, la International
Educational Data Mining Society (IEDMS) desde el año 2008 se está adelantando un encuentro
internacional que se dedica exclusivamente a tratar temas relacionados con la Minería de Datos
para la Educación [4], estos encuentros se han adelantado en diferentes países y los principales
temas tratados han sido:
1. EDM’08: 1st International Conference on Educational Data Mining

Montreal, Québec, Canadá
Junio 20 al 21 2008
Número de Papers Aceptados: 17
Número de Posters Aceptados: 5
2. EDM’09: 2nd International Conference on Educational Data Mining
Córdoba, España
Julio 1 al 3 2009
3. EDM2010: 3th International Conference on Educational Data Mining
Pittsburgh, PA, USA
17
Junio 11 al 13 2010
Eindhoven, Holanda
Julio 6 al 8 2011
Número de Papers Aceptados: Completos 20, Cortos 17
Chania, Grecia
Junio 19 al 21 2012
Memphis, Tennessee, USA
Julio 6 al 9 2013
Londres, Reino Unido
Julio 4 al 7 2014
Madrid, España
Junio 26 al 29 2015
Raleigh, NC, USA
Junio 29 al 02 de julio de 2016
En la tabla No. 2 se presenta el detalle de los trabajos aceptados en la conferencia internacional

de Minería de Datos para la Educación desde el año 208 hasta el 2016. En la tabla se presenta el
detalle de los papers y posters aceptados.
18
Tabla 2. Trabajos aceptados en las International Conference on Educational Data Mining
Papers Posters
Costos Largos
International Conference on
1 – 2008 17 5
Educational Data Mining

2 – 2009 20 14
3 -2010 24 17
4 – 2011 20 17 30
5 – 2012 17 16 17
6 – 2013 21 25 29
7 – 2014 24 33 63
8 – 2015 41 46 39
9 – 2016 30 55 51
Fuente: Elaboración propia totado de http://www.educationaldatamining.org/IEDMS/events el 13 de febrero de
2016.
2.7.3 Líneas de investigación futuras

Dentro de los principales asuntos que en la actualidad están despertando el interés de los
investigadores de esta área se ha encontrado entre otras las siguientes1:
1. Cerrando el ciclo entre investigación de datos en educación y resultados educativos.

2. Representación de conocimiento de dominio de datos
3. Detección y tratamiento de estados de ánimo y emocionales de los estudiantes
4. Minería de datos en entornos pedagógicos emergentes [23]
5. Minería de datos en aplicaciones Open Source [24]
6. Integración entre EDM y Análisis de aprendizaje
7. Aplicación de técnicas de minería de datos en dominios específicos [25]
8. Marcos genéricos y enfoques para EDM
De acuerdo a la lista de líneas de investigación futura se encuentran dos que le dan completa
pertinencia al desarrollo de este trabajo, Minería de datos en aplicaciones Open Source y
Aplicación de técnicas de minería de datos en dominios específicos.
1 http://educationaldatamining.org/EDM2016/
19
3. MARCO METODOLÓGICO
Mediante el desarrollo de este trabajo se pretende realizar una investigación que permita
identificar las técnicas de minería de datos se han implementado en escenarios educativos y
aplicar las técnicas que una vez evaluadas permitan identificar riesgos de deserción en
estudiantes de programas de educación superior en una institución colombiana.
En desarrollo del presente trabajo está dividido en tres fases principales, las cuales son: 1.
Documentación general del proyecto, 2. Diseño del caso de estudio y 3. Implementación del caso
de estudio.
Figura 6. Metodología de la investigación
Fuente: Elaboración propia
3.1 Fase 1. Contextualización para el desarrollo del trabajo

La primera fase de la tesis consiste en realizar una investigación detallada de los diferentes temas
que son relevantes en el desarrollo del presente trabajo. En esta fase se busca adelantar las
siguientes tareas.
20
El entregable que se espera producir como resultado de las actividades adelantadas en la fase 1
es un paper de revisión de las técnicas de minería de datos utilizadas para el análisis de datos de
entornos o dominios educativos.
3.2 Fase 2: Diseño del caso de estudio

La segunda fase se concentra en realizar el diseño del caso de estudio, para ellos se integrará de
manera activa la Institución educativa que estará involucrada en el desarrollo del trabajo de tesis.
En esta fase se busca adelantar las siguientes tareas.
es la presentación del diseño del caso de estudio de los involucrados en la institución educativa.
3.3 Fase 3: Ejecución del caso de estudio

La tercera fase se concentra en la ejecución del caso de estudio.
es el paper resultado de la ejecución del caso de estudio.
21
4. DESARROLLO E IMPLEMENTACIÓN
4.1 Documentación General del Proyecto

Como producto de la contextualización general para el desarrollo del trabajo, se elaboró un
paper titulado “Data mining techniques applied in educational environments: Literature Review”
el cual se pretende enviar a dos Journals buscando ser publicado, por esta razón, en el
documento de tesis no se detallará cada uno de los puntos presentados en el paper, pero se
presentan las conclusiones de la revisión adelantada.
4.1.1 Clasificación de técnicas de minería de datos utilizadas en entornos

educativos
Son múltiples los casos de estudio en los que se aplican técnicas de minería de datos en entornos
educativos, cada uno de ellos buscando una respuesta a una situación particular que aporte al
objetivo buscado por la EDM. Para el desarrollo del presente trabajo se tuvieron en cuenta
trabajos publicados sobre EDM entre el año 1993 y el año 2015, de los trabajos revisados se
tuvieron en cuenta 130 trabajos en los que se aplicaron al menos una técnica de minería de datos
con el fin de analizar una situación asociada al proceso de enseñanza-aprendizaje. La revisión de
literatura adelantada se organizó en cuatro apartados así:
1. Revisión de trabajos en los cuales se han utilizado técnicas de minerías de datos en

entornos educativos.
2. Trabajos clasificados por dominios educativos.
3. Trabajos clasificados por técnicas de minerías de datos
4. Listado de autores relevantes en EDM.
4.1.2 Trabajos clasificados por técnicas de minerías de datos

En los trabajos analizados se encontró que en total se utilizan 13 técnicas de minerías de datos,
estas son:
 Análisis de Correlación
 Arboles de decisión
 Arboles de Regresión
 Cadenas de Markov
 Clasificación
 Clustering
 Differential Sequence Mining
 Patrones Secuenciales
 Redes Bayesianas
 Redes Neuronales
 Reglas de asociación
22
 Regresión Lineal
Los trabajos analizados en la revisión de literatura están asociados a las diferentes técnicas de
minería de datos, en algunos casos el mismo paper utilizó diferentes técnicas, el paper es
clasificado en tantas técnicas como haya utilizado para considerar todas las perspectivas
utilizadas por los diferentes actores. En la tabla No. 3 se presentan todos los trabajos asociados
a las técnicas enunciadas anteriormente.
Tabla 3. Consolidado de trabajos revisados por técnicas de minería de datos

