Modelo predictivo basado en machine learning para la reducción de la deserción estudiantil en las universidades privadas del Perú: caso Universidad Privada San Juan Bautista

Abstract

Objetivo: Desarrollar un modelo predictivo basado en Machine Learning que contribuya en la determinación de estrategias efectivas para la reducción de la deserción estudiantil en las Universidades Privadas del Perú. Método: El estudio tiene un enfoque cuantitativo, se clasifica como un estudio de tipo aplicado, de nivel explicativo, diseño preexperimental de corte longitudinal, tomó como población a los estudiantes de la carrera de Ingeniería de Sistemas de la Universidad San Juan Bautista año 2023, se realizaron diversas pruebas para evaluar la eficiencia, precisión, confiabilidad y efectividad del proceso. La muestra consistió en 104 estudiantes seleccionados aleatoriamente a través de un muestreo probabilístico para análisis, la recopilación de datos se realizó extrayendo de la database proporcionada. Resultados: Se resalta la importancia del modelo predictivo desarrollado en cuanto a la precisión, confiabilidad y efectividad para la predicción de la deserción estudiantil en las universidades privadas del Perú, a través de los factores personales, académicos y socioeconómicos, el algoritmo empleado es Bosque Aleatorio (Random Forest) a través de sus diferentes librerías. Conclusiones: La precisión del modelo predictivo en la identificación de factores personales en la deserción estudiantil se ha beneficiado significativamente con el uso de herramientas avanzadas de software. Estas plataformas permiten la implementación de algoritmos de aprendizaje automático, la confiabilidad del modelo predictivo para la determinación del impacto de los factores académicos en la deserción estudiantil ha sido evaluada utilizando herramientas como Python, R y otros, que ofrecen una variedad de bibliotecas y funciones especializadas para el análisis estadístico y la modelización de datos, La efectividad del modelo predictivo para cuantificar la influencia de factores socioeconómicos se ha potenciado mediante el uso de herramientas de análisis de datos avanzadas.