CÓDIGO: 103-200-PRO01-FOR
UNIVERSIDAD POPULAR DEL CESAR VERSIÓN: 1
PÁG.: 1 de 1
GUIA DE APRENDIZAJE DE ACTIVIDADES PARA LA
CONSTRUCCIÓN DE CONOCIMIENTO FECHA: 13/11/2009
IDENTIFICACIÓN
CALCULO IV, ESTADISTICA,
NOMBRE DE LA PROGRAMACIÓN III,
GRUPO IV SEMESTRE
ASIGANTURA SEMILLEROS, ELECTIVA
ADMINISTRACIÓN.
TITULO DEL TRABAJO
FORMATO DE PRESENTACIÓN PROYECTO INTEGRADOR MOMENTO 1
|NOMBRE_ESTUDIANTE_proyecto_integrador_primer_momento.
1.Título del Proyecto
Caracterización de la población para determinar el riesgo de deserción de los estudiantes de la
Universidad Popular del Cesar Seccional Aguachica.
Introducción
La inteligencia artificial (IA) es una herramienta tecnológica demasiado avanzada, permite a las
computadoras realizar diferentes funciones que habitualmente requieran conocimiento humano. Está diseñada
para comprender y resolver problemas, optimizar y facilitar procesos, analizar grandes cantidades de datos y
variedades de cosas más, (Cloud 2024). El objetivo de la IA es establecer sistemas de autoaprendizaje que
derivan significado de datos, más adelante ese conocimiento se podrá implementar para solucionar nuevos
problemas de forma a como una persona lo haría, (aws 2024). A lo largo del tiempo han sido tendencias
diferentes tecnologías, actualmente una de estas es el machine learning o aprendizaje de las máquinas, es un
subconjunto de la IA que permite que las máquinas puedan aprender, procesar e integrar datos para tomar
decisiones utilizando algoritmos y funciones basadas en aprendizaje automático, (IKUSI 2024).
Debido al gran beneficio del machine learning en la humanidad, existen diversos algoritmos inteligentes.
Estos algoritmos son fragmentos de código con un conjunto de normas y procesos que las computadoras
utilizan para llevar a cabo labores que regularmente requieran capacidad de comprensión humana, su propósito
es aprovechar grandes cantidades de datos para aprender, decidir y solucionar problemas (Navarro 2024).
Según, FundsPeople (2024), los algoritmos “se entrenan para hacer predicciones e identificar patrones
aprendiendo de datos históricos. Estos algoritmos se crean utilizando lenguajes de programación de machine
learning”. La evolución de tecnologías como la nube, la computación y el big data han ayudado a que la
Inteligencia Artificial sea más ágil, económica y accesible. Cada fragmento de código son un conjunto definido
de instrucciones paso a paso incuestionables que sigue la máquina para lograr un objetivo fijo. Los algoritmos
de aprendizaje automático utilizan criterios derivados de los datos de entrenamiento, un subconjunto de datos
CÓDIGO: 103-200-PRO01-FOR
UNIVERSIDAD POPULAR DEL CESAR VERSIÓN: 1
PÁG.: 2 de 1
GUIA DE APRENDIZAJE DE ACTIVIDADES PARA LA
CONSTRUCCIÓN DE CONOCIMIENTO FECHA: 13/11/2009
que representa el conjunto más grande. A medida que se incrementan los datos de entrenamiento para
representar el mundo de una manera más realista, el algoritmo genera resultados más precisos, (Azure 2024).
Técnicas de aprendizaje automático
A medida que sepas más sobre los algoritmos de aprendizaje automático, verás que, normalmente, están
dentro de una de estas tres técnicas de aprendizaje automático:
Aprendizaje supervisado: En el proceso de aprendizaje supervisado, los algoritmos elaboran
predicciones fundamentadas en un conjunto de ejemplos etiquetados que se les brindan. Esta técnica es útil
cuando tienes idea de cómo será el resultado esperado. Por ejemplo, imaginas que dispone de un archivo que
contiene la población de una serie de ciudades durante el último 100 años y deseas determinar cuál será la
población de una ciudad específica durante cuatro años. Se emplean etiquetas que ya se encuentran presentes en
el conjunto de datos: población, ciudad y año, (Azure 2024).