Técnica No. de Años con
Autores Relevantes
Implementada Publicaciones publicaciones
Chen C., Chen M.,
Análisis de
2 Patarapichayatham, C. Kamata, A. 2009, 2012
Correlación Kanjanawasee, S.
Baradwaj B., Pal S., Sheard J., Ceddia
Arboles de Entre el 2003 y
27 J., Hurst J., Tuovinen J., Guo Q., Zhang
decisión 2015
M., Kovačić, Z. J
Arboles de
1 Hu Y., Lo C., Shih S. 2014
Regresión
Cadenas de
1 Stamper J., Barnes T. 2009
Markov
Bhardwaj B., Pal S., Marquez-Vera C.,
Entre el 2009 y
Clasificación 15 Romero C., Ventura, S., Chen C.,
2015
Chen M., Bayer J., Bydzovská H.,
Wang F.H., Shao H.M., Baradwaj B.,
Entre el 2003 y
Clustering 27 Pal S., Kumar V., Chadha A., Chen C.,
2015
Chen M.
Differential
Martinez-Maldonado R., Yacef K. Kay
Sequence 1 2013
J.
Mining
Karampiperis P., Sampson D.,
Patrones Romero C., Ventura S., Zafra A., De Entre el 2004 y
17
Secuenciales bra P., Kay J., Maisonneuve N., Yacef 2015
K., Zaiane O.R.
Pardos Z. A., Heffernan N. T.,
Redes Entre el 2006 y
10 Anderson B., Heffernan C. L., Schools
Bayesianas 2013
W., Pandey U., Pal, S.
Oladokun V.O., Adebanjo A.T.,
Redes Entre el 1993 y
10 Charles-owaba O.E. , Hämäläinen W,
Neuronales 2015
Vinni M
Ha S., Bae S., Park S., Zaïane O.,
Reglas de Romero C., Ventura S., De Bra P., Entre el 1995 y
35
asociación Merceron A., Yacef K., Baradwaj B., 2014
Pal S.
Regresión
2 Hämäläinen W, Vinni M 2010
Lineal
Fuente: Elaboración Propia
23
De acuerdo a los trabajos analizados en la revisión de literatura se pudo identificar que las
técnicas más utilizadas para analizar situaciones relacionadas a entornos educativos son Reglas
de asociación con un 24,8%, seguido de Clustering con 18% y Arboles de decisión con 17%, de
otra parte, las técnicas menos utilizadas son Differential Sequence Mining, cadenas de Markov y
Arboles de Regresión cada una con un solo trabajo lo cual corresponde a un 0,62%.
En la siguiente figura se presenta la gráfica del número de trabajos analizados por técnicas de
minería de datos
Figura 5. Clasificación de trabajos por técnicas de minería de datos

40
29 28
18 17
11 11
2 2 1 1 1
El análisis de técnicas utilizadas es importante para el desarrollo de las fases 2 y 3 del trabajo ya
que la revisión de la literatura son los soportes para el desarrollo de las siguientes actividades.
Es importante precisar que para las fases 2 y 3 serán tenidas en cuenta especialmente las técnicas
que se han utilizado en el dominio de la deserción, independientemente de que sean las más
utilizadas de manera general en EDM.
4.1.3 Clasificación de trabajos por dominios educativos.

Cada uno de los trabajos revisados fue clasificado en uno de los 7 dominios de tipo educativo
que se tomaron para el desarrollo de la tesis. Es importante precisar que estos dominios surgen
a partir de la revisión elaborada, cada trabajo revisado se asoció a un dominio de la educación.
Los dominós de clasificación se seleccionaron a partir de los temas que tratan los trabajos, estos
dominios son:
 Análisis de Deserción o Retención: trabajos en los cuales se analizan factores

relacionados a deserción estudiantil o estudios que buscan favorecer la retención
estudiantil.
24
 Análisis de OVA o EVA: aquellos trabajos en los cuales se han analizado objetos virtuales
de aprendizaje OVA o entornos virtuales de Aprendizaje EVA
 Análisis de Rendimiento o Evaluación de estudiantes: Trabajos en los cuales el uso de
técnicas de minería de datos se orientó a analizar el rendimiento de los estudiantes o las
evaluaciones realizados a estos durante los cursos presenciales o virtuales.
 Generación de Recomendaciones: dominio en el cual se asociaron los trabajos que
generaron recomendaciones a ser usadas durante el proceso educativo.
 Identificación de patrones de aprendizaje: análisis de datos de entornos educativos que
permitieron identificar patrones de aprendizaje a ser usados por las instituciones
educativas o instructores.
 Identificación de patrones en estudiantes: análisis de datos de entornos educativos que
permitieron identificar patrones en los estudiantes.
 Predicción relacionada a estudiantes: en este dominio se encuentran los trabajos que
permitieron realizar predicciones relacionadas a los estudiantes, predicciones en notas
finales, desempeño, comportamiento en cursos específico, etc.
En la siguiente tabla se presentan los trabajos relacionados a cada uno de los dominios
presentados anteriormente.
Tabla 4. Clasificación de trabajos por dominios presentes en la educación.

No. de Años con
Dominio Autores Relevantes
Publicaciones publicaciones
Análisis de 6 Marquez-Vera C., Romero C., Entre el 2010 y
Deserción o Ventura, S., Bayer J., Kovačić, Z. J 2015
Retención
Análisis de OVA o 26 Romero C., Ventura S., De Bra P., Entre el 2001 y
EVA Karampiperis P., Sampson D. 2015
Análisis de 17 Bhardwaj B., Pal S., Romero C., Entre el 2007 y
Rendimiento o Espejo, P., Zafra A., Romero R., 2015
Evaluación de Ventura S.
estudiantes
Generación de 14 Wang F.H., Shao H.M., Vialardi C., Entre el 2004 y
Recomendaciones Brav J. Shafti L., Ortigosa A. 2014
Identificación de 25 Zaïane O., Garcia E., Romero C., Entre el 2000 y
patrones de Ventura S., Castro C., Ha S., Bae S., 2015
aprendizaje Park S.
Identificación de 23 Baradwaj B., Pal S., Mor E., Entre el 1995 y
patrones en Minguillón J. 2015
estudiantes
Predicción 20 Oladokun V.O., Adebanjo A.T., Entre el 1993 y
relacionada a Charles-owaba O.E, 2015
estudiantes
25
De acuerdo a la clasificación realizada, pudimos identificar que la mayor parte de los trabajos de
EDM publicados entre el año 1993 y 2015 se orientaron a la identificación de patrones de
aprendizaje con un 21%; seguido de análisis de OVA y EVA con un 19% e identificación de
patrones en estudiantes con un 17,8%. Los dominios con menor número de trabajos publicados
son, análisis de rendimiento de estudiantes con un 12%, generación de recomendaciones con un
10% y por último, el dominio que tiene menor porcentaje de trabajos realizados es el de Análisis
de Deserción o Retención que tan solo se analizaron 6 trabajos los que corresponden al 4,6%.
En la siguiente figura se presenta la gráfica del número de trabajos de EDM por trabajos por
dominios.
Figura 7. Clasificación de trabajos por dominios presentes en la educación

30 27
25
25 23
20 18
16
15 13
10
6
5
0
En el resultado obtenido de los trabajos asociados a los dominios de datos se puede evidenciar
que el dominio con el menor número de trabajos es el de Análisis de deserción o retención, lo
cual llama especialmente la atención porque el fenómeno de la deserción es una de las
situaciones más analizadas en los entornos educativos, sin embargo, de acuerdo a la revisión
realizada, no han sido muchos los análisis al fenómeno de la deserción a partir de la
implementación de técnicas de minería de datos.
4.1.4 Técnicas de minería de datos utilizadas por dominios educativos.

Como parte del análisis realizado en la revisión de literatura, se identificaron las técnicas
utilizadas en cada uno de los dominios EDM identificados. En la siguiente tabla se pueden ver las
técnicas de minería de datos utilizadas en los dominios educativos mencionados en el apartado
4.1.3.
26
Tabla 3. Técnicas de minería de datos utilizadas por dominios educativos
Predicción relacionada a
patrones de aprendizaje
patrones en estudiantes
Análisis de Rendimiento
Análisis de Deserción o
Análisis de OVA o EVA
Recomendaciones
Identificación de
Identificación de
o Evaluación de
Generación de
estudiantes
estudiantes
Educativas
Retención
Técnica \ Dominio
Análisis de
Correlación 1 1
Arboles de decisión 5 3 8 2 2 6 2
Arboles de Regresión 1
Cadenas de Markov 1
Clasificación 4 2 4 3 1 3
Clustering 7 3 5 3 9 2
DSM 1
Patrones
Secuenciales 4 1 1 7 3 2
Redes Bayesianas 2 1 1 1 6
Redes Neuronales 1 2 2 1 5
Reglas de asociación 8 1 7 14 9 1
Regresión Lineal 1 1
Esta tabla busca ofrecer al lector un panorama general de las técnicas usadas en los dominios
EDM identificados previamente. Si bien en el desarrollo de las fases 2 y 3 solo se tendrán en
cuenta las técnicas aplicadas en análisis de deserción esta información es útil para aquello que
deseen aplicar técnicas en entornos educativos.
4.2 Diseño del Caso de estudio

