SIDE – SISTEMA INTELIGENTE DE DETECCIÓN DE DESERCIÓN

APLICACIÓN EN UNA INSTITUCIÓN EDUCATIVA FEDERAL

Resumen

Controlar la deserción escolar requiere acciones integradas y un compromiso colectivo para asegurar que todos los estudiantes tengan acceso a una educación de calidad. Las instituciones de educación superior deben tomar medidas para prevenir la deserción, que pueden incluir ofrecer programas de apoyo académico y financiero, crear pasantías y oportunidades laborales para los estudiantes, crear conciencia sobre la importancia de la educación superior, entre otras medidas. El aprendizaje automático es una herramienta valiosa para prevenir la deserción escolar, ya que permite la recopilación y el análisis de datos para identificar a los estudiantes en riesgo, personalizar los programas de apoyo, monitorear el progreso y evaluar la efectividad de los programas de prevención. En Brasil, según la PNAD (Pesquisa Nacional por Amostra de Domicílios), en 2019, alrededor del 89,2% de la población, entre 15 y 17 años, estaba incluida en la tasa de escolaridad, lo que demuestra el largo camino por recorrer para llegar a la universalización propuesta en la Constitución de 1988. Así, esta investigación tuvo como objetivo desarrollar un sistema de evasión utilizando la minería de datos y el aprendizaje automático, como un medio eficiente para identificar la evasión en las instituciones educativas. Con base en información de los estudiantes del Instituto Federal de Educación, Ciencia y Tecnología – IFSP campus Itapetininga, fueron obtenidos datos como lugar de residencia, medio de transporte utilizado para llegar a la institución, motivación para matricularse, entre otros factores que son significativos en el análisis de la probabilidad de que un estudiante abandone los estudios. El programa demostró quién tiene más probabilidades de abandonar el cuerpo estudiantil, ayudando a los administradores a asignar recursos y tomar las decisiones necesarias. Los resultados obtenidos en los dos modelos tuvieron una precisión del 86% en un modelo para el análisis de abandonos y otro modelo con una precisión de hasta el 100% con pequeñas oscilaciones debido a la falta de coherencia de algunos de los datos proporcionados.