La retención estudiantil mejora con el análisis de big data

9, may, 2018

Isabel S.
BY: Isabel S.

Retención estudiantil en la educación superior

Para mejorar las tasas de retención en la educación superior, el análisis de los grandes datos requiere de información de calidad obtenida en el período de orientación, generada por las respectivas áreas de asuntos estudiantiles.Actualmente, las grandes universidades del hemisferio norte se encuentran preparando o desarrollando programas de orientación a los estudiantes de pregrado y posgrado. Esto implica no solo un gran trabajo logístico, sino que un análisis preciso y sumamente certero de cuáles serían las necesidades e intereses de los estudiantes. El modo en el que los profesores y administrativos lleven a cabo esta etapa del año académico, marcará profundamente el cómo los alumnos se ajustan a la educación superior.  

La información obtenida de este proceso tienen el potencial de entregar información importante tanto para la planificación académica, las matrículas, la planificación de los cursos y la gestión del campus en general.

Además, estos datos serán claves para desarrollar una buena estrategia para aumentar las tasas de retención estudiantil, y así focalizar el apoyo y orientación a quienes estén en riesgo de dejar sus estudios. Idealmente, la orientación académica debiera facilitar la transición de los estudiantes nuevos y prepararles para asumir sus responsabilidades en la casa de estudios, iniciándoles en el ambiente académico y social dentro de la institución, como bien señala la Association for Orientation, Transition and Retention in Higher Education (NODA). 

Por su parte, Dallas Long, de la Illinois State University, afirma que los profesionales del área de asuntos estudiantiles han asumido lo siguiente: “es un periodo crítico de la vida, en el que los estudiantes descubren su identidad y propósito, y desarrollan valores importantes, marcando cómo percibirán y experimentarán sus vidas adultas”. Por lo tanto, “están dedicados a diseñar programas, servicios y experiencias que permitan que lleven al desarrollo de los estudiantes en una o más dimensiones de sus vidas”. Pero para esto, se requiere mucho análisis.

El estudiar el perfil del alumno implica recoger datos que entreguen respuestas a preguntas más amplias para mejorar el compromiso estudiantil. Al final del año, se preguntará

“por qué un grupo de estudiantes tiene bajas tasas de persistencia o graduación, o por

qué otros eligen cambiarse de residencia luego de su primer año en la Universidad”,

afirma el profesor Long. Por otro lado, el académico describe a los equipos de asuntos estudiantiles como verdaderas fuentes de datos cualitativos y cuantitativos sobre la comunidad estudiantil y los servicios que se les entregan. Entrega el ejemplo del personal de bibliotecas, que estará sumamente interesado en verificar si los estudiantes tienen otro tipo de accesos a computadores, para así planificar los recursos que sus salas de estudios deberán tener disponibles. 

El big data y el análisis predictivo para la orientación estudiantil

Muchos olvidan que cualquier institución de gran tamaño – como una Universidad – es capaz de acumular grandes cantidades de datos que a primera vista están inconexos, provenientes de fuentes internas (los registros en un portal de educación e-learning vinculados al curso), como externas (como la información proveniente de autoridades educativas locales, portales de empleo, ministerios y el mercado laboral).

A eso se refieren los grandes datos en la educación superior. Su extracción nos podría dar información importante que todavía no es procesada, pero cuya densidad podría colapsar cualquier software convencional. Aunque el análisis y referenciación cruzada de la información estudiantil, académica, administrativa y empresarial es una tendencia al alza, la recolección de datos debe pasar a una etapa de predicción de escenarios y conclusiones. Sin embargo, los expertos en tecnologías de la información consultados por la revista educativa Trustee Magazine, señalan que las instituciones de educación superior

“Necesitan pasar de la recolección de datos históricos a un análisis más sofisticado

que permite conectar los puntos respecto sobre lo que se debe hacer en el futuro." 

El análisis predictivo de la orientación para la retención

La consultora EduCause explica que el análisis predictivo permite descubrir relaciones y patrones provenientes de estas grandes cantidades de datos que recibe. Pero ya no solo incluye reportes de bases de datos o un análisis estadístico, sino que el sistema va aprendiendo de lo que se ingresa vía machine learning, y detecta patrones claves para una gestión más eficaz. Un buen análisis predictivo desde el inicio del semestre (y antes) es crítico para tener información que permita mejorar la retención de estudiantes.

De hecho, de acuerdo a The Research & Planning Group for California Community Colleges, el uso más común de estas herramientas es el de las alertas tempranas, que se desprenden de patrones e información importante sobre el comporta-miento de los estudiantes y permite identificar a aquellos alumnos en riesgo de dejar la escuela. Así, la universidad puede activar un proceso de apoyo y orientación para apoyarles en el término de su programa de estudios.

La importancia de los datos del área de asuntos estudiantiles

El personal a cargo del apoyo y orientación de los estudiantes, es un aliado clave para darle sentido a la información estudiantil. Por un lado, pueden usar los datos para identificar tendencias y mejorar su gestión para reducir la deserción estudiantil; por otro lado, los datos que recolectan puede apoyar a otras áreas de la universidad, para mejorar la calidad de la gestión educativa y de la infraestructura. La labor de estos profesionales es tan crítica que la misma Unesco afirma que sus servicios corresponden al “sistema de alerta temprana más importante y valioso para la gestión universitaria, acerca de temas que afectan directamente a los estudiantes, su entorno social y su ambiente de aprendizaje.

”Para ello, George S. McClellan y Jeremy Stringer, autores del libro The Handbook of Student Affairs Administration, señalan que hay distintos tipos de datos":

Por ejemplo:

  1. Información preliminar, utilizada para informar a las facultades y departamentos administrativos sobre las expectativas que tienen los estudiantes, para asistirles en su transición a la educación superior.
  2. Datos de uso, para comprender cómo se están utilizando los servicios estudiantiles y apoyar, por ejemplo, en la planificación horaria.

¿Cómo analizan los datos generados en los periodos de orientación académica?

¿Cuál es el papel que cumple el área de asuntos estudiantiles? 

 Retencion Estudiantil

Acerca del Autor

Isabel tiene más de 10 años de experiencia desarrollando, liderando y ejecutando estrategias de Marketing y Comunicación a nivel internacional (EMEA, USA y LATAM). Trabajó para empresas B2B de distintos rubros: nutrición, logística y educación. Además es bilingüe en alemán y español y tiene un nivel muy alto de inglés y francés.

Deja un Comentario

Post relacionados

9, may, 2019

8 Causas de deserción estudiantil en la educación superior

No importa el tipo de universidad o casa de estudio. Hay factores muy comunes que disminuyen las tasas de retención..

9, may, 2019

La tecnología reduce la deserción estudiantil en las universidades

Cerca del 30% de los estudiantes de colleges y universidades en los Estados Unidos desertan después del primer año, y más..

8, nov, 2019

Usos del Big Data en la educación superior

Big Data se encuentra implementado en numerosos sistemas que emplean recursos humanos. La cualidad de lectura de información..