Cómo el Machine Learning mejora la retención estudiantil

Isabel S. Retención Tecnología
Compartir en

Estrategias para mejorar la retención de estudiantes en universidades

El Machine Learning ayuda a prevenir la deserción en la educación superior, a través del aprendizaje continuo de las tecnologías de la información de los patrones que generan los grandes datos o big data.  

El también llamado aprendizaje automático o aprendizaje de máquinas, sumados a la inteligencia artificial, suenan a una película futurista de ciencia ficción, donde un robot te prepara el desayuno y maneja tu auto. Muchos creen que es un experimento de un científico loco o de un tipo de Silicon Valley.La verdad es que ya lo estás utilizando todo el tiempo. Pero no sabes dónde.

Tomemos el ejemplo de esta página web.

Es posible que hayas llegado a U-Planner por una búsqueda en Google o a través de las redes sociales, pero es un resultado combinado de lo que ha aprendido el navegador acerca de tus preferencias, hábitos de consumo online, y tus redes de amigos y conocidos. La máquina o algoritmo ha aprendido de ti, para entregarte información de interés.

Esto también se puede aplicar a la educación superior.

Un estudiante que abandona sus estudios y no logra obtener su grado académico representa una tremenda pérdida potencial para el alumno y un fracaso para la institución de educación superior. Se hace necesario adoptar prácticas y metodologías de apoyo en base a la realidad de la institución, sus datos y los estudios sobre la materia.

¿Qué sucedería si pudieras alertar de manera temprana la deserción de tus estudiantes con algoritmos, e incluso proyectar la demanda de cursos y secciones, planificar exámenes y controlar la asistencia de alumnos y docentes?

De acuerdo a Stanford University, el Machine Learning es una disciplina que se concentra en distintos tipos de algoritmos, como los inductivos, para que estos “aprendan” de la información que recibe y realice proyecciones.

¿Qué significa? La institución ingresa datos diariamente (lo sepa o no) y el software aprende a tomar decisiones propias en base a esos datos.  

Así, el aprendizaje automático puede servir para:

  • Detectar fraudes.
  • Presentar resultados de sitios web favoritos.
  • Incorporar publicidad en tiempo real en páginas web y dispositivos móviles.
  • Analizar el estado de ánimo en base a los textos.
  • Evaluar el riesgo de crédito y ofrecer alternativas de financiamiento.
  • Modelar precios.
  • Predecir fallas en los equipos.
  • Detectar intrusiones a las redes de la empresa.
  • Reconocer patrones e imágenes.
  • Filtrar los correos no deseados.
Y mucho más.

¿En qué se diferencia la minería de datos (data mining) del Machine Learning?

Muchos confunden big data en la educación con la herramienta Machine Learning. De acuerdo a SAS, esta última utiliza "muchos algoritmos y técnicas de la minería de datos. La diferencia radica en qué tipo de temas predicen”.

  • La minería de datos detecta patrones e información antes desconocidas.
  • El Machine Learning reproduce patrones de datos, la integra a otros antecedentes, y automáticamente aplica los resultados a la toma de decisiones y el desarrollo de acciones. 

El Machine Learning y la retención de estudiantes de la educación superior

Para Dursun Delen, de la Oklahoma State University, “la retención estudiantil forma parte de muchos modelos de gestión de matrícula, por cuanto influye en los rankings de las universidades, la reputación y sus estados financieros”.

Para expertos como él, “la mejora de la retención estudiantil debe comenzar por un profundo conocimiento de los modos de deserción. El comprender esto es el pilar para predecir qué estudiantes están en riesgo de dejar sus estudios, e intervenir de manera apropiada, de modo de retenerles."

El profesor Delen estudió una muestra de cinco años de datos institucionales, y desarrolló modelos de análisis para predecir y explicar los motivos de la deserción de los estudiantes de primer año. Concluyó que, en su muestra, las variables educativas y financieras eran los principales predictores de deserciones.

