Inteligencia artificial para la prevención de la deserción estudiantil
Bibliographic record
Abstract
Este trabajo aborda el problema de la deserción escolar, un fenómeno complejo con graves consecuencias sociales y educativas. Se destaca la necesidad de encontrar soluciones innovadoras para prevenirla. El objetivo principal del estudio es desarrollar un sistema basado en inteligencia artificial que permita identificar de manera proactiva a los estudiantes en riesgo de abandonar sus estudios, con el fin de implementar estrategias de intervención oportunas. Se emplean técnicas de aprendizaje automático para analizar grandes conjuntos de datos de estudiantes. Estos datos incluirán información académica, sociodemográfica y contextual. A partir de estos datos, se entrenarán modelos predictivos que permitirán identificar patrones asociados a la deserción y así predecir qué estudiantes están más propensos a abandonarla. Los resultados preliminares muestran que los modelos de aprendizaje automático, especialmente los basados en árboles de decisión, son capaces de identificar con bastante precisión a los estudiantes en riesgo de deserción. Además, se ha identificado que factores como el rendimiento académico y las condiciones socioeconómicas son determinantes en la decisión de abandonar los estudios. Los hallazgos demuestran el potencial de la inteligencia artificial para reducir significativamente las tasas de deserción estudiantil. Los modelos predictivos desarrollados permiten identificar a los estudiantes en riesgo de manera temprana, lo que facilita la implementación de medidas de apoyo y seguimiento. Sin embargo, se reconoce que la deserción es un fenómeno multifactorial y que la solución requiere de un enfoque integral que involucre a diferentes actores y niveles.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.017 | 0.068 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".