Correo Electrónico
DNINFOA - SIA
Bibliotecas
Convocatorias
Identidad U.N.
Publicado
Analysis of Academic Data to Group Students According to Their Academic Risk
Agrupamiento de información académica para identificar estudiantes según su riesgo académico
DOI:
https://doi.org/10.15446/rce.v47n2.112870Palabras clave:
K-means, Fuzzy C-means, Bootstrap clustering, Academic triage. (en)K-medias, Fuzzy C-medias, Bootstrap clustering, Triage académico. (es)
Descargas
The Consillium Academica initiative, spearheaded by the academic vice deanship of the Faculty of Sciences at Universidad Nacional de Colombia in Bogotá, is based on a comprehensive clustering analysis of undergraduate students. This study leverages data spanning from the 2012-1S to 2022-2S academic terms to semi-automatically identify a group of students consistently exhibiting academic underperformance each semester with a potential high risk of academic dropout. The methodology employed in this initiative serves as a proactive measure to identify and support students at risk, to improve the effectiveness of the intervention strategies of the tutor-teacher program, facilitating direct contact between mentors and identified students to provide personalized guidance and academic advisement. This article presents the methodology, key findings, and implications of the Consillium Academica initiative, shedding light on its potential to fortify academic support systems and contribute to the overall success and retention of undergraduate students.
La iniciativa Consillium Academica, liderada por la vice decanatura académica de la Facultad de Ciencias en la Universidad Nacional de Colombia sede Bogotá, lleva a cabo un exhaustivo análisis de agrupación de estudiantes de pregrado. Este estudio aprovecha los datos de los periodos académicos 2012-1S a 2022-2S para identificar de forma semiautomática una cohorte de estudiantes que muestran sistemáticamente un bajo rendimiento académico cada semestre, indicativo de un mayor riesgo de expulsión o abandono académico. La metodología empleada en esta iniciativa sirve como medida proactiva para identificar y apoyar a los estudiantes en situación de riesgo, con el objetivo de mejorar la eficacia de las estrategias de intervención del programa de profesores tutores, el cual, desempeña un papel fundamental en este proceso, facilitando el contacto directo entre los tutores y los estudiantes identificados para proporcionarles orientación personalizada y asesoramiento académico. Este artículo presenta la metodología, los principales resultados y las implicaciones de la iniciativa Consillium Academica, arrojando luz sobre su potencial para fortalecer los sistemas de apoyo académico y contribuir al éxito general y la retención de los estudiantes universitarios.
Referencias
Hennig, C. (2007), 'Cluster-wise assessment of cluster stability', Computational Statistics and Data Analysis 52(1), 258-271. DOI: https://doi.org/10.1016/j.csda.2006.11.025
Nithya, P., Umamaheswari, B. & Umadevi, A. (2016), 'A survey on educational data mining in field of education', International Journal of Advanced Research in Computer Engineering & Technology 5(1), 69-78.
Pardo, C. (2020), Estadística descriptiva multivariada. DOI: https://doi.org/10.36385/FCBOG-5-0
Roldán Jiménez, L. S. (2021), 'Machine learning to predict student academic risk in engineering', Encuentro Internacional de Educación en Ingeniería. https://aco-papers.org/index.php/eiei/article/view/1579 DOI: https://doi.org/10.26507/ponencia.1579
Sarra, A., Fontanella, L. & Zio, S. D. (2019), 'Identifying students at risk of academic failure within the educational data mining framework', Social Indicators Research 146(1/2), pp. 41-60. https://www.jstor.org/stable/48704856 DOI: https://doi.org/10.1007/s11205-018-1901-8
Ulriksen, L., Madsen, L. & Holmegaard, H. (2010), 'What do we know about explanations for drop out/opt out among young people from stm higher education programmes?', Studies in Science Education 46, 209-244. DOI: https://doi.org/10.1080/03057267.2010.504549
Vendramin, L., Naldi, M. C. & Campello, R. J. G. B. (2015), Fuzzy Clustering Algorithms and Validity Indices for Distributed Data, Springer International Publishing, Cham, pp. 147-192. DOI: https://doi.org/10.1007/978-3-319-09259-1_5
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
CrossRef Cited-by
Dimensions
PlumX
- Captures
- Mendeley - Readers: 1
Visitas a la página del resumen del artículo
Descargas
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons (CC Atribución 4.0) que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
