{"id":1794,"date":"2025-10-03T16:02:56","date_gmt":"2025-10-03T19:02:56","guid":{"rendered":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=1794"},"modified":"2025-10-07T09:40:52","modified_gmt":"2025-10-07T12:40:52","slug":"modelos-de-prediccion-del-abandono-en-la-universidad-nacional-de-hurlingham","status":"publish","type":"post","link":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=1794","title":{"rendered":"Modelos de predicci\u00f3n del abandono en la Universidad Nacional de Hurlingham"},"content":{"rendered":"<p>Por <strong>Mart\u00edn Ariel Pustilnik<\/strong> (Licenciado en Ciencias de la Computaci\u00f3n-UBA, Magister en Explotaci\u00f3n de Datos y Descubrimiento del Conocimiento-UBA, Investigador y Profesor Adjunto en la Universidad Nacional de Hurlingham).<\/p>\n<p><strong>El presente art\u00edculo constituye una s\u00edntesis de los principales resultados obtenidos en el marco de la investigaci\u00f3n desarrollada para la tesis de la Maestr\u00eda en Explotaci\u00f3n de Datos y Descubrimiento de Conocimiento de la Universidad de Buenos Aires. El objetivo general del trabajo fue desarrollar modelos de detecci\u00f3n temprana del abandono universitario basados en Aprendizaje Autom\u00e1tico, en el marco del proyecto \u201cEstrechando el contacto entre universidades estudiantes: comunicaci\u00f3n ante posibles casos de deserci\u00f3n, propuestas para la inscripci\u00f3n\u201d. Dicho proyecto fue aceptado para su inclusi\u00f3n en el Banco Nacional de Proyectos de Desarrollo Tecnol\u00f3gico y Social (PDTS) del Ministerio de Ciencia, Tecnolog\u00eda e Innovaci\u00f3n de la Naci\u00f3n, seg\u00fan Resoluci\u00f3n 2021-1010-APN-SACT#MCT de la Secretar\u00eda de Articulaci\u00f3n Cient\u00edfico-Tecnol\u00f3gica de dicho Ministerio.<\/strong><\/p>\n<p><strong>Motivaci\u00f3n y Problema<\/strong><br \/>\nSe estima que en el sistema universitario s\u00f3lo el 28,5% de los estudiantes que ingresan se grad\u00faa en un tiempo te\u00f3rico de 5 a\u00f1os. En la Tabla 1 se muestran los Nuevos Inscriptos, Egresados y el Porcentaje de graduados en tiempo te\u00f3rico. Entendemos que el abandono estudiantil es, tal vez, el factor individual m\u00e1s importante que explica estos porcentajes de egreso.<\/p>\n<p><a href=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla1.png\"><img decoding=\"async\" loading=\"lazy\" class=\"size-full wp-image-1795\" src=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla1.png\" alt=\"\" width=\"885\" height=\"150\" srcset=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla1.png 885w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla1-300x51.png 300w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla1-768x130.png 768w\" sizes=\"(max-width: 885px) 100vw, 885px\" \/><\/a><\/p>\n<p><span style=\"font-weight: 400;\">La Universidad Nacional de Hurlingham (UNAHUR) es p\u00fablica y gratuita, funciona desde 2016 con gran integraci\u00f3n con la comunidad y alto inter\u00e9s por la permanencia de sus estudiantes, pero con alta tasa de abandono estudiantil, su matr\u00edcula crece aceleradamente y presenta alta incidencia de estudiantes de primera generaci\u00f3n de universitarios y de bajos ingresos econ\u00f3micos. Entre las acciones para abordar la prevenci\u00f3n del abandono, la UNAHUR ha estado desarrollando modelos de predicci\u00f3n de abandono utilizando t\u00e9cnicas de Machine Learning.<\/span><\/p>\n<p><b>\u00bfCu\u00e1les son los objetivos de la tesis?<\/b><\/p>\n<ul>\n<li><span style=\"font-weight: 400;\">Desarrollar modelos que proporcionen alertas tempranas de abandono en el contexto de la UNAHUR, para poder intervenir y asistir a las personas antes de que abandonen.