La segunda fase del trabajo se estructuró en actividades que permitieron hacer el diseño del caso
de estudio, para el desarrollo de las fases dos y tres se utilizó la metodología CRISP-DM la cual
define las fases que se deben implementar en cualquier proyecto de minería de datos, siendo
estas entendimiento de negocios, entendimiento de los datos, preparación de los datos,
modelado, evaluación y despliegue [26]. En la siguiente figura se muestran las fases de CRISP-
DM.
27
Figura 8. Fases del modelo de referencia CRISP-DM
Fuente: Crisp-Dm 1.0 [26]
4.2.1 Institución educativa

Para el desarrollo del trabajo se contó con el apoyo de la Corporación Universitaria Minuto de
Dios – UNIMINUTO, particular mente de la Sede Cundinamarca, sede que facilitó los datos y el
apoyo para el desarrollo de caso de estudio. Esta institución se constituyó en el año 1990 y
empezó a operar en 1992, inició sus trabajos con 226 estudiantes y en la actualidad cuenta con
más de 79.000 estudiantes distribuidos en 6 sedes, las cuales cubren 14 departamentos del país
[27] .
La sede Cundinamarca comenzó su operación en el año 2000 con dos centros regionales,
Girardot (2000) y Soacha (2002). En abril de 2014 la sede de Cundinamarca era la que tenía el
mayor número de estudiantes con 15.447 lo cual correspondía al 20% de toda la población
estudiantil [27].
En la sede Cundinamarca, el nivel de formación con mayor número de estudiantes es Profesional

Universitario con 78%, seguido de nivel Tecnólogo con 11% y Articulación con 10% [27], es por
ello que el caso de estudio estará enfocado a estudiantes de programas de pregrado, tecnologías
y licenciaturas [27]. Así mismo, el 68% de la población estudiantil son mujeres, el 67%
corresponde a estudiantes tiene una edad entre 16 y 26 años, por otra parte, el 69% de los
estudiantes son estrato 2, el 14% son estrato 3 y el 11% estrato 1 [27].
La sede ofrece en total 34 programas académicos, 8 técnicos profesionales, 12 tecnológicos, 11

universitarios y 3 en posgrado, para estos programas se puede evidenciar que los niveles de
deserción han disminuido en más de 19% por debajo de las cifras nacionales desde que se
implementaron estrategias dirigidas a brindar oportunidades de acceso y permanencia en la
educación superior. Estas estrategias se canalizan a través del área de bienestar estudiantil, y se
28
fundamentan en el acompañamiento a los estudiantes de primer año con estrategias de
aprendizaje, actividades extracurriculares, promoción de hábitos saludables y actividades de
pastoral, entre otras [27]. Sin embargo, estas estrategias se implementan para todos los
estudiantes de primer año independientemente del programa o situación particular.
Figura 9. Deserción estudiantil por metodología de la sede de Cundinamarca

35,0% 31,7%
30,0%
25,0% 22,1%
20,4% 19,8%
20,0%
15,0% 15,5%
15,0% 13,2% 13,4% 12,5%
9,2% 9,9%
10,0%
5,0% 1,7%
0,0%
2008 -2 2009 -2 2010 -2 2011 -2 2012 -2 2013 -2
Distancia Presencial
Fuente: UNIMINUTO Plan de Desarrollo 2013 – 2019 [27]
4.2.2 Recolección de los datos

Tal como se ha indicado previamente, para el desarrollo del caso de estudio se tomó como eje
fundamental el Modelo de Atención Integral al Estudiante - MAIE. Sin embargo al analizar el
modelo se puede encontrar que este está estructurado en cuatro componentes que abordan la
historia de los estudiantes desde la preparación para el ingreso hasta la articulación con el sector
educativo, lo cual es mucho más amplio que el objetivo general del desarrollo de este proyecto,
razón por la cual a partir de este modelo se consideraron aquellos datos de los 4 componentes
que podrían ser analizados para identificar patrones de deserción.
Una vez seleccionada la institución académica en la que se desarrollará el caso de estudio, se

realiza la búsqueda de los datos requeridos para el desarrollo del proyecto; estos datos están
enmarcados en las tres dimensiones en las cuales es estudiado el fenómeno de la deserción. En
la siguiente tabla se presentan los dos datos que se consideran relevantes para el desarrollo del
proyecto.
Tabla 5. Datos relevantes para el desarrollo del caso de estudio

Dimensiones
Socio-vocacional Académica Económico-financiera
Orientación para Sede, Facultad, Nivel, Empleado
seleccionar el programa Programa, Jornada.
académico
Tipo de estudiante Fecha de Matricula Estrato
29
Estado civil al inicio del Fecha Inscripción de Beca
programa Materias
Estado Civil actual Estudios de pregrado Apoyo económico de la
Previos familia
Nivel Educativo del Padre Estudios de pregrado Crédito Educativo
Previos culminados
Nivel educativo de la Puntaje de ICFES Crédito Educativo ICETEX
madre
Padre empleado Icfes Saber 11 Lenguaje Subsidio económico
Madre empleada Icfes Saber 11 Matemática Crédito Cooperativa
Número de hermanos Icfes Saber 11 Ciencias SISBEN
Sociales
Orden de nacimiento Icfes Saber 11 Filosofía
Número de hijos al iniciar Icfes Saber 11 Biología
el programa académico
Estimulo de la familia Icfes Saber 11 Química
Modo de transporte a la Icfes Saber 11 Física
universidad
Tiempo de transporte a la Icfes Saber 11 Ingles
universidad
Etnia Icfes Saber 11 Colegio
Tiempo dedicado el trabajo Modalidad de bachillerato
Lugar de nacimiento Sanción académica
registrada
Lugar de residencia Número de materias
perdidas en el programa
actual
Número de años en ciudad Créditos del programa
de residencia académico
Créditos aprobados del
programa académico.
Promedio académico
Es importante precisar que los datos listados en la tabla anterior son aquellos datos relevantes
para el análisis de la deserción, sin embargo, contar con todos estos datos implica un
levantamiento de información que requiere una preparación logística y tiempo significativo por
parte de la institución académica. Debido a que muchos datos no los tenía la institución
académica, se diseñó una encuesta para obtener la totalidad de los datos pero el levantamiento
de esta información no se ha finalizado. A continuación se presenta una gráfica que muestra el
número de datos deseados versus los datos obtenidos para el desarrollo del caso de estudio.
30
Figura 10. Datos deseados para el análisis de deserción y datos obtenidos
30
25
25
20
20
15
15
10 8
5 3 2
0
Socio-Vocacional Académicos Financieros
Deseados Obtenidos
Por esta razón el caso de estudio se diseñó con los datos a los que se pudo acceder, los cuales
fueron entregados por la institución educativa en 26 archivos distribuidos de la siguiente
manera:
Tabla 6. Tabla archivos con datos utilizados en el caso de estudio

No. de Estudiantes
Archivo Descripción
Relacionados
créditos aprobados Contiene el detalle de los créditos inscritos
botón 14 y créditos aprobados por estudiantes 50.455
280320161123.xls matriculados en los diferentes programas.
Listado de 5 archivos con la información de los
Deserción estudiantes que desertaron en 5 periodos 9.877
académicos
Archivos ICFES 19 archivos con información de resultados
(19 Archivos) ICFES de los estudiantes inscritos por
321.334
periodos académicos desde el 2002 hasta el
primer periodo del 2016.
DATOS FALTANTES Hoja de cálculo con información general de
13-04-2016.xls los estudiantes inscritos en programas de la 61.685
Sede Cundinamarca.
4.2.3 Selección de programas académicos

