placa centro horizontal

Big Data: una herramienta que utilizan las universidades para evitar la deserción

Distintas universidades del mundo están implementando el análisis predictivo que utiliza el Big Data para determinar si un estudiante se encuentra a punto de abandonar su carrera. Aunque la interpretación de datos recolectados masivamente se trabaja desde hace varios años, la elaboración de medidas preventivas aún está en desarrollo. Conocé más sobre la aplicación del Big Data para evitar la deserción en las universidades y las medidas piloto que están dando resultado en el mundo.

Big data aplicado a medidas preventivas de deserción

El Big Data llevado a la retención de estudiantes, facilita la visualización de su huella digital para detectar cambios tanto en sus hábitos como en su comportamiento académico, lo que arroja información sobre si el estudiante va a dejar la universidad. Sin embrago, hasta el momento el Big Data se había utilizado para la rendición de cuentas a las entidades estatales, siendo meramente informativo sobre el índice de deserción, el éxito de una universidad determinada y las tasas de graduación.

CompusDe hecho, tradicionalmente se consideró que los estudiantes pertenecientes a determinadas etnias desplazadas o con bajos recursos son los que poseen menor desempeño académico y por lo tanto desertan. El análisis predictivo basado en el Big Data, demostró que en realidad gran parte de los estudiantes que dejan la universidad poseían promedios suficientes pero sus horarios laborales, la tenencia de hijos y la insuficiencia de los préstamos o becas estudiantiles, son aspectos clave en la deserción.

Investigaciones mundiales sobre la deserción estudiantil

Un estudio del Higher Education Funding Council for England, arrojó que más del 8% de los estudiantes abandonan en primer año, lo que supone un gasto de £ 33.000 por cada uno. Sumado a esto, el Institute for the Study of Civil Society EU-USA Relations determinó que el 42% de los estudiantes que abandona había alcanzado un GPA de 3.0 acumulado.

Los datos de la Universidad de Arizona en 2014 concuerdan con ambas investigaciones, ya que los estudiantes que dejaban de asistir a la universidad tenían un promedio de B cuando se creía que el riesgo de abandonar significada un GPA de 2.0 o inferior, es decir menos de C. La pérdida de estudiantes se convierte entonces en una problemática aún más grave, ya que se está perdiendo talento humano que contribuiría al desarrollo socioeconómico.

Señales para saber si un estudiante va a desertar

Con la implementación del análisis predictivo basado en el Big Data, se determinó que la presencia y participación del estudiante es fundamental para evitar el abandono. En lugar de enfocarse exclusivamente en la etnia o el ingreso económico familiar, un factor concluyente es si las becas y fondos a las que accede son suficientes para cubrir sus necesidades mientras estudia.

Otro dato es si se anota en las clases necesarias u obligatorias demasiado tarde, cursando materias que no son medulares en la carrera antes de asistir a aquellas vitales, generalmente por problemas con los horarios (coinciden con el trabajo, una práctica, la entrada y salida del colegio un hijo, etcétera).

Por supuesto que los datos sobre antecedentes demográficos, calificaciones anteriores, nivel de interacción con el sitio web o plataforma de su universidad y utilización de la información que recibe, también constituyen datos fundamentales en el análisis predictivo.


Casos de éxito

La Ball State University en Indiana, Estados Unidos, no solo monitorea los niveles de compromiso académico de los estudiantes, sino también a sus actividades sociales con el fin de identificar los cambios inesperados en los patrones que pueden reflejar dificultades en los estudios.

Por su parte, la Arizona State University implementó un sistema eAdvisor, que alerta sobre estudiantes cuando está en riesgo de quedar rezagado. Este sistema de alertas que implementó la universidad mejoró considerablemente la tasa de titulación desde su implementación en 2007, pasando del 26% al 41%.

La Universidad de Toronto, en Canadá, gracias al análisis de datos tomó la decisión de no permitir que los estudiantes con malos resultados en su primer periodo continúen recibiendo clases junto a su curso hasta que no mejoren los resultados en las materias que fallaron. A esta determinación se llegó debido a que los datos sobre las tasas de graduación mostraron que la mayoría de los estudiantes que tuvieron bajos puntajes en su primer período nunca terminó su programa.

Cómo evitar la deserción estudiantil

El problema que presenta el análisis de datos es que son personas reales, no números que pueden manejarse fríamente, por lo cual la información debe tratarse con delicadeza. Decirle a un estudiante que está en riesgo de perder la carrera, induce a que efectivamente suceda porque el panorama es desalentador. En cambio, jugar con el factor psicológico a través del lenguaje dará mejores resultados. Por ejemplo, decirle a un estudiante que aprobando esa materia medular tiene un triple de chances de graduarse.

Es una pequeña diferencia en el lenguaje que hace una enorme distinción en los aspectos psicológicos del mensaje, ya que trasmite una idea positiva de logro. Se debe apelar a un tono de preocupación que a su vez implique una llamada a la acción, en lugar de angustiarlo por su éxito académico.

La clave es mejorar el ambiente de aprendizaje ofreciendo una experiencia personalizada pero en gran magnitud, dirigiéndose al estudiante a partir del análisis de datos pero sin tratarlo como a un número. Una persona que está por dejar sus estudios necesita apoyo y una buena manera de ofrecérselo es generándole un sentido de pertenencia con la comunidad educativa, comprometiéndolo a continuar con el curso.

Si bien aún hay muchos puntos para resolver, por ejemplo cómo evitar invadir la privacidad del estudiante -un reto difícil porque el Big Data puede arrojar información muy precisa sobre una persona- o cuáles son las medidas preventivas más adecuadas y rápidas para solventar la situación, el análisis predictivo y la implementación justa del lenguaje a raíz de los datos arrojados, son un gran avance en el camino hacia la disminución de la deserción estudiantil.

Author: Metro Corrección

Share This Post On

Enviar un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *

Puedes usar las siguientes etiquetas y atributos HTML: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>


Hit Counter provided by laptop reviews