<\/span><\/li>\n<li>Probar hip\u00f3tesis para identificar qu\u00e9 variables influyen en el abandono, y as\u00ed mejorar el modelo.<\/li>\n<li>Proporcionar recomendaciones sobre variables no relevadas y que deber\u00edan ser censadas.<\/li>\n<li>Generar un reporte de personas en riesgo, indicando adem\u00e1s de la probabilidad de abandono, los factores m\u00e1s significativos para cada individuo, permiti\u00e9ndonos as\u00ed iniciar la comunicaci\u00f3n y explorar los motivos subyacentes sin tener que censar a toda la poblaci\u00f3n estudiantil.<\/li>\n<\/ul>\n<p><span style=\"font-weight: 400;\">La hip\u00f3tesis principal del trabajo es: que se puede predecir el abandono actual, bas\u00e1ndonos en el comportamiento (abandono) cohortes anteriores. De esta forma se entrenaron los modelos con cohortes de 2020 a 2021 para predecir el abandono de la cohorte 2022. La diferencia entre la predicci\u00f3n y el valor real subyace en las variables no utilizadas en el modelo y la diferencia que tienen las cohortes entre s\u00ed.<\/span><\/p>\n<p><b>\u00bfCon qu\u00e9 datos trabajamos?<\/b><\/p>\n<p><span style=\"font-weight: 400;\">Estos modelos se basan en los datos del Sistema de Informaci\u00f3n Universitaria Guaran\u00ed (SIU-Guaran\u00ed), que tiene m\u00e1s de 10.000 campos y 500 tablas. Por ese motivo se relev\u00f3 el subconjunto de datos necesarios para generar las variables. Tambi\u00e9n se calcularon variables que no estaban en el SIU, como la distancia y tiempo de viaje en transporte p\u00fablico. Se calcularon a partir de la direcci\u00f3n, para obtener una direcci\u00f3n v\u00e1lida que se pueda procesar en Google Maps\u00ae e inferir un tiempo de viaje promedio desde la direcci\u00f3n de la persona hacia la universidad como muestra el esquema de la Figura 1.<\/span><\/p>\n<p><a href=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura1.png\"><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter size-full wp-image-1796\" src=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura1.png\" alt=\"\" width=\"708\" height=\"253\" srcset=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura1.png 708w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura1-300x107.png 300w\" sizes=\"(max-width: 708px) 100vw, 708px\" \/><\/a><\/p>\n<p><b>Metodolog\u00eda y m\u00e9tricas<\/b><\/p>\n<p><span style=\"font-weight: 400;\">Implementamos la metodolog\u00eda CRISP-DM, para las sucesivas mejoras a las variables de cada modelo. Se implementaron modelos en diferentes algoritmos conocidos de aprendizaje supervisado, tales como \u00c1rboles de Decisi\u00f3n, Maquinas de Soporte Vectorial y XGBoost.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">En todos los modelos se separaron m\u00faltiples conjuntos de datos de testeo seleccionados al azar, para medir los resultados de los modelos entrenados. Se utilizaron m\u00e9tricas como \u00c1rea Bajo la Curva ROC (AUC) y Exactitud Balanceada \u00d3ptima (EBO) para comparar el desempe\u00f1o de cada\u00a0 modelo. Para comparar los resultados se consideraron los valores promedio de cada m\u00e9trica. Adem\u00e1s, generamos un listado con las variables m\u00e1s importantes para los modelos basados en \u00e1rboles.<\/span><\/p>\n<p><b>Resultados<\/b><\/p>\n<p><span style=\"font-weight: 400;\">Primero se compar\u00f3 el abandono condicional de algunas variables clave, sugeridas en la bibliograf\u00eda o por actores de UNAHUR, como directores de carrera, entrevistados como parte del trabajo. <\/span><span style=\"font-weight: 400;\">En la Figura 2 se muestran los alumnos agrupados por cantidad de horas de trabajo por semana al comenzar su cursada. Hay 19.121 alumnos que no trabajan al comenzar la cursada. <\/span><span style=\"font-weight: 400;\">Como sugiere <\/span><span style=\"font-weight: 400;\">Fazio (2004), el mayor porcentaje de abandono no se alcanz\u00f3 entre los alumnos que trabajaban, a menos que lo hagan por m\u00e1s de 35 horas por semana. Para los alumnos que trabajan entre 10 y 35 horas por semana el porcentaje de abandono est\u00e1 en rango del 56,42% al 56,66%.