Este trabajo apunta a encontrar mediante algoritmos de aprendizaje automático el mejor modelo en términos de eficacia en costos para predecir tempranamente deserción en ciertos cursos universitarios breves en línea y de pago, con el fin de guiar futuras acciones retentivas y minimizar así el impacto económico del abandono.
La intención no fue trabajar sobre las causas del problema. El desafío fue, más bien, encontrar un modo de predecir lo antes posible quiénes serán desertores en un contexto en el cual no hay tiempo o medios de conocer sus motivos y donde la principal fuente de datos consiste en las interacciones de los estudiantes con la plataforma virtual.
Lo ideal sería que los docentes no utilicen tiempo (que tiene un costo) para ejercer este tipo de acciones con quienes no van a desertar y que sí lo hagan con los que estén en riesgo. Por eso, para medir la efectividad de la predicción, priorizamos hacerlo en términos del beneficio económico de cada deserción evitada y del costo de cada acción de retención realizada. Denominamos impacto a la métrica así generada.
 |
| Figura 1. Programa recursivo |
El alcance de este artículo es responder la pregunta inicial del programa recursivo ilustrado en la figura 1, teniendo en mente que la ejecución iterada de las acciones de dicho programa, a su vez, conducirá a optimizar la respuesta.
---
Cómo referenciar este artículo: Urteaga, I., Siri, L., y Garófalo, G. (2020). Predicción temprana de deserción mediante aprendizaje automático en cursos profesionales en línea. RIED. Revista Iberoamericana de Educación a Distancia, 23(2), pp. 147-167. https://doi.org/10.5944/ried.23.2.26356