Aprendizaje no supervisado: En el proceso de aprendizaje no supervisado, los puntos de datos
no están etiquetados; el algoritmo la etiqueta de forma automática y describiendo su estructura. Esta técnica es
útil cuando no tienes idea de cómo será el resultado esperado. Por ejemplo, imagina que proporcionas datos de
clientes y deseas establecer segmentos de clientes a los que les agradan productos similares. Los datos que
proporcionas no están clasificados y las etiquetas de los resultados se generan en función de las diferencias
detectadas entre los puntos de datos, (Azure 2024).
Reforzar el aprendizaje: El aprendizaje de refuerzo se basa en algoritmos que evalúan los
resultados y determinan qué acción deben tomar a continuación. Tras cada acción, el algoritmo recibe
comentarios que lo ayudan a determinar si esa elección fue adecuada, neutra o incorrecta. Se trata de una
técnica adecuada para aplicarla en sistemas automatizados que requieren tomar muchas decisiones pequeñas sin
la intervención humana. Por ejemplo, imagina que estás desarrollando un automóvil autónomo y quieres
asegurarte de que cumpla con las leyes y garantice la seguridad de los pasajeros. A medida que el vehículo
acumula experiencia y refuerzos, aprende a mantenerse en su carril, respetar los límites de velocidad y
detenerse cuando detecta peatones, (Azure 2024).
Tipos de algoritmos inteligentes
Algoritmos de regresión: En las tareas de regresión, el programa de aprendizaje automático
deberá evaluar y comprender las conexiones entre las variables. El análisis de regresión se centra en una
variable dependiente y una serie de variables cambiantes, lo cual resulta sumamente útil para la predicción y el
CÓDIGO: 103-200-PRO01-FOR
UNIVERSIDAD POPULAR DEL CESAR VERSIÓN: 1
PÁG.: 3 de 1
GUIA DE APRENDIZAJE DE ACTIVIDADES PARA LA
CONSTRUCCIÓN DE CONOCIMIENTO FECHA: 13/11/2009
pronóstico, (APD 2024).
Algoritmos bayesianos: Este tipo de algoritmos de clasificación se basa en el teorema de Bayes
y asume que cada valor es independiente de los demás. Esto permite predecir una clase o categoría según un
conjunto específico de características, empleando probabilidades. A pesar de su simplicidad, el clasificador
funciona de manera asombrosa y se utiliza con frecuencia debido a que supera a los métodos de clasificación
más avanzados, (APD 2024).
Algoritmos de agrupación: Se usan para categorizar datos sin categorías o grupos definidos en
el aprendizaje no supervisado. El algoritmo trabaja buscando grupos dentro de los datos, donde la cantidad de
grupos está determinada por la variable K. Luego, asigna cada punto de datos a uno de estos K grupos de forma
iterativa, basándose en las características dadas, (APD 2024).
Algoritmos de árbol de decisión: Un árbol de decisión es un diagrama de flujo que usa un
método de bifurcación para mostrar cada resultado posible de una decisión. Cada nodo del árbol muestra una
prueba en una variable específica y cada rama es el resultado de esa prueba, (APD 2024).
Algoritmos de redes neuronales: Una red neuronal artificial (RNA) es un sistema de unidades
organizadas en capas conectadas entre sí, inspirado en el funcionamiento del cerebro. Estas redes consisten en
numerosos elementos de procesamiento que trabajan juntos para resolver problemas específicos. A través de
ejemplos y experiencia, las RNA pueden aprender y son especialmente útiles para modelar relaciones complejas
y no lineales en datos de alta dimensión o cuando las relaciones entre variables son difíciles de interpretar,
(APD 2024).
Algoritmos de reducción de dimensión: La reducción de dimensión reduce el número de
variables que se consideran para encontrar la información exacta requerida, (APD 2024).
Algoritmos de Aprendizaje Profundo: Los algoritmos de aprendizaje profundo procesan los
datos mediante varias capas de redes neuronales, donde cada capa simplifica la información antes de pasarla a
la siguiente. Aunque suelen funcionar bien con datos estructurados de hasta unos cientos de características, se
vuelven ineficientes o inviables con datos no estructurados, como imágenes, debido a la gran cantidad de
características involucradas, (APD 2024).
2. Planteamiento del Problema
La Universidad Popular del Cesar Seccional Aguachica, como institución educativa consciente que la
deserción afecta el desarrollo personal y profesional de los estudiantes, necesita conocer los factores que
influyen en este fenómeno, para determinar la población en riesgo de deserción y así tomar acciones para
poder disminuir el porcentaje de los alumnos que se retiran. La deserción estudiantil en universidades afecta
CÓDIGO: 103-200-PRO01-FOR
UNIVERSIDAD POPULAR DEL CESAR VERSIÓN: 1
PÁG.: 4 de 1
GUIA DE APRENDIZAJE DE ACTIVIDADES PARA LA
CONSTRUCCIÓN DE CONOCIMIENTO FECHA: 13/11/2009
tanto a los aprendices como instituciones, se ha identificado que varios factores influyen en la deserción,
incluido el rendimiento académico, los factores socioeconómicos y el nivel de participación, entre otros.