<\/span><\/p>\n<p><a href=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura2.png\"><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter size-full wp-image-1797\" src=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura2.png\" alt=\"\" width=\"862\" height=\"327\" srcset=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura2.png 862w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura2-300x114.png 300w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura2-768x291.png 768w\" sizes=\"(max-width: 862px) 100vw, 862px\" \/><\/a><\/p>\n<p><span style=\"font-weight: 400;\">En la Figura 3 se muestra el abandono por tiempo de viaje calculado en transporte p\u00fablico. Se registr\u00f3 un mayor abandono (64,51%) en los alumnos que tardaban entre 0,1 y 0,3hs (de 6 a 18 minutos) respecto de otros tiempos, inclusive m\u00e1s que los tardaban entre 0,3 y 2hs. El tiempo de viaje fue estimado para transporte p\u00fablico, pudiendo pasar en realidad que los alumnos de distancias m\u00e1s lejanas se trasladen en veh\u00edculos personales, pudiendo tener en realidad un tiempo menor al calculado. Los tiempos de viaje mayores a 2 horas se consideraron datos at\u00edpicos.\u00a0<\/span><\/p>\n<p><a href=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura3.png\"><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter size-full wp-image-1798\" src=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura3.png\" alt=\"\" width=\"867\" height=\"334\" srcset=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura3.png 867w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura3-300x116.png 300w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura3-768x296.png 768w\" sizes=\"(max-width: 867px) 100vw, 867px\" \/><\/a><\/p>\n<p><span style=\"font-weight: 400;\">Encontramos que los alumnos con \u201cdominio de email\u201d institucional (@unahur.edu.ar, @inta.gob.ar, etc) abandonan menos (32,08%) que los alumnos con otros dominios de email (63,58%). Una hip\u00f3tesis es que contar con un\u00a0 mail institucional denota una mayor adaptaci\u00f3n a la vida acad\u00e9mica (Tinto, 1982) que no tenerlo. La Figura 4 muestra el porcentaje de abandono seg\u00fan el dominio del email. Hasta la actualidad no encontramos modelos que se beneficien de esta variable.<\/span><\/p>\n<p><a href=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura4.png\"><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter size-full wp-image-1799\" src=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura4.png\" alt=\"\" width=\"844\" height=\"346\" srcset=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura4.png 844w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura4-300x123.png 300w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura4-768x315.png 768w\" sizes=\"(max-width: 844px) 100vw, 844px\" \/><\/a><\/p>\n<p><span style=\"font-weight: 400;\">Autores como Di Gresia et al. (2007), Cameron y Taber (2001) afirman que las becas, en especial si est\u00e1n dirigidas a grupos de riesgo, tienen un efecto positivo en la retenci\u00f3n. En la Figura 5 se observa que los alumnos que perciben al menos una beca abandonan menos (entre el 50,16% y el 51,17%) que los alumnos que no perciben ninguna (61,15%).