Debido al enfoque de los programas ofertados en la sede Cundinamarca y a los datos disponibles
para el análisis se decidió trabajar con programas de larga duración, es decir, programas de
pregrado dejando por fuera del análisis cursos libres, diplomados y tecnologías. Tampoco se
analizaron estudiantes matriculados en programas de nivel técnico laboral y especialización toda
vez que no se tenía un número de estudiantes significativos para analizar.
31
El análisis de los datos y la aplicación de algoritmos de minería de datos se aplicaron en dos
niveles, un nivel superior en el que se analizaron todos los estudiantes de los que se tenían datos
para el análisis, en total 18.587 estudiantes de los cuales 4.502 desertaron y otro nivel en el que
se analizaron solo los estudiantes de la facultad de ingeniería, en total 2.726 de los cuales 820
desertaron.
Tabla 7. Número de estudiantes por programas seleccionados para el análisis

Estudiantes Estudiantes no Estudiantes
Programas
desertores desertores analizados
Todos los programas 4.502 (24.22%) 14.085 (75,78%) 18.587
Programas Ingeniería 820 (30.08%) 1.906 (69,92%) 2.726
Los valores que se toman para la característica “Desertó” son asignados a partir de la definición
y clasificación manejada por la entidad la cual es: “Desertor es todo aquel estudiante que no
presenta matricula durante dos periodos consecutivos o más al momento de generar el
consolidado”.
4.3 Ejecución Caso de Estudio

La tercera fase del trabajo consistió en la ejecución del caso de estudio. En esta fase se buscó
adelantar las tareas que permitieron realizar el entendimiento de los datos, la preparación de los
mismos, realizar el modelado y la evaluación y el despliegue.
4.3.1 Preparación de los datos

El proceso de preparación de datos fue uno de los que más tiempo tomo debido al
desconocimiento de la estructura de los datos y las diversas fuentes de datos que tiene la
entidad. Por supuesto en esta fase fue fundamental el apoyo de la entidad que en repetidas
ocasiones aclaró las dudas que se tenían respecto a los datos que se recibieron. Una vez aclaradas
las dudas de los datos se realizó la integración de datos generar un datawarehouse el cual tenía
un total de 53.681 estudiantes. En este almacén de datos se encontraron problemas como datos
vacíos, valores incorrectos, y estudiantes inscritos en programas repetidos. Una vez realizada la
limpieza de datos, quedó un total de 18.634 estudiantes, de los cuales 4.528 desertaron.
Para todos los estudiantes se estructuró un datawareHouse con las siguientes características
Tabla 8. Datos utilizados para el caso de estudio

Dato Descripción
Tipo Estudiante Nominal: B, C, D, E, G, H, I, J, L, N, P, R, S, T, V, W,
X, Y, Z, 0
Sede Nominal: GUA, SOA, MAD, GIR, ZIP, APU, VEG,
VPI, CHC, UBT, PAN, RLP, GCH, MED, SRS
Facultad Nominal: IE, CE, IN, CS, ED, CH, UC, PC, IF, DU
32
Nivel Nominal UG, TC, CL, LI, TP, ES, DP, TL
Programa académico Nominal: ADFU, ADM, AEMD, ASOD, C, CCPI,
CCPU, CFIF, CIIF, CIIN, CLGQ, CLIC, CLIP, CLIU,
CLUC, CLVF, CONP, COPD, CSGP, CSOC, CSOD,
CSRN, DEGO, DGFN, DPLI, EGEU, EGPR, IAGR,
ICIV, LBA, LBH, LIN, LPID, LPIN, PSIC, PSID, TAIN,
TCG, TCGE, TCOS, TGME, TINF, TLEC, TLOG,
TPCE, TPDG, TPFI, TPMM, TRED, TRSO
Jornada Nominal: D, M, N, T
Periodo admisión programa Ordinal
Fecha Admisión Ordinal
Periodo inicio materias Ordinal
Fecha inicio materias Ordinal
Admisión programa Vs Inicio Nominal: Si, No
Materias
Periodos diferencia entre admisión Escala
programa e inicio materias
Tipo de Documento Nominal: CC, TI, CE
Estrato Nominal: 1, 2, 3, 4, 5
SISBEN Nominal: Si, No
Genero Nominal: M, F
Edad admisión programa Ordinal
Edad inscripción materias Ordinal
Estado civil Nominal: L, S, C, P, V, D, R
Etnia Nominal: N, 69, A, 19, A3, 46, 20, 43, 49, 56, 61,
66, 73, 77, 80, 88, 92, A2, A1, A4
Departamento Nacimiento Ordinal
Ciudad Nacimiento Ordinal
Departamento actual Ordinal
Ciudad actual Ordinal
Departamento de nacimiento Vs Nominal: Si, No
Departamento actual
Municipio nacimiento Vs Lugar actual Nominal: Si, No
Créditos inscritos Ordinal
Créditos aprobados Ordinal
Porcentaje Créditos Aprobados Nominal: Bajo, MedioBajo, MedioAlto, Alto
Promedio acumulado Nominal: Bajo, MedioBajo, MedioAlto, Alto
Promedio Icfes Nominal: Bajo, MedioBajo, MedioAlto, Alto
Matemáticas Icfes Nominal: Bajo, MedioBajo, MedioAlto, Alto
Biología Icfes Nominal: Bajo, MedioBajo, MedioAlto, Alto
Filosofía Icfes Nominal: Bajo, MedioBajo, MedioAlto, Alto
Física Icfes Nominal: Bajo, MedioBajo, MedioAlto, Alto
Lenguaje Icfes Nominal: Bajo, MedioBajo, MedioAlto, Alto
Inglés Icfes Nominal: Bajo, MedioBajo, MedioAlto, Alto
Química Icfes Nominal: Bajo, MedioBajo, MedioAlto, Alto
Ciencias Sociales ICFES Nominal: Bajo, MedioBajo, MedioAlto, Alto
Desertor Nominal (Si, No)
33
Las características marcadas con “*” se crearon a partir de las características iniciales. Así mismo,
en la fase de desratización, todos los resultados Icfes se cambiaron de los valores numéricos (de
0 a 100) a un formato nominal con el fin de facilitar el análisis de los datos, este procedimiento
también se realizó para la característica Porcentaje créditos aprobados y Promedio Acumulado.
Los valores utilizados en la etapa de desratización fueron:
Icfes:
 Menor o igual a 30: Bajo
 Mayor a 30 y menor o igual a 45: Medio Bajo
 Mayor a 45 y menor o igual a 70: Medio Alto
 Mayor a 70: Alto
Promedio Acumulado
 Menor o igual a 2: Bajo
 Mayor a 32 y menor o igual a 3: Medio Bajo
 Mayor a 3 y menor o igual a 4: Medio Alto
 Mayor a 4: Alto
Por otra parte, se validó la calidad de los datos eliminando aquello en los que se tenían valores
que superaban los límites admitidos o clasificados de manera incorrecta. Con los datos restantes
se hizo un análisis de valores obteniendo los siguientes resultados.
Tabla 9. Lista de características con valores nulos

