Patrones complejos en la predicción de resultados en la educación superior: abriendo la ?caja negra? de Redes Neuronales Artificiales para su mejor comprensión.

MUSSO, M. F.; CASCALLAR, E. C.

Buenos Aires

Jornada; IV Jornadas de Psicología 2018 (JIP 2018); 2018

UADE

Introducción: Previos estudios han indicado que la finalización exitosa de una carrera universitaria es un complejo fenómeno explicado por un gran y diverso conjunto de factores: diferencias individuales de los estudiantes, características institucionales y contingencias ambientales. Predecir y comprender diferentes resultados claves en esta trayectoria académica, tales como el rendimiento académico, la retención/deserción y la finalización de la carrera universitaria, permitiría el desarrollo de programas de intervención más focalizados. Aunque en la década pasada se han desarrollado algunos modelos integrales y holísticos, la mayoría de ellos se han basado en enfoques metodológicos clásicos que asumen relaciones lineales entre las variables y no siempre alcanzan clasificaciones predictivas precisas. Por lo tanto, es necesario una aproximación más robusta y precisa que incluya la naturaleza más compleja de la trayectoria académica que lleva a finalizar una carrera de forma exitosa. El uso de enfoques de ?machine learning? tales como redes neuronales artificiales (RNA) ha sido más efectiva en la clasificación de varios resultados educativos, superando las limitaciones de enfoques más tradicionales. Una red neuronal artificial es una estructura computacional que consiste en varios elementos altamente interconectados con la cual se modela complejas interacciones. Además, con el uso de estas técnicas es posible identificar el nivel de participación de cada variable involucrada en el modelado de un problema, mientras se logra una muy alta precisión en las clasificaciones predictivas. Objetivo: Desarrollar modelos de RNA que permitan identificar con una alta precisión diferentes niveles de rendimiento académico al comienzo de la carrera universitaria, la retención vs deserción al finalizar el primer año y el logro del título académico en un plazo de 5 años. Metodología: la muestra total consistió en 655 estudiantes de una universidad privada (Mujeres: 52.3%), promedio de edad= 19 años (DE = 3.43), de primero o segundo año en variadas disciplinas (cohortes 2009, 2010 & 2011). Al comienzo de cada cohorte, se aplicaron varios instrumentos para evaluar aspectos cognitivos: memoria de trabajo, tiempos de reacción y redes atencionales. Además, se usaron medidas de autoreporte de estrategias de afrontamiento, estrategias de aprendizaje, apoyo social percibido, salud, autoconcepto y entorno socio-económico familiar. Se desarrollaron redes neuronales multicapas con algoritmo de retroalimentación. Resultados: las RNA lograron una precisión del 100% en la clasificación de estudiantes que pertenecían o no a cada grupo para los tres resultados educativos. Entre los mejores predictores, la estrategias de aprendizaje tuvieron una mayor contribución para la predicción del rendimiento académico y finalización de la carrera, mientras que las variables del entorno socio-económico y familiar tuvieron mayor peso predictivo para la retención/deserción académica. Discusión: los resultados serán discutidos de acuerdo a previos estudios y al marco teórico cognitivo utilizado.