<\/span><\/p>\n<p><a href=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura5.png\"><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter size-full wp-image-1800\" src=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura5.png\" alt=\"\" width=\"858\" height=\"335\" srcset=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura5.png 858w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura5-300x117.png 300w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura5-768x300.png 768w\" sizes=\"(max-width: 858px) 100vw, 858px\" \/><\/a><\/p>\n<p><span style=\"font-weight: 400;\">La Figura 6 (izquierda) muestra la cantidad de alumnos que completaron el censo hace una cantidad de meses (eje x). La Figura 38 (derecha) muestra el porcentaje de abandono para cada cantidad censada. A partir de los datos se calcul\u00f3 y grafic\u00f3 una regresi\u00f3n lineal (l\u00ednea negra) con pendiente positiva, indicando una relaci\u00f3n proporcional de abandono respecto de hace cuantos meses completo el censo.\u00a0 Los alumnos que nunca completaron el censo se agrupan al final de la serie. El 71,79% de estos 2.896 alumnos est\u00e1n clasificados como \u201cabandono\u201d. Muchos grupos, como por ejemplo (x = 62 meses) tienen asociados porcentajes altos (porcentaje &gt; 90). Estos datos son at\u00edpicos por tener menos de 50 alumnos agrupados en ese rango.<\/span><\/p>\n<p><a href=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura6.png\"><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter size-full wp-image-1801\" src=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura6.png\" alt=\"\" width=\"845\" height=\"367\" srcset=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura6.png 845w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura6-300x130.png 300w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura6-768x334.png 768w\" sizes=\"(max-width: 845px) 100vw, 845px\" \/><\/a><\/p>\n<p><b>M\u00e9tricas<\/b><\/p>\n<p><span style=\"font-weight: 400;\">En la Tabla 2 se muestra la Matriz de confusi\u00f3n para la exactitud balanceada \u00f3ptima (EBO), \u00c1rea bajo la Curva ROC y el resumen de medidas del mejor modelo (XGBoost).\u00a0<\/span><\/p>\n<p><a href=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla2.png\"><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter size-full wp-image-1802\" src=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla2.png\" alt=\"\" width=\"858\" height=\"411\" srcset=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla2.png 858w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla2-300x144.png 300w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla2-768x368.png 768w\" sizes=\"(max-width: 858px) 100vw, 858px\" \/><\/a><\/p>\n<p><span style=\"font-weight: 400;\">En la Tabla 3\u00a0 se muestran los resultados m\u00e1s importantes de los tres modelos utilizados.<\/span><\/p>\n<p><a href=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla3.png\"><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter size-full wp-image-1803\" src=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla3.png\" alt=\"\" width=\"773\" height=\"139\" srcset=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla3.png 773w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla3-300x54.png 300w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Tabla3-768x138.png 768w\" sizes=\"(max-width: 773px) 100vw, 773px\" \/><\/a><\/p>\n<p><span style=\"font-weight: 400;\">Se utiliz\u00f3 la m\u00e9trica <\/span><i><span style=\"font-weight: 400;\">Gain<\/span><\/i><span style=\"font-weight: 400;\"> provista por <\/span><i><span style=\"font-weight: 400;\">XGBoost<\/span><\/i><span style=\"font-weight: 400;\"> para calcular la importancia de las variables para los modelos basados en \u00e1rboles. <\/span><i><span style=\"font-weight: 400;\">Gain<\/span><\/i><span style=\"font-weight: 400;\"> se define como la ganancia promedio (average <\/span><i><span style=\"font-weight: 400;\">Information Gain<\/span><\/i><span style=\"font-weight: 400;\">) obtenida al particionar un atributo. En la Figura 7 se muestran las variables con <\/span><i><span style=\"font-weight: 400;\">Gain<\/span><\/i><span style=\"font-weight: 400;\"> &gt; 4,5.