Hacia un sistema de detección temprana del riesgo de abandono en entornos en línea

• M. Elena Rodríguez ^[1] ; David Bañeres ^[1] ; Ana Elena Guerrero-Roldán ^[1]
  1. [1] Universitat Oberta de Catalunya

     Universitat Oberta de Catalunya

     Barcelona, España

     
• Localización: Actas de las Jornadas sobre la Enseñanza Universitaria de la Informática (JENUI), ISSN 2531-0607, Nº. 7, 2022, págs. 207-214
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    El abandono del estudiantado constituye un tema de preocupación en educación superior, y en especial en universidades en línea. En este trabajo se presenta un modelo de predicción, basado en algoritmos de aprendizaje automático, capaz de detectar de forma temprana estudiantado en riesgo de abandonar una asignatura. Para ello, el modelo analiza datos sobre el perfil del estudiantado, así como de su progresión y nivel de implicación en la asignatura, proporcionando una predicción diaria del riesgo de abandono. El modelo se integra en un sistema de alerta temprana capaz de realizar intervenciones orientadas a evitar el abandono y que ofrece diferentes cuadros de mando al profesorado. El sistema es configurable por el profesorado a nivel del contenido de las intervenciones y el número de días consecutivos que el estudiantado es marcado en riesgo por el modelo para considerarlo un abandono potencial. El sistema se ha probado en una asignatura de primer año del Grado de Ingeniería Informática en el primer semestre del curso académico 2020-2021.

  • English

    Course dropout is a challenging problem in higher education, especially in online universities. This paper presents a predictive model based on machine learning techniques to detect at-risk course dropout learners early. To this end, the model analyzes data from learners’ profile, performance, and course engagement, providing a course dropout daily prediction. The model is integrated within an early warning system able to perform interventions oriented to avoid dropout. It also offers different dashboards to the teachers. The system is configurable by the teachers to define the contents of the interventions and the number of consecutive days that the learners should be detected at-risk by the model to be considered a potential dropout. The system has been tested in a first-year undergraduate course of the Degree of Computer Science in the first semester of the 2020- 2021 academic year.