Desarrollando modelos de análisis predictivo para mejorar la probabilidad de graduación de estudiantes subgraduados

Hernández Londoño, Jesús Daniel

Publication

Desarrollando modelos de análisis predictivo para mejorar la probabilidad de graduación de estudiantes subgraduados

Hernández Londoño, Jesús Daniel

Abstract

University graduation rates in Puerto Rico are alarmingly low. On average, around 45 % of undergraduate students obtain their degree at 150 % program length [43]. This percentage becomes even more dramatic when viewed in conjunction with the school dropout rate. The 40 % of students don’t finish high school and the remaining 60 % do finish high school, but not all go to college. Suppose that from the 60 % everyone gets into college. So of that 60 % just 45 % graduates at 150 % of the duration of their academic program. Although some colleges offer workshops and mentoring to students to help them graduate, there is no objective way to predict whether a particular student will complete her degree. For such reasons, this research project aims to implement predictive models using machine learning methods to predict whether a student will complete their university degree at UPRM 150 % program length. These models were applied to 24,432 data of students admitted to the Mayaguez University Campus (RUM) between 1999 and 2010; which includes variables such as the student’s study program, standardized entrance test scores, parent’s level of education, among others. 6 machine learning methods including Gradient Boosting and TabNet (a new artificial neural network architecture for tabular data) were used to predict whether an undergraduate student graduates at 150 % program length from UPRM. Gradient Boosting showed the best performance of all the methods when predicting whether a student graduates at 150 % program length from UPRM. Said tool allows university officials to detect specific students and develop intervention strategies to increase their chances of graduation.
Las tasas de graduación universitarias en Puerto Rico son alarmantemente bajas. En promedio, cerca del 45 % de los estudiantes subgraduados obtienen su grado al 150 % de la duración de su programa académico [43]. Este porcentaje se hace aún más dramático si se mira en conjunto con la tasa de deserción escolar. El 40 % de los estudiantes no terminan la escuela superior y el 60 % restante la terminan, pero no todos van a la universidad. Supongamos que del 60 % todos ingresan a la universidad. Entonces de ese 60 % solo el 45 % se gradúa al 150 % de la duración de su programa académico. Aunque algunas universidades ofrecen talleres y consejería a estudiantes para facilitar que se gradúen, no existe una manera objetiva de predecir si un estudiante en particular completará su grado. Por tales motivos, este proyecto de investigación tiene por objetivo implementar modelos predictivos utilizando métodos de aprendizaje automático para predecir si un estudiante completará su grado universitario en el RUM al 150 % de la duración de su programa académico. Esos modelos se aplicaron a 24,432 datos de estudiantes admitidos al Recinto Univesitario de Mayaguez (RUM) entre el 1999 hasta el 2010; el cual incluye variables como programa de estudio del estudiante, puntuación en pruebas estandarizadas de entrada, nivel de educación de los padres, entre otras. Se usaron 6 métodos de aprendizaje automatizado incluyendo Gradient Boosting y TabNet (una nueva arquitectura de red neuronal artificial para datos tabulares) para predecir si un estudiante subgraduado se gradúa al 150 % de la duración de su programa académico del RUM. Gradient Boosting mostró el mejor desempeño de todos los métodos al predecir si un estudiante se gradúa al 150 % de la duración de su programa académico del RUM. Dicha herramienta le permite a oficiales de la universidad detectar estudiantes específicos y desarrollar estrategias de intervención para aumentar sus posibilidades de graduación.