Metodología para la detección temprana de la deserción de los estudiantes del pregrado Sistemas de Información en la asignatura Lógica y Programación del Instituto Tecnológico Metropolitano
Bibliographic record
Abstract
La deserción universitaria está supeditada al estudio de sus causas y factores que lo determinan, así como las acciones que se deben tomar para disminuirla (Salcedo Escarria, A., 2010) -- Es por esto que los diagnósticos realizados con las metodologías adecuadas que permitan predecir ésta con mayor efectividad, deben posibilitar la ejecución de planes de acción que permitan la consecución de recursos, evitar la superpoblación universitaria, impedir deficiencias docentes, invertir en bienestar estudiantil, becas, subsidios, entre otros, diseñar currículos adecuados e incluir la solución de otros problemas inherentes a la universidad que inciden directamente en la deserción -- El objetivo de este trabajo de grado consiste en investigar y proponer una metodología que permita identificar las causas y los factores por los cuales el estudiante de la asignatura “Lógica de Programación” no logra adquirir las competencias durante su periodo académico, poder alertarle de manera individual y sugerirle las acciones a tomar -- Mediante un estudio de campo, se logra identificar las debilidades y fortalezas del estudiante que pierde y del estudiante que gana respectivamente la asignatura, logrando encontrar perfiles y proponer tareas con el fin de aumentar la retención académica -- Se determina aplicar la metodología a la asignatura “Lógica de Programación” ya que es el pilar fundamental para el desarrollo de software, es una de las asignaturas con mayor deserción académica dentro de la tecnología de Sistemas de Información, se cuenta con más de 20 años de experiencia en el área, además, pertenece al segundo semestre y de acuerdo con el MEN (Ministerio de educación nacional), es en los dos primeros semestres donde hay mayor deserción universitaria en Colombia -- Como trabajo futuro se propone el desarrollo de un sistema de información para la implementación de la metodología propuesta, utilizando la Minería de datos educativa
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.003 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.003 | 0.000 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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; both teacher heads agree on what is shown here.
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".