<\/span><\/p>\n<p><a href=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura7.png\"><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter size-full wp-image-1808\" src=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura7.png\" alt=\"\" width=\"681\" height=\"402\" srcset=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura7.png 681w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2025\/10\/Figura7-300x177.png 300w\" sizes=\"(max-width: 681px) 100vw, 681px\" \/><\/a><\/p>\n<p><b>Discusi\u00f3n y conclusiones<\/b><\/p>\n<p><span style=\"font-weight: 400;\">Se estima que en el Sistema Universitario Argentino s\u00f3lo el 28,5% de los estudiantes que ingresan se grad\u00faa en un tiempo te\u00f3rico de 5 a\u00f1os (1)<\/span><span style=\"font-weight: 400;\">, generando cada a\u00f1o el abandono o la extensi\u00f3n de la carrera para m\u00e1s de 400.000 alumnos. Esta situaci\u00f3n ocurre en todo el mundo en mayor o menor medida. En este trabajo se usaron modelos de Aprendizaje Autom\u00e1tico para testear hip\u00f3tesis que surgen de la bibliograf\u00eda o de actores de UNAHUR. La identificaci\u00f3n temprana de estudiantes en riesgo de abandono permite desarrollar intervenciones m\u00e1s eficaces, y consideramos que el sistema de recomendaci\u00f3n existente (Pustilnik et al., 2022) podr\u00eda adaptarse para proporcionar orientaci\u00f3n a estos estudiantes. En este trabajo, mejoramos el desempe\u00f1o de un modelo de predicci\u00f3n de abandono en UNAHUR propuesto en Pustilnik y Ndukanma (2023a y 2023b, y mencionado en diferentes medios: <\/span><a href=\"https:\/\/drive.google.com\/file\/d\/18AEqXyyBYJazLIPHs6kFQUlLAAe8d8UJ\/view\" target=\"_blank\" rel=\"noopener\"><span style=\"font-weight: 400;\">Entrevista 2024a<\/span><\/a><span style=\"font-weight: 400;\">, <\/span><a href=\"https:\/\/drive.google.com\/file\/d\/1zLUTryu0hJ6NFmHfjlLG0M6cHWtSYyt4\/view?usp=sharing\" target=\"_blank\" rel=\"noopener\"><span style=\"font-weight: 400;\">Entrevista 2024b<\/span><\/a><span style=\"font-weight: 400;\"> y <\/span><a href=\"https:\/\/drive.google.com\/file\/d\/1yfPUuw_-soGCn1mBIg_qb6ew4HWEDU5W\/view?usp=sharing\" target=\"_blank\" rel=\"noopener\"><span style=\"font-weight: 400;\">Entrevista 2025<\/span><\/a><span style=\"font-weight: 400;\">), incorporando variables como \u201cCantidad de horas de trabajo por semana\u201d, \u201cCantidad de becas\u201d y \u201cCarrera\u201d. En futuros trabajos esperamos obtener resultados a\u00fan mejores si conocemos:<\/span><\/p>\n<ul>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">El modo de traslado real de los alumnos.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">La situaci\u00f3n laboral durante la cursada, como sugieren Amago\u00a0 (2008), Antoni et al. (2007) y otros.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">La percepci\u00f3n de becas durante la cursada, como sugieren Cameron y Taber (2001), Di Gresia et al. (2007) y otros.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">El impacto de los programas como \u201c1 estudiante &#8211; 1 compa\u00f1ero\u201d que a\u00fan no han sido censados.\u00a0<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">El impacto del covid-19 en la tasa de abandono, dado el cambio de cursada virtual y otros factores.