Modelo de machine learning para disminuir la tasa de deserción de estudiantes antiguos en centro de estudio superior - Trabajo de suficiencia profesional

Aug 5, 2026

Subir por Hazel

El proyecto implementa un modelo de aprendizaje automático en centros de estudios superiores para optimizar el proceso de experiencia estudiantil mediante la predicción del porcentaje de deserción. Se comparan algoritmos para seleccionar la alternativa más adecuada y se construye una tabla maestra con variables académicas actuales y anteriores, información de deudas, ratios de asistencia, datos personales y encuestas. Con análisis estadístico usando WOE y validación con métricas como Recall mean, Precision mean y ROC AUC mean, LightGBM obtiene el mejor desempeño, y la deserción baja de 13.45% a 9.45% tras la implementación.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas52

Tiempo de lectura1 h 20 min

AccesoGratis para descargar

Tabla de contenidos

CAPÍTULO 1: DEFINICIÓN DEL PROYECTO

Antecedentes

Descripción de la Organización

Análisis del Problema

Objetivos

Indicadores de Éxito

Planificación del Proyecto

CAPÍTULO 2: MARCO TEÓRICO

Marco Conceptual

Estándares, frameworks y buenas prácticas

Bases Legales y Marco Normativo

UNIVERSIDAD PERUANA DE CIENCIASAPLICADAS FACULTAD DE INGENIERÍA PROGRAMA ACADÉMICO DE INGENIERÍADE SISTEMAS DE INFORMACIÓN Modelo de machine learning para disminuir la tasa de deserción de estudiantes antiguos en centro de estudio superior TRABAJO DE SUFICIENCIA PROFESIONAL Para optar el título profesional de Ingeniero de Sistemas de Información AUTOR(ES) Borjas Ramos, Neil Enrique Saqui Marin, Carlos Jean Pierre ASESOR(ES) Ramirez Garcia, Orestes Manolo 0000-0002-0196-3971 0009-0003-1466-027X 0000-0002-1653-4344 Lima, 13 de noviembre de 2023 DEDICATORIA Dedicamos este logro a nuestros padres, cuyo amor, apoyo inquebrantable y ejemplode sacrificio han sido lafuerza detrás de este trabajo. Cada paso en este camino de investigacióny aprendizaje ha sido guiado por su constante aliento, y cada éxito que celebramos es un reflejo de su dedicación. Esta dedicatoria es un testimonio de nuestra profunda gratitudy amor hacia ellos, ya que, sin supresenciay guía, este logroy nuestro crecimiento personal no habrían sido posibles. RESUMEN El proyecto tiene como objetivo implementar un modelo de aprendizaje automático en centros de estudios superiores. El enfoque principal se centra en optimizar un proceso del área de experiencia estudiantil, específicamente, prediciendo el porcentaje de deserciónestudiantil. Para desarrollar el proyecto, se llevó a cabo una comparación de algoritmos de aprendizaje automático, con el propósito de seleccionar el más adecuado. El diseño del modelo incluyó la creación de una tabla maestra que incorpora todas las variables como información académica actual, información académica anterior, información deboletas, ratios de asistencia , información personal e información de encuestas, junto conun análisis estadístico utilizando técnicas como WOE para identificar cuáles de estas variables contribuyen significativamente a una predicción. Las validaciones se realizaron mediante la comparación de algoritmos como RUSBost , GausNB , Percept , LightGBM, utilizando indicadores clave como Recall mean, Precision mean y ROC AUC mean yentre otros indicadores para asegurarse de que el modelo sea efectivo y preciso. Es por ello que luego de evaluar entre todos los algoritmos el que obtuvo mayor puntaje fue LightGBM con un Recal mean de 86.37%, Precision mean de 86.83% y un ROC AUC mean de 77.61% . Además, se ha establecido un plan de continuidad para mejorar el modelo de machine learning con el tiempo. Antes de la implementación la deserciónestudiantil la deserción estudiantil fue del 13.45%, en el periodo 2022-1 y luego de su implementación el periodo 2023-1 esta fue de 9.45% . Palabras clave: Aprendizaje automático, Algoritmos de Aprendizaje automático, análisisestadístico, evaluación de rendimiento. ABSTRACT The project aims to implement a machine learning model in higher education institutions. The main focus is on optimizing a process in the student experience area, specifically, predicting the student dropout rate. To develop the project, a comparison of machine learning algorithms was conducted with the purpose of selecting the most suitable one. The model design included creating a master table that incorporates all variables such as current academic information, past academic information, grade information, attendance ratios, personal information, and survey information, along with statistical analysis using techniques like WOE to identify which of these variables significantly contribute to a prediction. Validations were performed by comparing algorithms like RUSBost, GausNB, Percept, LightGBM, using key indicators like Recall mean, Precision mean, ROC AUC mean, and other indicators to ensure the model is effective and accurate. Therefore, after evaluating all the algorithms, LightGBM obtained the highest score with a Recall mean of 86.37%, Precision mean of 86. 83%, and ROC AUC mean of 77.61% . Additionally, a continuity plan has been established to improve the machine learning

Preguntas frecuentes

Cuál es el objetivo principal del modelo de machine learning?

Optimizar el proceso de experiencia estudiantil prediciendo el porcentaje de deserción de estudiantes antiguos en centros de estudios superiores.

Qué tipo de variables se incluyen en la tabla maestra del modelo?

Incluye información académica actual y anterior, información de deudas, ratios de asistencia, datos personales y resultados de encuestas, además de análisis estadístico para identificar variables relevantes.

Qué algoritmo obtuvo el mejor rendimiento y cómo se midió?

LightGBM alcanzó el mayor puntaje, con Recall mean de 86.37%, Precision mean de 86.83% y ROC AUC mean de 77.61%, evaluado con métricas de rendimiento.

Cómo cambió la tasa de deserción antes y después de la implementación?

Antes de implementar el modelo, la deserción fue 13.45% en 2022-1; después de la implementación, en 2023-1 disminuyó a 9.45%.

Aug 5, 2026

Subir por Hazel