An actionable learning path-based model to predict and describe academic dropout

• Cristian Olivares-Rodríguez ^[1] ; Pedro Manuel Moreno-Marcos ^[2] ; Eliana Scheihing Garcia ^[3] ; Pedro J. Muñoz-Merino ^[2] ; Carlos Delgado-Kloos ^[2]
  1. [1] Universidad Alberto Hurtado

     Universidad Alberto Hurtado

     Santiago, Chile

     
  2. [2] Universidad Carlos III de Madrid

     Universidad Carlos III de Madrid

     Madrid, España

     
  3. [3] Universidad Austral de Chile

     Universidad Austral de Chile

     Valdivia, Chile

     

  Mostrar afiliaciones +
• Localización: Ingeniería e Investigación, ISSN-e 2248-8723, ISSN 0120-5609, Vol. 44, Nº. 2, 2024
• Idioma: inglés
• DOI: 10.15446/ing.investig.109389
• Títulos paralelos:
  • Un modelo accionable basado en el camino de aprendizaje para predecir y describir la deserción académica
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La predicción y explicabilidad de la deserción estudiantil en programas académicos es un asunto importante, pues impacta a estudiantes, familias e instituciones. Sin embargo, los principales esfuerzos en este sentido se han centrado en el poder predictivo, aunque la explicabilidad es más relevante para los tomadores de decisiones. Los objetivos de este trabajo fueron proponer un modelo novedoso de explicabilidad para predecir la deserción, analizar su poder descriptivo para proporcionar explicaciones sobre configuraciones clave en trayectorias académicas y comparar el modelo con otros enfoques bien conocidos en la literatura, incluyendo el análisis de los factores clave en la deserción estudiantil. Para ello, se utilizaron datos académicos de un programa de Ingeniería en Informática, así como tres modelos: (i) un modelo tradicional basado en indicadores generales de rendimiento estudiantil, (ii) un modelo normalizado con indicadores generales separados por semestre y (iii) un modelo de configuración novedoso que considera el rendimiento de los estudiantes en conjuntos específicos de cursos. Los resultados mostraron que el modelo de configuración, a pesar de no ser el más poderoso, podría proporcionar predicciones tempranas precisas, asícomo información accionable a través del descubrimiento de configuraciones críticas, las cuales podrían ser consideradas por los directores de programa al asesorar a los estudiantes y diseñar planes de estudio. Además, se encontró que la nota promedio y la tasa de cursos aprobados fueron las variables más relevantes en los modelos reportados en la literatura, y que estas podrían caracterizar configuraciones. Finalmente, es notable que el desarrollo de este nuevo método puede ser muy útil para hacer predicciones y que puede proporcionar nuevas perspectivas al analizar planes de estudio y al tomar mejores decisiones de asesoramiento e innovación.

  • English

    The prediction and explainability of student dropout in degree programs is an important issue, as it impacts students, families, and institutions. Nevertheless, the main efforts in this regard have focused on predictive power, even though explainability is more relevant to decision-makers. The objectives of this work were to propose a novel explainability model to predict dropout, to analyze its descriptive power to provide explanations regarding key configurations in academic trajectories, and to compare the model against other well-known approaches in the literature, including the analysis of the key factors in student dropout. To this effect, academic data from a Computer Science Engineering program was used, as well as three models: (i) a traditional model based on overall indicators of student performance, (ii) a normalized model with overall indicators separated by semester, and (iii) a novel configuration model, which considered the students’ performance in specific sets of courses. The results showed that the configuration model, despite not being the most powerful, could provide accurate early predictions, as well as actionable information through the discovery of critical configurations, which could be considered by program directors could consider when counseling students and designing curricula. Furthermore, it was found that the average grade and rate of passed courses were the most relevant variables in the literature-reported models, and that they could characterize configurations. Finally, it is noteworthy that the development of this new method can be very useful for making predictions, and that it can provide new insights when analyzing curricula and and making better counseling and innovation decisions.