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">La asistencia a clase, que durante el covid-19\u00a0 no se pudo censar<\/span><\/li>\n<\/ul>\n<p><span style=\"font-weight: 400;\">Recomendamos enriquecer el censo anual con preguntas adicionales sobre el modo de transporte, la percepci\u00f3n de becas, si es \u201cprimera generaci\u00f3n de universitarios en su familia\u201d como sugiere Arias et al. (2015), como cursaron durante el Covid-19, la inscripci\u00f3n en programas de acompa\u00f1amiento universitario y la situaci\u00f3n laboral de los estudiantes durante la cursada.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">(1) Estad\u00edsticas para el a\u00f1o 2021.<\/span><\/p>\n<p>&nbsp;<\/p>\n<p><b>Bibliograf\u00eda<\/b><\/p>\n<p><b>Amago L. (2008).<\/b><span style=\"font-weight: 400;\"> Desgranamiento en el primer a\u00f1o de la Universidad. La cohorte 2005 en la Universidad Nacional de General Sarmiento. (Tesis in\u00e9dita de maestr\u00eda). Universidad Nacional de Luj\u00e1n, Pcia. de Buenos Aires.<\/span><\/p>\n<p><b>Antoni E.J., Pagura J.A., Quaglino M.B. (2007).<\/b><span style=\"font-weight: 400;\"> El rendimiento universitario. Un estudio de posibles factores causales en una facultad de la Universidad Nacional de Rosario. En Porto, A. (Ed). Mecanismos de admisi\u00f3n y rendimiento acad\u00e9mico de los estudiantes universitarios. Estudio comparativo para estudiantes de Ciencias Econ\u00f3micas (pp. 177-191). La Plata: Editorial de la Universidad de La Plata.<\/span><\/p>\n<p><b>Arias M., Mihal I., Gorostiaga, J. (2015). <\/b><span style=\"font-weight: 400;\">\u00a0El problema de la equidad en las universidades del conurbano bonaerense en Argentina: Un an\u00e1lisis de pol\u00edticas institucionales para favorecer la retenci\u00f3n. Revista mexicana de investigaci\u00f3n educativa 51(20), 47\u201369, <\/span><a href=\"https:\/\/ri.conicet.gov.ar\/handle\/11336\/51703\"><span style=\"font-weight: 400;\">https:\/\/ri.conicet.gov.ar\/handle\/11336\/51703<\/span><\/a><\/p>\n<p><b>Cameron y Taber C. (2001).<\/b><span style=\"font-weight: 400;\"> Estimation of Education Borrowing constraint using Returns of Schoolong. Journal of Political Economy, 2004, vol. 112, n. \u00b0 1.<\/span><\/p>\n<p><b>Departamento de Informaci\u00f3n Universitaria (2022).<\/b><span style=\"font-weight: 400;\"> Estad\u00edsticas Universitarias 2021-2022. Rep\u00fablica Argentina. https:\/\/www.argentina.gob.ar\/sites\/default\/files\/sintesis_2021-2022_sistema_universitario_argentino_1.pdf<\/span><\/p>\n<p><b>Di Gresia L., Fazio M. V., Porto A., Ripani L., Sosa Escudero W. (2007)<\/b><span style=\"font-weight: 400;\">. Academic performance of public university students in Argentina. Well-Beingand Social Policy, 3(2), pp. 67-100<\/span><\/p>\n<p><b>Entrevista 2024a.<\/b><span style=\"font-weight: 400;\"> \u201cModelos de predicci\u00f3n del abandono en UNAHUR y Presupuesto Universitario.\u201d Radio Concepto. <\/span><a href=\"https:\/\/drive.google.com\/file\/d\/18AEqXyyBYJazLIPHs6kFQUlLAAe8d8UJ\/view\"><span style=\"font-weight: 400;\">(Enlace entrevista).<\/span><\/a><span style=\"font-weight: 400;\">\u00a0<\/span><\/p>\n<p><b>Entrevista 2024b.<\/b><span style=\"font-weight: 400;\"> \u201cModelos de predicci\u00f3n del abandono en UNAHUR y Presupuesto Universitario.\u201d Radio 10. <\/span><a href=\"https:\/\/drive.google.com\/file\/d\/1zLUTryu0hJ6NFmHfjlLG0M6cHWtSYyt4\/view?usp=sharing\"><span style=\"font-weight: 400;\">(Enlace entrevista)<\/span><\/a><span style=\"font-weight: 400;\">.<\/span><\/p>\n<p><b>Entrevista 2025.<\/b><span style=\"font-weight: 400;\">\u00a0 \u201cModelos de predicci\u00f3n del abandono en UNAHUR y Presupuesto Universitario.