Modelo de Machine Learning para predecir la deserción universitaria a partir de factores socioeconómicos y académicos

Izquierdo Marin, Sandra Sofia; Torres Navarrete, William Robert

Modelo de Machine Learning para predecir la deserción universitaria a partir de factores socioeconómicos y académicos

dc.contributor.advisor	Soria Quijaite, Juan Jesús
dc.contributor.author	Izquierdo Marin, Sandra Sofia
dc.contributor.author	Torres Navarrete, William Robert
dc.date.accessioned	2024-07-14T18:22:52Z
dc.date.available	2024-07-14T18:22:52Z
dc.date.embargoEnd	2026-04-02
dc.date.issued	2025-04-02
dc.description.abstract	El estudio se centró en generar un modelo de Machine Learning que pueda predecir la deserción de los estudiantes de la Universidad Católica de Trujillo en el periodo 2021-2022, a partir de factores socioeconómicos y académicos, cuya efectividad sea superior al 75%. El diseño metodológico de este estudio fue mixto, ya que no solo utilizó un método estadístico, sino también el análisis documental de casos, los cuales están recolectado de forma numérica y categórica para determinar la relación entre factores socioeconómicos y académicos y la deserción universitaria de los estudiantes, así como explicar y predecir a través de ellos escenarios futuros de la variable dependiente. La población estudiada consistió en dos cohortes (2021 y 2022) de 11 carreras de nivel pregrado dictadas en la Universidad Católica de Trujillo; totalizando 3156 alumnos, de los cuales 789 han abandonado los estudios (índice de deserción del orden del 25%). En conclusión, el modelo propuesto es significativo (p- value: 0) en base a cuatro factores predictores (lugar de procedencia, hermanos, institución educativa de egreso y cantidad de cursos desaprobados). Además, los factores socioeconómicos abordados si se relacionan de forma significativa con la deserción universitaria, a excepción del género (masculino y femenino), cuya relación no es significativa (chi2=,338). Además, los resultados obtenidos mediante el análisis de chi- cuadrado indica que todos los factores académicos están relacionados de forma significativa. Finalmente, el modelo es capaz de clasificar correctamente 98.7% de las observaciones de entrenamiento.
dc.format	application/pdf
dc.identifier.uri	http://repositorio.upeu.edu.pe/handle/20.500.12840/7717
dc.language.iso	spa
dc.publisher	Universidad Peruana Unión
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/embargoedAccess
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject	Machine Learning
dc.subject	Deserción
dc.subject	Factores socioeconómicos y académicos
dc.subject.ocde	http://purl.org/pe-repo/ocde/ford#1.01.03
dc.title	Modelo de Machine Learning para predecir la deserción universitaria a partir de factores socioeconómicos y académicos
dc.type	info:eu-repo/semantics/bachelorThesis
renati.advisor.dni	21504919
renati.advisor.orcid	https://orcid.org/0000-0002-4415-8622
renati.author.dni	07636301
renati.author.dni	42796297
renati.discipline	542039
renati.juror	Altez Ortiz, Ethel
renati.level	http://purl.org/pe-repo/renati/nivel#tituloSegundaEspecialidad
renati.type	http://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Segunda Especialidad en Estadística Aplicada para Investigación
thesis.degree.grantor	Universidad Peruana Unión. Unidad de Posgrado de Ingeniería y Arquitectura
thesis.degree.name	Segunda Especialidad Profesional de Ingeniería: Estadística para Investigación