Reflexión para la acción: indicadores para el éxito de los universitarios. Año 4. Número 12
7 min de lectura
Autor: Rafael Campos Hernández.
RESUMEN
El éxito académico de los estudiantes, como resultante de la retención en los programas universitarios, es un asunto trascendente en la Educación Superior mexicana. El presente artículo introduce a la labor de seguimiento personalizado que realizan los docentes, los tutores, los académicos y el personal administrativo en Aliat Universidades como un servicio básico centrado en el estudiante. Se señalan, de modo general, los procesos multifactoriales de análisis inferencial estadístico que permiten determinar en forma llana, un porcentaje de probabilidad de permanencia del estudiante basado en los indicadores de desempeño involucrados.
PALABRAS CLAVE: Big Data, Analytics, retención, modelos, predictivos, éxito, estudiante, universitario.
INTRODUCCIÓN
El Sistema Educativo Mexicano a nivel Educación Superior actualmente tiene grandes retos. Entre estos desafíos destacan: (a) Expansión de la cobertura geográfica y poblacional. (b) Incremento en la calidad de los servicios educativos, tanto públicos como privados. (c) Mejora en el desarrollo académico, personal y profesional de los universitarios. (d) Formación ética de los estudiantes dentro de su área de desempeño profesional. La deficiencia en los indicadores de desempeño de estos factores es causa de los bajos niveles de retención de los estudiantes universitarios. Incluso las universidades mexicanas de primer nivel que pertenecen a la Federación de Instituciones Mexicanas Privadas de Educación Superior (FIMPES) tienen situaciones complejas que resolver, relacionadas a lograr que los alumnos que ingresan a sus aulas puedan acceder a niveles de formación profesional y desarrollo personal que les permitan concluir satisfactoriamente su plan de estudios.
DESARROLLO
La teoría sobre Educación Superior en el área de retención señala factores individuales, académicos, institucionales y socioeconómicos. Entre los investigadores que han trabajado en determinar tales factores están: Tinto (1975, 1993, 1997, 2000), Spady (1970, 1971), Bean y Eaton (1980, 2000), Cabrera, Nora y Castañeda (1993), Castano (2006), entre otros. Estos investigadores señalan y ponderan elementos de impacto en la deserción como: (a) Individuales: Edad, género, estado civil, posición dentro de la familia, entorno familiar, salud, integración social, carga horaria entre vida profesional, académica y familiar, expectativas no satisfechas y embarazo. (b) Académicos: Orientación vocacional, apoyo profesional, tipo de institución, rendimiento académico, calidad del programa, método de estudio, resultado de evaluación diagnóstica de ingreso a la universidad, número de materias a cursar. (c)Socioeconómicos: Estrato social, situación laboral, nivel de ingreso, dependencia económica, nivel educativo de los padres, entorno macroeconómico del país. (d) Institucionales: Medios de financiamiento, recursos universitarios, apoyo académico, acompañamiento psicológico y niveles de interacción de la comunidad universitaria.
Al tomar conciencia de que la integración de la información generada por los distintos factores involucrados en determinar la permanencia o deserción de un estudiante universitario es multifactorial con una variedad incremental de indicadores, se hace necesario el uso de análisis estadísticos que permitan la minería de datos. Actualmente, las tecnologías de minería de información son comúnmente utilizadas en portales de servicio tales como eHarmony, Facebook, Amazon, Google, Netflix, entre otras plataformas digitales que personalizan la experiencia del usuario. La pregunta obligada es: ¿Cómo utilizar estas nuevas formas de analizar la información con minería de datos para beneficio de los estudiantes universitarios? Es ahí donde con el análisis de todas las fuentes de información que forman parte de la universidad (Big Data), con la mejora de los métodos de predicción estadística, y el perfeccionamiento de los procesos de mejora de los modelos estadísticos, incrementando su validez y confiabilidad matemática (machine learning), permiten determinar con alto porcentaje de aproximación estadística las razones por las cuales un alumno puede persistir en su programa académico dadas las condiciones de la población a la cual pertenece. Al determinar los factores de retención y sus indicadores de permanencia es posible enfocar la atención de los tutores, de los docentes y de los administradores de educación superior en una tarea eficaz buscando el éxito del estudiante. Este enfoque tiene la finalidad de apoyar a cada persona en forma diferenciada para avanzar en su desarrollo académico, profesional y humano dentro del programa académico seleccionado.