\u201d Radio Concepto. <\/span><a href=\"https:\/\/drive.google.com\/file\/d\/1yfPUuw_-soGCn1mBIg_qb6ew4HWEDU5W\/view?usp=sharing\"><span style=\"font-weight: 400;\">(Enlace entrevista).<\/span><\/a><\/p>\n<p><b>Fazio M. V. (2004).<\/b><span style=\"font-weight: 400;\"> Incidencia de las horas trabajadas en el rendimiento acad\u00e9mico de estudiantes universitarios argentinos (Tesis in\u00e9dita de Maestr\u00eda en Econom\u00eda). Universidad Nacional de La Plata.\u00a0<\/span><\/p>\n<p><b>Pustilnik M., Giuliano M., Puricelli F., Lombardi C., Gonz\u00e1lez Tuli\u00e1n G.,\u00a0 Pagliari F., Saldivia C., Ybarra J., Gaiani M. (2022).<\/b><span style=\"font-weight: 400;\"> Estrechando el contacto entre universidades y estudiantes: comunicaci\u00f3n ante posibles casos de abandono, propuestas para la inscripci\u00f3n. XXIV Workshop de Investigadores en Ciencias de la Computaci\u00f3n (WICC, Mendoza). pp. 734\u2013738, <\/span><a href=\"http:\/\/sedici.unlp.edu.ar\/handle\/10915\/145216\"><span style=\"font-weight: 400;\">http:\/\/sedici.unlp.edu.ar\/handle\/10915\/145216<\/span><\/a><\/p>\n<p><b>Pustilnik M. y Ndukanma G. (2023a)<\/b><span style=\"font-weight: 400;\">. Modelos Para La Predicci\u00f3n del Abandono en la Universidad Nacional de Hurlingham. XVIII Congreso Tecnolog\u00eda en Educaci\u00f3n &amp; Educaci\u00f3n en Tecnolog\u00eda (TE &amp; ET, Hurlingham). ISBN: 978-987-46875-6-2. <\/span><a href=\"http:\/\/sedici.unlp.edu.ar\/handle\/10915\/155526\"><span style=\"font-weight: 400;\">http:\/\/sedici.unlp.edu.ar\/handle\/10915\/155526<\/span><\/a><\/p>\n<p><b>Pustilnik M. y Ndukanma G. (2023b). <\/b><span style=\"font-weight: 400;\">Ingenier\u00eda de atributos para modelos de predicci\u00f3n del abandono universitario en Argentina. XII Congreso Latinoamericano sobre el Abandono en la Educaci\u00f3n Superior (CLABES 2023). ISBN: 978-956-6224-39-6 URL: https:\/\/clabes.uct.cl\/wp-content\/uploads\/2024\/06\/Acta-XII-CLABES-Revision-final.pdf<\/span><\/p>\n<p><b>Tinto V. (1982)<\/b><span style=\"font-weight: 400;\">. Limits of theory and practice in student attrition. The Journal of Higher Education 53(6), 687\u2013700, \u00a0 \u00a0 <\/span><a href=\"http:\/\/www.jstor.org\/stable\/1981525\"><span style=\"font-weight: 400;\">http:\/\/www.jstor.org\/stable\/1981525<\/span><\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Por Mart\u00edn Ariel Pustilnik (Magister en Explotaci\u00f3n de Datos y Descubrimiento del Conocimiento-UBA, Investigador y Profesor Adjunto en la Universidad Nacional de Hurlingham).  Este art\u00edculo es una s\u00edntesis de los principales resultados obtenidos en la Tesis de Maestr\u00eda y el objetivo general del trabajo fue desarrollar modelos de detecci\u00f3n temprana del abandono universitario basados en Aprendizaje Autom\u00e1tico.<\/p>\n","protected":false},"author":4,"featured_media":1804,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_mi_skip_tracking":false},"categories":[22,25,29],"tags":[],"_links":{"self":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1794"}],"collection":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1794"}],"version-history":[{"count":4,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1794\/revisions"}],"predecessor-version":[{"id":1809,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1794\/revisions\/1809"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/media\/1804"}],"wp:attachment":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1794"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1794"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1794"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}