Este tipo de estudios tienen ya varias aplicaciones en la práctica. Con un algoritmo apropiado, sumados a la entrega adecuada de datos, el Machine Learning permite:

  • Detectar tempranamente a los estudiantes con alto riesgo de deserción.
  • Identificar los factores de riesgo más recurrentes.
  • Entregar informes de las principales causas y factores de riesgo.

¿Puede una maquina aprender de mis estudiantes?

Desde el minuto que un estudiante escribe a una universidad, interesado en un programa de pregrado, está entregando información de interés sobre sus intereses, desafíos y prioridades.

Para cuando entran a la institución, los estudiantes y sus padres, integran muchos datos más, como ingreso familiar, dirección, horario de clases y – por supuesto  sus notas.

Durante los años en los que cursan su carrera, tanto los estudiantes como los profesores y administrativos añaden una cantidad enorme de datos directamente  en formularios o emails – e indirectamente, con el uso de bases de datos externas.

El Machine Learning en la práctica

Tomemos el caso de Pedro:

  1.  Fue aceptado en Ingeniería Mecánica, en una de las mejores universidades de México, a la que asisten más de 40.000 estudiantes.
  2. En su postulación, destacó que esta era su segunda opción, luego de que fuera rechazado para entrar a Ingeniería en Computación en la misma casa de estudios.
  3. Demostró ser un estudiante destacado, con notas que le permitieron adjudicarse una media beca. Incluso, los registros de la biblioteca ratificaban que pasaba mucho tiempo buscando libros de reserva.

Sin embargo, desde el segundo año de universidad, sucedió algo:

  1. Comenzó a faltar a clases, poco antes que empezaran los fines de semana.
  2. De acuerdo a sus registros, comenzó a vivir en una residencia estudiantil, puesto que su hogar estaba a 700km de la casa central de la universidad.
  3. Sus registros financieros consignaban que estudiaba gracias a un préstamo bancario obtenido por sus padres, pero cuyos pagos estaban retrasados.

En ese sentido, había peligro de que Pedro dejara la escuela por motivos financieros y geográficos.

De más de 5.000 registros de estudiantes en estado de riesgo, y antes de empezar el tercer año de estudios, la Dirección de Asuntos Estudiantiles recibió una alerta de la situación, por cuanto Pedro todavía no había inscrito ramo alguno, y había faltado a varios cursos de nivelación de verano correspondientes a su carrera.  

Un orientador académico le llamó a su oficina.

Sí, era cierto. La familia de Pedro pasaba por problemas financieros, y estaba trabajando los fines de semana – viernes incluido  solo para pagarse la residencia.

Efectivamente, estaba pensando en dejar sus estudios.

Poco después, la universidad le presentó una opción. No era conveniente seguir estudiando Ingeniería Mecánica en la sede central. Sin embargo, hacía algunos años que la casa de estudios había abierto un nuevo campus a pocos kilómetros de su ciudad natal. Una de las especialidades que impartía era Ingeniería en Computación.

Aunque la universidad le había rechazado en su primera postulación, con su registro académico, Pedro había demostrado méritos suficientes para realizar un cambio interno de carrera, y podía postular por adelantado al programa local.

Ningún orientador académico tenía idea de los detalles completos del registro de Pedro, porque era confidencial. Solo obtuvieron un resumen luego de que el sistema les alertara de que era un alumno en grave riesgo de dejar sus estudios.

¿Cómo aprendió la alerta? Por cuanto estaba configurado para detectar ese tipo de patrones, y la evidencia académica comparada había concluido que un estudiante que cambiara de manera tan dramática sus hábitos de estudio estaba en riesgo de deserción.

Muchas de estas soluciones o negociaciones ya existen en las universidades. Sin embargo, muchas instituciones de educación superior carecen de la capacidad de análisis necesarios para reaccionar a tiempo a situaciones que les lleven a una fuga (y una pérdida) de jóvenes talentos.

¿Qué pasaría si se pudiera hacer algo al respecto?

¿Crees tú que el Machine Learning sirve para prevenir la deserción en la educación superior? ¿Te preocupa el uso de la inteligencia artificial para procesos académicos?

Planification Academica - Un juego de simulacion