En Aliat Universidades se tiene un enfoque de atención en el servicio educativo centrado en el estudiante. Este hecho llevó a clasificar los factores de impacto en la deserción en los elementos resaltados por la teoría, pero integrándolos en 30 indicadores de alarma académica que detonan atención personalizada a cada estudiante. Es así que buscando acelerar las acciones de atención se contactó a los pioneros mundiales de análisis masivo de información dentro del área de Educación Superior. Es en este ámbito que se contactó a Civitas Learning, empresa fundada en 2011 con el fin de generar análisis estadísticos inferenciales de alto nivel en tiempo real. Tales procesos son denominados análisis de grandes fuentes de información. El objetivo de la tarea matemática es dar un paso más allá de la descripción del fenómeno de la deserción utilizando modelos estadísticamente predictivos para poder atender a los estudiantes en apoyo a su éxito académico desde el primer momento de su ingreso a clase.
En diciembre de 2013, se firma una asociación académica entre Aliat Universidades y Civitas Learning que tiene como objetivos: (a) Contar con una infraestructura para análisis predictivos con la información de los sistemas sustantivos de la universidad. (b) Definir indicadores de desempeño alineados al éxito en el desarrollo académico y profesional de los estudiantes. (c) Incrementar los niveles de eficiencia y persistencia de toda la población estudiantil.
Para el análisis estadístico de la información universitaria se utilizan metodologías de alto nivel que incluyen: análisis de grados de predicción, estadística de recomendaciones de cursos de acción, predicciones continuas, predicciones graduadas y factores de riesgo. Entre los métodos estadísticos para analizar el éxito de los estudiantes y el grado de persistencia de los universitarios se manejan: regresiones logísticas, extracción de series de tiempo, análisis de discriminación linear, redes neuronales, árboles de decisión dentro de bosques aleatorios, así como máquinas de vectores de soporte. Entre los métodos estadísticos que analizan los factores de riesgo de la deserción se tienen: regresiones tipo Ridge y Logística, así como el método LASSO para eliminar factores de incertidumbre estadística que permitan incrementar la certeza de la predicción. Estos métodos permiten generar aplicaciones de software que brindan en forma directa los datos del estudiante con la jerarquización de sus niveles de probabilidad de persistencia escolar.
Las aplicaciones concretas de los análisis de indicadores de desempeño de la deserción pueden ser catalogados en tres segmentos: (1) Herramientas de evaluación y diagnóstico de los estudiantes. El objetivo es realizar un pronóstico sobre los elementos de riesgo y fracaso escolar pero vinculado con elementos de intervención eficaz que prevengan la deserción. Estas herramientas generan información estratégica para administradores, académicos y centros de investigación universitaria. (2) Herramientas disruptivas y de intervención educativa. Su finalidad es generar alarmas tempranas que permitan actuar en forma anticipada y cambiar el curso normal de las tendencias de fracaso personal. Estas herramientas son utilizadas por directores académicos y maestros con elementos operativos que permiten el apoyo a los estudiantes. (3) Herramientas de prevención. Su finalidad es utilizar la información estadística para limitar los fracasos escolares actuando en tiempo real con los estudiantes con recomendaciones personalizadas. Estas aplicaciones se utilizan a nivel táctico por parte de consejeros, tutores, y maestros.