3. Objetivo General de la Propuesta
El objetivo general de esta propuesta es [inserta aquí el objetivo principal del proyecto, describiendo
lo que se espera lograr].
Objetivo 2. Proponer un algoritmo inteligente o la combinación de más de un algoritmo que use la
información seleccionada para predecir el riesgo de deserción de un estudiante.
4. Estado del Arte
La deserción universitaria es un fenómeno ampliamente estudiado debido a sus implicaciones tanto
para el desarrollo individual como para la eficiencia y sostenibilidad de las instituciones educativas. La
Universidad Popular del Cesar, en su seccional Aguachica, se enfrenta a este desafío y busca comprender las
causas principales de la deserción entre sus estudiantes. Diversos estudios han analizado factores asociados a
la deserción, entre los que destacan el rendimiento académico, el contexto socioeconómico, y el nivel de
compromiso de los estudiantes con su formación académica.
Factores asociados a la deserción
La literatura académica subraya que la deserción universitaria está influenciada por una combinación de
factores personales, académicos y socioeconómicos. Estudios previos han identificado que estudiantes con
dificultades académicas o falta de recursos económicos son más propensos a abandonar sus estudios
(Martínez y López, 2021). Además, el apoyo familiar y el sentido de pertenencia al entorno universitario
juegan un rol importante en la permanencia de los estudiantes en la educación superior (Veliz et al., 2022).
Estos factores interactúan con otros como la motivación y el compromiso de los estudiantes, lo que implica
una dimensión tanto cognitiva como emocional y conductual en la permanencia académica.
Modelos predictivos y tecnología en la identificación de riesgos
La evolución en tecnologías de inteligencia artificial y aprendizaje automático ha permitido la creación de
modelos predictivos que analizan grandes volúmenes de datos para identificar patrones de deserción. Estos
modelos suelen basarse en algoritmos de regresión, redes neuronales, y técnicas de clasificación, y son
capaces de predecir el riesgo de deserción con gran precisión (APD, 2024). Por ejemplo, el uso de algoritmos
de agrupación ha facilitado la segmentación de estudiantes en función de su riesgo de abandono, lo que
CÓDIGO: 103-200-PRO01-FOR
UNIVERSIDAD POPULAR DEL CESAR VERSIÓN: 1
PÁG.: 5 de 1
GUIA DE APRENDIZAJE DE ACTIVIDADES PARA LA
CONSTRUCCIÓN DE CONOCIMIENTO FECHA: 13/11/2009
permite a las universidades implementar intervenciones focalizadas.
Perspectiva multidimensional del compromiso estudiantil
El modelo tridimensional del compromiso, que incluye las dimensiones cognitiva, afectiva y conductual,
proporciona una estructura integral para analizar cómo el compromiso de los estudiantes puede reducir el
riesgo de deserción. Según este modelo, los estudiantes con altos niveles de involucramiento en sus
actividades académicas y sociales muestran mayores tasas de retención (Iberico et al., 2023). La dimensión
cognitiva se centra en el esfuerzo mental que invierten los estudiantes, la dimensión afectiva considera sus
emociones y sentido de pertenencia, mientras que la dimensión conductual se relaciona con la participación
activa en actividades académicas y extracurriculares.
Brechas en el conocimiento actual
A pesar de los avances en el uso de la inteligencia artificial para la predicción de la deserción, persisten
limitaciones en la comprensión de cómo algunos factores interactúan y afectan la decisión de abandonar los
estudios. La mayoría de los estudios se han concentrado en contextos urbanos o en universidades con
recursos avanzados en tecnología, dejando de lado la realidad de instituciones en zonas rurales o con
recursos limitados. Además, es necesario profundizar en el impacto de intervenciones personalizadas, como
tutorías académicas y apoyo financiero, para determinar su efectividad en la reducción de la deserción.
5. Marco Teórico
Para la Presente investigación podemos hacer uso de varias fundamentaciones teóricas y enfoques
que pueden aplicarse para sustentar el modelo predictivo y asegurar su precisión y efectividad.
