El Dr. Eduardo Silva Alvarado, director de la Fundación Universitaria Iberoamericana (FUNIBER), en su sede en Guatemala, participa en un estudio que contrasta diversas técnicas de predicción del abandono de los estudios de postgrado online en etapas avanzadas con el fin de proponer un modelo más eficiente.
Actualmente, el desarrollo del aprendizaje en línea supone un gran desafío para las instituciones educativas en todo el mundo. Dos de estos desafíos son la falta de conocimiento sobre la metodología del aprendizaje en línea y la brecha digital, ya que, no todos los estudiantes se sienten cómodos con los procedimientos virtuales ni tienen las mismas oportunidades de acceso a las herramientas tecnológicas.
Aunque el número de estudiantes que se inscriben en los programas en línea ha aumentado, esto también ha resultado en tasas altas de abandono e insatisfacción entre los estudiantes, especialmente, en comparación con los estudios en un campus presencial. Esto se aplica, principalmente, a los cursos online masivos y abiertos, habitualmente gratuitos, conocidos como MOOCs, que pueden tener tasas de abandono superiores al 80%. Por lo tanto, predecir y retener a los estudiantes se ha convertido en un reto crucial.
La tasa de graduación y el abandono en los estudios universitarios se consideran indicadores de la eficacia de las instituciones educativas y puede afectar su reputación e incluso la obtención de becas y fondos gubernamentales. Las causas de abandono universitario son complejas y están influenciadas por diversos factores psicológicos, sociales, económicos y organizativos.
Se puede clasificar el abandono en términos de duración (temporal o definitivo) y comportamiento individual (motivos académicos o de forma voluntaria). Otra forma de clasificación del abandono hace referencia al momento en que se produce el mismo, distinguiendo entre abandono inicial, temprano y tardío. En este contexto, es importante señalar que este estudio se enfoca en el abandono voluntario y tardío definitivo durante la fase del desarrollo del Trabajo de Fin de Máster (TFM).
Para abordar esta problemática, los investigadores contrastaron los beneficios de la técnica de ajuste del umbral de probabilidad óptima con otras técnicas de procesamiento de datos desequilibrados, en su aplicación a la predicción del abandono tardío de los estudiantes de posgrado en cursos de educación a distancia en dos universidades de la región iberoamericana: la Universidad Europea del Atlántico (UNEATLANTICO) y la Universidad Internacional Iberoamericana de México (UNINI México), parte de la red Universitaria en la que FUNIBER participa. La finalidad última es reducir la brecha entre los modelos tradicionales utilizados en la educación presencial y el entorno del aprendizaje en línea, al aplicar herramientas de aprendizaje automático para tomar decisiones específicas. Este enfoque se centra en la técnica de ajuste óptimo de probabilidades para predecir el abandono de los estudios universitarios de postgrado en fases avanzadas o tardías. Esto puede ser aplicado de manera independiente o en conjunto con otras técnicas, atributos o algoritmos.
De acuerdo con la metodología utilizada, se confirmó que un modelo de consenso complejo (con umbral de 0,463) y el modelo Random Forests obtuvieron métricas similares. El ajuste de los umbrales óptimos de probabilidad en los modelos base demostró la robustez del modelo de Random Forests al lograr un equilibrio entre la precisión (0,56) y la recuperación (0,55), utilizando un umbral cercano al valor por defecto de 0,5 (0,427). Esto demuestra que un modelo base de Random Forests ajustado con un umbral óptimo proporciona resultados sólidos y evita la necesidad de utilizar técnicas de alteración de datos que podrían introducir errores.
Se encontró que las variables significativas estaban relacionadas principalmente con el entorno académico y se observó que las variables con un componente temporal explícito, como la duración de las asignaturas, la duración del estatus académico y las prórrogas, eran las que tenían mayor importancia a la hora de diferenciar entre distintas clases en el contexto del abandono tardío. Las variables sociales y demográficas no parecían influir tanto en esta situación.
Los resultados sugieren que el enfoque de ajustar el umbral de probabilidad óptima proporciona una mejor generalización del modelo de predicción de abandono tardío en comparación con otras técnicas de remuestreo de datos. Sin embargo, se deben considerar más variables y se recomienda ampliar la población muestreada, utilizar recursos adicionales como Python, y mejorar los algoritmos de aprendizaje automático en futuras investigaciones.
Este estudio innovador marca un hito en el ámbito académico, generando esperanzas a las universidades para intervenir de manera oportuna y brindar el apoyo adecuado a los estudiantes que puedan estar en riesgo de abandonar sus estudios, principalmente, en su última fase de estudio. De esta manera, se minimizan las tasas de abandono en fases avanzadas.
Si quieres conocer más sobre este estudio, clic aquí.
Para leer más investigaciones, consulta el repositorio de UNEATLANTICO. La Fundación Universitaria Iberoamericana (FUNIBER) ofrece la Maestría en Educación con especialidad en las TIC en la Educación. Un programa orientado al desarrollo de las competencias digitales del profesorado del siglo XXI y la aplicación de la tecnología a la educación.