En la primera etapa del proyecto se han utilizado sólo dos herramientas de Civitas Learning: Illume, la herramienta estratégica de “big data” de la red universitaria e Inspire para Tutores, la herramienta de acción táctica para el seguimiento puntual de los estudiantes. Illume permite analizar la información institucional con todos los factores involucrados en la delimitación de las Sedes de la Institución, Programas Académicos, Modalidad, Temporalidad, resultados académicos, entre algunos de los elementos considerados. Con esta información se generan los modelos predictivos que permiten evaluar los niveles de persistencia de los estudiantes en tiempo real. Inspire para Tutores utiliza el modelo predictivo de mayor fortaleza estadística para colocar nombre y apellido a la persona que debe de atenderse clasificando a cada individuo en nivel de persistencia en la universidad. Combinando el proceso cualitativo de alarma académica que los docentes de Aliat utilizan a diario en su labor académica, más los datos cuantitativos que se obtienen del modelo predictivo, se tienen elementos sólidos que permiten atender en forma eficiente y focalizada a la población más vulnerable de la institución.
CONCLUSIONES
Es un hecho que la labor de los docentes, del personal de apoyo, de los psicólogos y de los administrativos de la institución se complementa por el apoyo propio en el desarrollo profesional que generan los estudiantes en sus grupos de clase por medio de las redes de soporte e integración social que establecen. Así mismo, la labor de la familia como soporte económico, social y emocional depende mucho de cada individuo.
La bondad de la ciencia y la estadística aplicada permite determinar con criterios objetivos a quién atender y por qué. La estadística inferencial actual dentro de los modelos predictivos permite determinar en forma llana los factores que impactan en el éxito del estudiante señalando porcentajes de impacto de los indicadores de deserción. Sin embargo, sin una cultura de servicio y atención a los estudiantes, la información carece de importancia. Sólo cuando se integran elementos de acción directa de la institución y los educadores en favor de cada estudiante es posible revertir los elementos que propician la deserción.
Las evidencias en esta primera etapa de implementación del sistema son satisfactorias. Se han incrementado los niveles de atención al estudiante, la satisfacción de las experiencias de aprendizaje y el compromiso docente. Aún falta bastante por hacer en este rubro, buscando mayor eficiencia operativa en favor del crecimiento humano, académico y profesional de cada estudiante.
BIBLIOGRAFÍA
Bean, J. (1980). Dropouts and Turnover: The Synthesis and Test of a Causal Model of Student Attrition. Research in Higher Education, 12(2), 155-87.
Bean, J. y Eaton, S. B. (2000). A psychological model of college student retention. In Braxton, J. M. (Ed.). Reworking the departure puzzle: New theory and research on college student retention. Nashville: University of Vanderbilt Press.
Bean, J. y Eaton, S. B. (2001). The psychology underlying successful retention practices. Journal of College Student Retention, 3(1), 73-89.
Cabrera, A. F., Nora, A. y Castañeda, M. B. (1993). College Persistence: Structural Equations Modeling Test of an Integrated Model of Student Retention. The Journal of Higher Education, 64(2), 123-139.
Castano, M. (2006). Diversity, equity aid retention. Distance Education Report. Magna Publication, 10(19), 4-7.
Spady, W. G. (1970). Dropouts from higher education: An interdisciplinary review and synthesis. Interchange, 1(1), 64-85.
Spady, W. G. (1971). Dropouts from higher education: Toward an empirical model. Interchange, 2(3), 38-62.
Tinto, V. (1975). Dropout from higher education: A theoretical synthesis of recent research. Review of Educational Research, 45(1), 89-125.
Tinto, V. (1993). Leaving college: Rethinking the causes and cures of student attrition. (2nd ed.). Chicago: University of Chicago Press.
Tinto, V. (1997). Classrooms as communities: exploring the educational character of student persistence. Journal of Higher Education, 68(6), 599-623.
Tinto, V. (2000). Linking learning and leaving. In Braxton, J. (Ed.). Reworking the student departure puzzle (First ed., pp. 81-94). Nashville: Vanderbilt University Press.
Referencias electrónicas:
Amazon: http://www.amazon.com.mx/
eHarmony: http://www.eharmony.com/
Facebook: https://es-la.facebook.com/
Google: https://www.google.com.mx
Netflix: https://www.netflix.com/mx/