Resumen:
The academic drop-out is not a problem that affect just to students, this affects universities as well, because failing to complete an educational degree is an inefficient use of resources for both students and the university; one of the factors related with the drop-out is the interpersonal competence, which allows a student establish a relationship with him/her teachers and classmates, and this could affect/contribute to the successful culmination of him/her academic career; ESPOL’s Academic Counselling service, allows students to establish a relationship with their academic adviser, who
provides guidance to improve the academic performance; the help provided by the advisers are based on their expertise and the student’s academic information, but this process can be improved by adding “educated” information; for example, an estimation factor of risk for flunking a course in a semester. The following paper proposes an architecture for unsupervised classification based on clustering and fuzzy prototyping, then assessing the risk via extraction of descriptive variables. A prototype was developed implementing the proposed model, which have three principal components: pre-processer, clustering and classifier; this software allowed to validate the model in order to predict the risk, based on the academic load and performance, with a significant certainty performance.
Descripción:
La deserción en la educación superior es un problema que no solo afecta a los estudiantes, sino también a las universidades, pues al ofrecer educación incompleta se usan ineficientemente los recursos; uno de los factores relacionados es la habilidad interpersonal, la cual le permite a un estudiante entablar relaciones con profesores y compañeros, pues contribuyen a culminar de manera exitosa su carrera; el servicio de Consejerías Académicas que ofrece la ESPOL, permite a los estudiantes entablar una relación con un profesor consejero, quien brinda una guía para mejorar el desempeño mediante recomendaciones; las recomendaciones que brinda son basadas en su experiencia e información académica del estudiante, pero este proceso podría mejorar su precisión al agregar un factor de estimación del riesgo de reprobación que el estudiante afrontará durante el semestre. El siguiente trabajo propone una arquitectura que utiliza herramientas de clustering y prototipado difuso, para clasificación no-supervisada y predicción mediante extracción de variables descriptivas. Se desarrolló un software que implementa el modelo propuesto, el cual posee tres
componentes principales: pre-procesamiento, clustering, y clasificación; dicho software permitió validar el modelo para predecir el riesgo de reprobación de estudiantes, basado en su carga académica y rendimiento, con un porcentaje de certeza significativo.