No. de valores % de valores Valores
Dato
vacíos o Nulos vacíos Distintos
Tipo Estudiante 0 0% 13
Sede 0 0% 15
Facultad 0 0% 6
Nivel 0 0% 4
Programa académico 0 0% 28
Jornada 0 0% 4
Periodo admisión programa 0 0% 45
* Fecha Admisión 0 0% 25
Periodo inicio materias 0 0% 8
* Fecha inicio materias 0 0% 5
* Admisión programa Vs Inicio 0 0% 2
Materias
* Periodos diferencia entre 0 0% 61
admisión programa e inicio
materias
Tipo de Documento 0 0% 2
Estrato 27 0% 6
SISBEN 0 0% 2
Genero 0 0% 2
Fecha Nacimiento 0 0% 5905
34
* Edad admisión programa 0 0% 317
* Edad inscripción materias 0 0% 322
Estado civil 7 0% 7
Etnia 18 0% 21
Departamento Nacimiento 0 0% 32
Ciudad Nacimiento 0 0% 619
Departamento actual 0 0% 19
Ciudad actual 0 0% 272
* Departamento de nacimiento 0 0% 2
Vs Departamento actual
* Municipio nacimiento Vs Lugar 0 0% 2
actual
Créditos inscritos 408 2% 254
Créditos aprobados 408 2% 195
* Porcentaje Créditos 415 2% 4
Aprobados
Promedio acumulado 12 0% 4
Promedio Icfes 0 0% 3
Matemáticas Icfes 0 0% 4
Biología Icfes 755 4% 4
Filosofía Icfes 894 5% 4
Física Icfes 778 4% 4
Lenguaje Icfes 39 0% 4
Inglés Icfes 3331 18% 4
Química Icfes 770 4% 4
Ciencias Sociales ICFES 4765 26% 4
Desertor 0 0% 2
Para el caso en el que los valores nulos o vacíos de las variables eran bajos (menos del 20%) se
procedió a aplicar la técnica imputación por moda, esta técnica sugiere reemplazar los datos
faltantes faltante de acuerdo a la moda de un grupo apropiadamente definido de valores
disponibles [28]. Para la variable que tiene más del 20% de valores perdido se decidió eliminar la
variable pues aplicar alguna técnica de imputación puede incrementar la probabilidad de errores.
En consecuencia después de aplicar la técnica de imputación de moda y la eliminación de variable
los valores vacíos se deja en cero.
Es importante precisar que la generación de nuevos atributos se realizó una vez integrador todos
los datos en el datawarehouse. En total se crearon seis nuevos atributos considerados relevantes
para analizar el fenómeno de la deserción, estos fueron:
 Inicia materias cuando se inscribe al programa

 Número de periodos entre la admisión al programa y la inscripción de materias
 Edad admisión
 Edad inscripción de materias
 Departamento de nacimiento Vs departamento actual
35
 Municipio de nacimiento Vs municipio actual
En el Anexo 01 se presenta el detalle de los datos con los cuales se adelantó el caso de estudio,
en dicho documento se presenta el tipo de dato, el número de datos perdidos, y el detalle de
cada uno según el tipo.
Debido al número de atributos que se tiene (33) y con el fin de identificar aquellos que son más
relevantes en el análisis de la deserción de los dos conjuntos de datos disponibles se realizó una
selección de atributos, los métodos de análisis de atributos se presenta a continuación
Tabla 10. Análisis de atributos relevantes

Evaluador Sede Cundinamarca Facultad Ingeniería
CfsSubsetEval [29] Créditos inscritos, Porcentaje Tipo de Estudiante, Créditos
créditos aprobados, Promedio aprobados, Porcentaje
programa créditos aprobados, Promedio
GainRatioAttributeEval Porcentaje créditos aprobados, Porcentaje créditos
[29] Promedio, Inicia materias Vs. Aprobados, Promedio, Inicia
Inscribe al programa, Créditos Materias Vs. Inscribe al
Inscritos, Créditos aprobados Programa, Créditos
aprobados, tipo de estudiante
InfoGainAttributeEval Créditos aprobados, Promedio, Créditos aprobados,
[29] Porcentaje créditos aprobados, Porcentaje créditos
créditos inscritos, Periodos de aprobados, Promedio,
ingreso después de matrícula Créditos inscritos, Tipo de
estudiante,
OneRAttributeEval [29] Promedio, Porcentaje Créditos Promedio, Porcentaje Créditos
Aprobados, Créditos aprobados, Aprobados, Créditos
Créditos Inscritos, Estrato aprobados, Créditos Inscritos,
Periodos de ingreso Vs.
Matricula en el programa
PrincipalComponents Facultad, Créditos aprobados, Promedio Icfes, Créditos
[29] Créditos Inscritos, Tipo de Aprobados, Química Icfes, Tipo
Estudiante, Inicia Materias cuando de estudiante, Créditos
se inscribe al programa Inscritos
ReliefFAttributeEval Tipo de estudiante, Sede, Sede, Programa, Jornada,
[29] Programa, Porcentaje créditos Porcentaje Créditos
aprobados, Promedio Aprobados, Promedio
SymmetricalUncertAttr Porcentaje Créditos Aprobados, Porcentaje créditos
ibuteEval [29] Tipo de estudiante, Inicia Materias aprobados, Créditos
cuando se inscribe al programa, aprobados, Promedio, Inicia
Porcentaje créditos aprobados, Materias cuando se inscribe al
Créditos aprobados, Promedio programa, Tipo estudiante
El resultado del análisis de atributos relevantes permitió identificar aquellos significativos para
el análisis de la deserción. El mismo análisis se realizó al datawarehouse con los valores vacíos
36
obteniendo resultados muy similares. En la siguiente tabla se presenta el resultado de este
análisis.
Tabla 11. Atributos relevantes en los conjuntos de datos

Evaluador Sede Cundinamarca Facultad Ingeniería
Créditos Inscritos 6 3
Porcentaje de Créditos Aprobados 6 6
Promedio 6 6
Créditos Aprobados 5 6
Inicia Materias Cuando Se Inscribe al 4 4
Programa
Tipo de Estudiante 2 5
4.3.2 Modelado
En la fase de modelado se realizaron las actividades que permitieron aplicar las técnicas de
minería de datos seleccionadas a los datos preprocesados.
La primera actividad realizada en la fase de modelado es la selección de técnicas de minería de

datos a aplicar. En este caso, las técnicas que se aplicarán se han tomado de la fase 1 del presente
trabajo, en donde se realizó un análisis de las técnicas de minería de datos aplicadas al dominio
de la deserción el cual es el eje central del desarrollo del presente trabajo. Así mismo se validó
la disponibilidad de implementar dichas técnicas en la herramienta seleccionada para el
desarrollo del proyecto como resultado de dicho análisis de concluyo que las técnicas de minería
de datos a aplicar son:
 KNN
 Árbol de Decisión
A partir de los datos disponibles se realizó una distribución de estos con el fin de generar los
grupos de entrenamiento, validación y pruebas a continuación se presenta la distribución de
datos en estos grupos:
Tabla 12. Distribución de datos para entrenamiento, validación y pruebas

Entrenamiento Validación Prueba
Desertó
(40%) (40%) (40%)
Sede Si 1800 1800 900
Cundinamarca No 1809 9459 2817
Facultad Si 328 328 164
Ingeniería No 328 1197 381
De acuerdo a lo anterior, los datos se han distribuido en seis archivos, tres para el análisis de los
estudiantes de la sede Cundinamarca y tres para el análisis de los estudiantes de la facultad de
37
ingeniería. Una vez definidos las técnicas de minería de datos, preprocesado, seleccionadas los
atributos más relevantes y preparados los conjuntos de datos se ejecutaron las técnicas de
minería de datos, esta actividad implicó múltiples ciclos y ajustes en los datos con el fin de
conseguir un modelo que ofreciere altos niveles de confianza.
Los resultados obtenidos aplicando las técnicas seleccionadas para los 6 atributos seleccionados
se presentan a continuación, es de aclarar que los resultados obtenidos se aplicaron a los datos
de entrenamiento respectivamente y posteriormente se validaron estos resultados con los datos
de pruebas.
Resultado árbol de decisión sede Cundinamarca

Para el caso de estudio se trabajó con el algoritmo J48, el cual es una implementación del
algoritmo C4.5, uno de los más utilizados en minería de datos [30]. Después de realizar varios
ajustes el resultado es el siguiente:
Figura 11. Árbol J48 estudiantes sede Cundinamarca
Fuente: Visualizador WEKA
Algoritmo J48
No. total de instancias: 3607
No. de atributos: 7 (Tipo Est., Inicia Materias Cuando Se Inscribe al Programa, Créditos Inscritos,
Créditos Aprobados, % Créditos Aprobados, Promedio, Desertó)
Correctamente Clasificados: 2820 (78,18%)
Incorrectamente Clasificado: 787 (21.81%)
Tiempo construcción del Modelo: 0,03 segundos
38
Resultado árbol de decisión Facultad Ingeniería
Uno de los análisis realizados fue el análisis de los estudiantes inscritos en programas largos de
la facultad de ingeniería el árbol resultado de aplicar el algoritmo J48 a los 6 atributos relevantes
se presenta a continuación:
Figura 12. Árbol J48 estudiantes facultad Ingeniería 6 atributos relevantes
Algoritmo J48
No. de atributos: 7 (Tipo Est., Inicia Materias Cuando Se Inscribe al Programa, Créditos Inscritos,
Créditos Aprobados, % Créditos Aprobados, Promedio, Desertó)
Incorrectamente Clasificado: 185(28.20%)
Así mismo y con el fin de verificar la pertinencia de los atributos seleccionados como relevantes
se corrió el modelo del árbol para los datos de la facultad de ingeniería, pero aplicado a los 29
atributos obtenidos. Lo cual nos dio como resultado lo siguiente:
39
Figura 13. Árbol J48 estudiantes facultad Ingeniería 31 atributos
Algoritmo J48
No. de atributos: 29 (Tipo Est., Sede, Nivel, Programa, Jornada, Inicia Materias Cuando Se Inscribe
al Programa, Periodos de ingreso después de Matricula en la U, Estrato, SISBEN, Genero, Edad
Admisión, Edad Inscripción Materias, Estado Civil, Etnia, Mismo Dpto Nacimiento Ubicación,
Nacimiento Vs Ubicación - Municipio, Créd. Inscritos, Créd. Aprobados, % Créditos Aprobados,
Promedio, Promedio Icfes, Matemáticas, Bilogía, Filosofía, Física, Lenguaje, Inglés, Química,
Desertó)
Incorrectamente Clasificado: 185(28.20%)
Resultado vecinos más cercanos IBk sede Cundinamarca

Para el caso de estudio se trabajó con el algoritmo IBk de Weka el cual es la implementación de
KNN [29]. Después de realizar varios ajustes a la ejecución de IBk para los 6 atributos relevantes
sobre los datos de la sede Cundinamarca se obtuvo el siguiente resultado:
Algoritmo: IBK
No. de atributos: 7
40
Tabla 13. Precisión detallada IBk sede Cundinamarca
Verdaderos Positivos Falsos Positivos Precisión
Si 0,875 0,244 0,783
No 0,756 0,125 0,857
Promedio 0,815 0,185 0,820
Ponderado
Fuente: WEKA
Resultado vecinos más cercanos IBk facultad Ingeniería

Para el caso de estudio se trabajó con el algoritmo IBk de Weka el cual es la implementación de
KNN [29]. Después de realizar varios ajustes a la ejecución de IBk para los 6 atributos relevantes
sobre los datos de la facultad de ingeniería se obtuvo el siguiente resultado:
Algoritmo: IBK
No. de atributos: 7
Tabla 14. Precisión detallada IBk facultad Ingeniería

Si 0,994 0,064 0,939
No 0,936 0,006 0,994
Promedio 0,965 0,035 0,967
Ponderado
Fuente: WEKA
Resultado Clasificador OneR sede Cundinamarca

Para el caso de estudio se trabajó con el algoritmo de clasificación disponible en WEKA OneR.
Este clasificador permite seleccionar el atributo que mejor “explica” el atributo dependiente [30],
obteniendo el siguiente resultado:
Cred. Aprobados:
< 43.5 -> SI
< 44.5 -> No
< 84.5 -> SI
< 85.5 -> No
< 98.5 -> SI
< 99.5 -> No
< 105.5 -> SI
< 106.5 -> No
< 108.5 -> SI
< 110.5 -> No
< 111.5 -> SI
41
< 112.5 -> No
< 113.5 -> SI
>= 113.5 -> No
Algoritmo: OneR
No. de atributos: 7
Correctamente Clasificados: 2786 (77.23%)
Tabla 15. Precisión detallada OneR sede Cundinamarca

Si 0,724 0,179 0,803
No 0,821 0,276 0,747
Promedio 0,772 0,227 0,775
Ponderado
Fuente: WEKA
Resultado Clasificador OneR facultad Ingeniería

La ejecución del algoritmo OneR sobre los datos de la facultad de ingeniería nos arrojó el
siguiente resultado:
Créd. Inscritos:
< 117.5 -> SI
< 118.5 -> No
< 123.5 -> SI
< 125.5 -> No
< 131.5 -> SI
< 135.5 -> No
< 138.5 -> SI
>= 138.5 -> No
? -> SI
Algoritmo: OneR
No. de atributos: 7
Tabla 16. Precisión detallada OneR facultad Ingeniería

Si 0,790 0,268 0,746
No 0,732 0,201 0,777
42
Promedio 0,761 0,229 0,762
Ponderado
Fuente: WEKA
43
5. RESULTADOS
5.1 Resultados fase contextualización

Como resultado de la fase uno del proyecto se obtuvo una revisión detallada de técnicas de
minería de datos aplicadas a entornos educativos desde 1993 hasta el año 2015, adicionalmente
se elaboró una lista de dominios que permite clasificar los casos de estudio e investigaciones de
EDM de acuerdo al objetivo perseguido en los trabajos revisados.
Por otra parte se elaboró una matriz que permite relacionar las técnicas de minería de datos
asociadas a los diferentes dominios identificados en el proceso de revisión. Esta matriz les
permite a los lectores conocer el tipo de técnicas utilizadas para estudiar las diferentes
situaciones que se pueden analizar sobre datos almacenados en sistemas de educación
académica. Dicha matriz es un buen punto de partida y resulta de gran utilidad para aquellas
entidades que deseen analizar situaciones educativas particulares apoyadas en el uso de técnicas
de minería de datos.
5.2 Resultados análisis de datos

En el anexo 2, se presenta el resultado del análisis de los datos, este análisis permite identificar
por cada una atributo y sus posibles valores los estudiantes que han desertado o no. Dentro de
este análisis se puede resaltar que:
 Los estudiantes de tipo reingreso y reintegro tienen mayor probabilidad de deserción
con 0,55, y 0,50 respectivamente, por su parte, los estudiantes de tipo continuo son los
que menor probabilidad tiene de desertar con 0,17.
 Aquellos estudiantes registrados con estrato 6 tiene una probabilidad de deserción
mucho más alta que los estudiantes de estratos más bajos. En el caso de los estudiantes
estrato 6 matriculados en programas en la sede Cundinamarca tiene una probabilidad
de deserción de 0,66, mientras que los estudiantes de otros estratos tiene una
probabilidad de deserción que oscila entre 0,23 y el 0,27.
 Respecto al atributo SISBEN no se identifican diferencias marcadas entre los que tiene
SISBEN o no ya que en cualquier caso la probabilidad de deserción es de 0,24.
 En relación al atributo género se identificó que los hombres tiene una probabilidad de
deserción de 0,28 la cual es mayor a la de las mujeres quienes registran una probabilidad
de 0,22.
 Respecto al atributo estado civil se identificó que aquellos estudiantes con estado civil
divorciado tiene mayor probabilidad de deserción con 0,28 mientras que los estudiantes
con estado civil viudo tienen menos probabilidad de deserción con 0,14.
 Aquellos estudiantes que están matriculados en el mismo departamento en el que
nacieron tiene una probabilidad de deserción de 0,23 un poco menor que aquellos que
estudian en un departamento diferente al departamento de nacimiento quienes tienen
una probabilidad de deserción de 0,27.
44
 Respecto al atributo promedio de programa se identificaron diferencias muy
significativas respecto a los que tienen promedio altos y bajos mostrando una
probabilidad de deserción muy alta para aquellos estudiantes con promedios bajos. Las
probabilidades de deserción según el promedio de la carrera son las siguientes:
o Promedio alto: probabilidad de deserción 0,08
o Promedio medio alto: probabilidad de deserción 0,21
o Promedio medio bajo: probabilidad de deserción 0,64
o Promedio bajo: probabilidad de deserción 0,73
 Respecto al atributo resultado ICFES pudo identificar que los estudiantes con un
resultado bajo tiene una mayor probabilidad de deserción 0,36 que aquellos con ICFES
medio bajo 0,26 o medio algo con probabilidad de 0, 21. Este comportamiento es muy
similar a los obtenidos con el atributo Matemáticas Icfes Biología Icfes, Química Icfes y
Física Icfes en donde se evidencia q los estudiantes con resultados altos en estos
atributos tiene probabilidades menores de desertar que aquellos con resultados bajos
en estas áreas.
5.3 Resultados fase implementación Caso de Estudio

Durante la fase de implementación del caso de estudio se ejecutaron las técnicas de minería de
datos seleccionadas sobre los conjuntos seleccionados y consolidados. La ejecución de las
técnicas se realizó sobre los 29 atributos y sobre los 6 atributos seleccionados después de
ejecutar los 7 algoritmos de identificación de atributos relevantes con el fin de contrastar los
resultados.
Todos los resultados presentados se obtuvieron con el uso de la herramienta WEKA, la cual tiene
un licenciamiento GPL desarrollada por la universidad de Waikato [31]. Esta herramienta fue
seleccionada toda vez que es una de las que más se ha utilizados en proyectos de minería de
datos y aprendizaje de máquina [32]. Otra de las razones que nos llevaron a seleccionar la
herramienta WEKA para el desarrollo de caso de estudio es lo indicado por la IEDMS respecto a
las líneas de investigación futura pues siguieren adelantar casos de estudio apoyados en el uso
de herramientas de código abierto.
Al analizar los resultados obtenidos los cuales no solo se aplicaron a los 6 atributos seleccionados
como relevantes si no a los conjuntos de datos con los 29 atributos se identificó que existen dos
atributos muy significativos en el análisis de la deserción, estos son “Créditos Aprobados” y
“Promedio Programa”. Respecto a los créditos aprobados cuando los estudiantes aprueban más
del 50% de los créditos del programa tiene menor riesgo de desertar y cuando el promedio
académico del programa es medio bajo o bajo las probabilidades de desertar son muy altas
respecto a los otros estudiantes. Este supuesto que se obtuvo en el análisis de los árboles se
corroboró al ejecutar el clasificador OneR sobre los conjuntos de datos confirmando el resultado
obtenido y el análisis realizado.
Por otra parte se identificó que el algoritmo con mayor nivel de aciertos para la sede
Cundinamarca fue el IBk.
45
Tabla 17. Clasificaciones por algoritmos sede Cundinamarca
Correctamente Incorrectamente Tiempo construcción
Clasificados Clasificados del modelo
J48 78,18% 21,81% 0,03 seg.
Ibk 96,49% 3,51% 0,19 seg.
OneR 7723% 22,76% 0,04 seg.
Así mismo para los datos de la facultad de ingeniería se consiguió un mejor resultado con el
algoritmo IBk.
Tabla 18. Clasificaciones por algoritmos facultad de Ingeniería

Correctamente Falsos Positivos Tiempo construcción
Clasificados del modelo
J48 71,79% 28.20% 0,07 seg.
Ibk 93,95% 6.04% 1,37 seg.
OneR 76,06% 23.93% 0,01 seg.
Los resultados obtenidos permitieron corroborar que los atributos seleccionados como
relevantes para el análisis de la deserción resultaron muy apropiados pues en las diferentes
pruebas realizadas se pudo validar la pertinencia de dichos atributos.
46
6. DISCUSIÓN Y CONCLUSIONES
Debido al auge que tiene los sistemas de información en la actualidad, los cuales son parte vital
de todo negocio, y a la gran cantidad de datos que se almacenan en dichos sistemas de
información, emprender un proyecto de minería de datos resulta relativamente sencillo, por
supuesto partiendo del supuesto de que los datos disponibles son de buena calidad. El
almacenamiento ordenado de estos datos no es una situación que se presente muy a menudo
en las organizaciones lo cual implica una gran cantidad de actividades de preprocesado para
llegar a un nivel de madurez que permita adelantar proyecto de minería de datos que resulten
exitosos.
Trabajar el proyecto tomando como uno de los ejes fundamentales el modelo MAIE nos permitió
identificar las necesidades en cuento a los datos que se requerían para adelantar el caso de
estudio. Este modelo separa el análisis de la deserción en 3 dimensiones, las cuales están muy
alineadas con los autores que han estudiado el análisis de la deserción.
Para el desarrollo del caso de estudio se planteó el desarrollo de una encuesta que permitiera
obtener algunos datos de estudiantes tanto desertores como no desertores, sin embargo el
levantamiento de dicha información implicó un tiempo mayor, por ello el caso de estudio se
adelantó con los datos disponibles. La falta de algunos datos fue la principal dificultad para
adelantar el análisis de la deserción en las tres dimensiones indicadas en el modelo MAIE, es por
ello que los resultados obtenidos al ejecutar el análisis de los datos y las diferentes técnicas de
minería de datos arrojaron resultados orientados a la dimensión académica, sin embargo el
planteamiento del desarrollo del proyecto y específicamente las actividades adelantadas con los
datos de la dimensión académica y la ejecución de las técnicas de minería de datos podrían
ampliarse a los datos de las dos dimensiones para llegar a la identificación de patrones más
completos en el análisis de la deserción.
Basados en los resultados obtenidos y al análisis de estos, llama la atención que los resultados
ICFES para las diferentes áreas no son muy relevante cuando se refiere al análisis de deserción
con el uso de las técnicas utilizadas, en general se identificó que los atributos créditos aprobados,
créditos inscritos y promedio de la carrera son muy significativo en el análisis de la deserción.
Por otra parte, en el análisis de los datos se identificó que existe una tendencia respecto a la
probabilidad de deserción y el resultado Icfes, siendo inversamente proporcionar el resultado
Icfes con la probabilidad de deserción.
Basados en los resultados obtenidos también se pudo identificar que la ejecución de algoritmos
de selección de atributos relevantes son muy importantes para simplificar el análisis de datos
cuando se tiene una gran cantidad de atributos. En nuestro caso particular, todas las pruebas
adelantadas tanto para el análisis de la sede Cundinamarca como para la facultad de ingeniería
nos dieron resultados en donde los atributos relevantes aparecían con cierta importancia.
Disponer de los datos identificados y catalogados por dimensiones permitiría realizar el análisis
que se había planeado, dicha disponibilidad de datos facilitaría la identificación de patrones por
cada una de las tres dimensiones analizadas quie en conjunto ofrecerían patrones mucho más
47
completos orientados a la disminución de los niveles de deserción enfocadas a situaciones
particulares (por dimensiones) y no general, tal como se hace en la actualidad.
48
7. REFERENCIAS
[1] I. Society, “Informe Global de Internet 2014,” p. 12, 2014.
[2] R. Mason and F. Rennie, E-learning and social networking handbook: Resources for higher
education. 2013.
[3] C. A. Nacional, Ministerio de Educación, “Cifras generales de deserción 2014 SPADIES,”

Minist. Educ. Nac., vol. 57, no. 1, pp. 10–15, 2014.
[4] C. Romero and S. Ventura, “Educational data mining: A review of the state of the art,”
IEEE Trans. Syst. Man, Cybern. C Appl. Rev., vol. 40, no. X, pp. 601–618, 2010.
[5] C. Arturo and C. Isaza, “Estudio de causas de deserción de los estudiantes de la

universidad la técnica de análisis de correspondencias simples,” no. 30, pp. 261–266,
2006.
[6] G. J. Paramo and C. A. C. Maya, “Deserción estudiantil universitaria. Conceptualización,”

Revista Universidad EAFIT, vol. 35, no. 114. pp. 65–78, 2012.
[7] Ministerio de Educación Nacional, “Capital Humano para el avance colombiano,” 2010.
[8] U. de los Andes, “Determinantes de la Deserción,” vol. 25, no. 49, pp. 122 – 164, 2014.
[9] ICETEX, “Modelo de Atención Integral al Estudiante - MAIE,” 2011.
[10] C. Romero and S. Ventura, “Data mining in education,” Wiley Interdiscip. Rev. Data Min.
Knowl. Discov., vol. 3, no. 1, pp. 12–27, Jan. 2013.
[11] O. Scheuer and B. M. Mclaren, “Educational Data Mining,” 2011.
[12] B. R, Sánchez-Guzmán A, and R. García, “Minería de datos educativa: Una herramienta

para la investigación de patroness de aprendizaje sobre un contexto educativo.
(Spanish),” Latin-American J. Phys. Educ., vol. 7, no. 4, pp. p662–668, 2013.
[13] H. Jiawei and M. Kamber, “Data mining: concepts and techniques,” San Fr. CA, itd Morgan
Kaufmann, pp. 377–385, 2001.
[14] MINTIC, “Panorama TIC | Publicado en marzo de 2015,” PanoramaTIC, 2015.
[15] S. D. Pérez César, “Minería de datos conceptos, técnicas y sistemas,” p. 789, 2007.
[16] F. Virseda Benito and J. Carrillo, “Minería de datos y aplicaciones,” 2008, p. 8.

49
[17] G. Siemens and R. S. J. D. Baker, “Learning analytics and educational data mining,” Proc.
2nd Int. Conf. Learn. Anal. Knowl. - LAK ’12, p. 252, 2012.
[18] R. S. J. Baker and K. Yacef, “The state of educaitonal data mining in 2009: A review and
future visions,” J. Educ. Data Min., vol. 1, no. 1, pp. 3–17, 2009.
[19] C. Romero and S. Ventura, “Educational data mining: A survey from 1995 to 2005,” Expert
Syst. Appl., vol. 33, no. 1, pp. 135–146, 2007.
[20] R. S. j. d. B. G. Siemens and R. S. j. d. B. G. Siemens, “Learning analytics and educational

data mining: towards communication and collaboration,” Proc. 2nd Int. Conf. Learn. Anal.
Knowl., 2012.
[21] P. S. Baker, Ryan S J, “Educational data mining and learning analytics,” 2014.
[22] D. G. Reina, S. L. Toral, and F. Barrero, “Metodologías de Análisis de los Big Data en las
Plataformas Educativas.”
[23] A. Rodríguez and J. González, “Prospección de la colaboración utilizando herramientas de

minería de datos en ambiente abiertos de aprendizaje colaborativo con el objetivo de
mejorar la gestión del proceso de colaboración,” 2009.
[24] E. Hochsztain, “MoDaWeEd : un framework que integra Moodle , Data Mining y Web
Usage Mining en el ámbito de la Educación,” Moodlemoot, no. Minian 1999, pp. 1–5,
2011.
[25] E. García Salcines, “Usando minería de datos para la continua mejora de cursos E-
Learning,” UNIVERSIDAD DE CÓRDOBA, 2012.
[26] P. Chapman, J. Clinton, R. Kerber, T. Khabaza, T. R. Daimlerchrysler, C. S. Spss, and R. W.

Daimlerchrysler, “Crisp-Dm 1.0,” 2000.
[27] UNIMINUTO, “UNIMINUTO Plan de Desarrollo 2013 - 2019,” p. 320, 2013.
[28] B. Ezequiel, “Un proceso de transformación de datos para proyectos de explotación de

información,” Un proceso Transform. datos para Proy. Explot. Inf., vol. 1, no. 2, p. 90,
2013.
[29] I. H. Witten, E. Frank, and M. a Hall, Data Mining: Practical Machine Learning Tools and
Techniques (Google eBook). 2011.
[30] M. G. Jiménez and a. Á. Sierra, “Análisis de Datos en WEKA–Pruebas de Selectividad,”

It.Uc3M.Es, pp. 1–9, 2003.
50
[31] M. Hall, E. Frank, and I. H. Witten, “Practical Data Mining Tutorial 1 : Introduction to the
WEKA Explorer,” 2012.
[32] D. García Morate, “MANUAL DE WEKA,” 2012.
51

Tesisi Analisis

Cargado por

Copyright:

Formatos disponibles

Tesisi Analisis

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesisi Analisis

Cargado por

Copyright:

Formatos disponibles

INSTITUCIÓN UNIVERSITARIA POLITÉCNICO GRANCOLOMBIANO

FACULTAD DE INGENIERÍA Y CIENCIAS BÁSICAS

Análisis de deserción en una Institución de Educación Superior

2. MARCO TEÓRICO ................................................................................................. 10

3. MARCO METODOLÓGICO .................................................................................... 20

4. DESARROLLO E IMPLEMENTACIÓN ...................................................................... 22

6. DISCUSIÓN Y CONCLUSIONES .............................................................................. 47

1.1 Objetivo General

1.1.1 Objetivos Específicos

Uno de los principales problemas que se presentan en la educación superior en la actualidad es

1.3 Planteamiento del problema

En este capítulo se busca contextualizar al lector en los conceptos relevantes en el desarrollo de

Tabla 1. Abandono de estudios por semestre.

En Colombia, la entidad encargada de analizar las cifras de deserción en educación superior es el

2.2 Modelo de Atención Integral al Estudiante MAIE

El objetivo primordial del MAIE es en brindar oportunidades de acceso y permanencia en la

COMPENSACION INCLUSION EFECTIVIDAD EMPLEABILIDAD

Orientación Focalización para medio Empleo del Para la

Vocacional la admisión Egresado Empleabilidad

Calidad Acompañamiento Graduación Seguimiento

Financiera financiación crédito

2.3 Educación tradicional

2.4 Tipos de ambientes educativos

En un inicio estás aplicaciones fueron de escritorio y se ejecutaban en computadores sin

Otros tipos de Sistemas de Educación basada por Computador (CBE)

Figura 2. Tipos de entornos y sistemas educativos tradicionales y basados en computadoras

Fuente: Data mining in education. [10].

2.6 Minería de Datos:

La minería de datos es un campo multidisciplinario que permite obtener información relevante

Figura 3. Clasificación técnicas minería de datos

2.6.1 Implementación de un proyecto de Minería de Datos

2.7 Minería de Datos para la Educación

La información de los sistemas educativos en la actualidad almacena grandes cantidades de

Figura 4. Principales áreas involucradas en la minería de datos para la educación

Fuente: Data mining in education. [10]

Fuente: Elaboración propia tomado de http://www.scopus.com y http://www.sciencedirect.com propia el 10 de

2.7.2 Conferencias internacionales

1. EDM’08: 1st International Conference on Educational Data Mining

En la tabla No. 2 se presenta el detalle de los trabajos aceptados en la conferencia internacional

Educational Data Mining

2.7.3 Líneas de investigación futuras

1. Cerrando el ciclo entre investigación de datos en educación y resultados educativos.

Figura 6. Metodología de la investigación

Fuente: Elaboración propia

3.1 Fase 1. Contextualización para el desarrollo del trabajo

3.2 Fase 2: Diseño del caso de estudio

3.3 Fase 3: Ejecución del caso de estudio

4.1 Documentación General del Proyecto

4.1.1 Clasificación de técnicas de minería de datos utilizadas en entornos

1. Revisión de trabajos en los cuales se han utilizado técnicas de minerías de datos en

4.1.2 Trabajos clasificados por técnicas de minerías de datos

Tabla 3. Consolidado de trabajos revisados por técnicas de minería de datos

Figura 5. Clasificación de trabajos por técnicas de minería de datos

Fuente: Elaboración Propia

4.1.3 Clasificación de trabajos por dominios educativos.

 Análisis de Deserción o Retención: trabajos en los cuales se analizan factores

Tabla 4. Clasificación de trabajos por dominios presentes en la educación.

Figura 7. Clasificación de trabajos por dominios presentes en la educación

Fuente: Elaboración propia