Principalmente, el aprendizaje de las maquinas (machine learning) es una rama de la inteligencia artificial
que capacita a las máquinas para realizar tareas sin necesidad de ser programadas de forma específica para
cada una de ellas. Para lograrlo, utilizan estadísticas como método para predecir y reconocer patrones, lo
cual resulta más efectivo en grandes cantidades de datos, (BBVA 2023). Asimismo, esta ciencia promete una
gran utilidad en áreas como la medicina, la robótica y la educación. Por otra parte, a muchos les preocupa las
consecuencias que pueda llegar a causar esta herramienta innovadora. Ya que, se busca generar organismos
mecánicos capacitados para ser inteligentes, sin necesidad de que el humano intervenga con frecuencia, nada
nos garantiza que no nos volveremos mentalmente obsoletos en el futuro al depender de estos sistemas,
(Hinestroza 2018).
La concepción sobre el compromiso de los estudiantes se puede definir como el grado de
responsabilidad que tienen los jóvenes con las actividades académicas. Cuanto más estén involucrados en su
formación educativa, mayor será la concentración y por lo tanto estarán más activos en la elaboración de sus
tareas, (Iberico et al.., 2023). Existen múltiples factores los cuales logren afectar el rendimiento de los
CÓDIGO: 103-200-PRO01-FOR
UNIVERSIDAD POPULAR DEL CESAR VERSIÓN: 1
PÁG.: 6 de 1
GUIA DE APRENDIZAJE DE ACTIVIDADES PARA LA
CONSTRUCCIÓN DE CONOCIMIENTO FECHA: 13/11/2009
estudiantes, el modelo tridimensional, es el más adecuado para determinar estos factores, este modelo abarca
las dimensiones cognitiva, afectiva y conductual. La dimensión cognitiva se refiere al esfuerzo psicológico
que los estudiantes invierten en sus tareas académicas, su motivación para aprender temas complejos y el
desarrollo de habilidades de autorregulación, como planificar y memorizar. La dimensión afectiva abarca
aspectos emocionales, como las actitudes y percepciones sobre el ambiente educativo, el sentido de
pertenencia en la escuela y las relaciones con docentes y compañeros. La dimensión conductual se refiere a
la participación de los estudiantes en actividades académicas, sociales y extracurriculares, y ha sido
estudiada para entender las dificultades que enfrentan al establecer vínculos con sus escuelas, (Veliz et al..,
2022).
En la fundamentación teórica, el análisis predictivo es una subdisciplina que radica en examinar los
datos históricos y actuales para efectuar predicciones sobre el futuro. Se requiere emplear una combinación
de técnicas estadísticas como el aprendizaje computacional y la minería de datos para el desarrollo, técnicas
matemáticas y de machine learning avanzadas para analizar la información, con el fin de desarrollar modelos
que predicen eventos y comportamientos futuros, (Espino 2017). Al combinar el análisis predictivo con big
data, las organizaciones logran una comprensión más profunda de las tendencias y patrones de conducta.
Con inteligencia artificial y algoritmos avanzados que simulan redes neuronales humanas, es posible hacer
predicciones detalladas sobre comportamientos y eventos, (Terreros 2023). De esta manera, aws (2024),
expresa que “El análisis predictivo puede ofrecer respuestas en tiempo real. Los modelos de análisis
predictivo entrenados pueden ingerir datos en tiempo real y ofrecer respuestas inmediatas”.
6. Fases del Trabajo a Desarrollar (Metodología)
La metodología del proyecto integrador se divide en las siguientes fases:
Ejemplo:
Fase 1: Recolección de Datos
En esta fase inicial, se diseñará e implementará un sistema informático robusto que permita
capturar información relevante de los estudiantes de la Universidad Popular del Cesar Seccional
Aguachica. Este sistema deberá incluir formularios digitales que recopilen datos demográficos (edad,
género, lugar de residencia), académicos (promedios, asignaturas cursadas, historial de matrículas) y
socioeconómicos (ingresos familiares, nivel educativo de los padres, acceso a recursos tecnológicos). La
plataforma también integrará mecanismos de validación para garantizar la calidad y consistencia de los
datos capturados.
CÓDIGO: 103-200-PRO01-FOR
UNIVERSIDAD POPULAR DEL CESAR VERSIÓN: 1
PÁG.: 7 de 1
GUIA DE APRENDIZAJE DE ACTIVIDADES PARA LA
CONSTRUCCIÓN DE CONOCIMIENTO FECHA: 13/11/2009
Fase 2: Análisis Exploratorio de Datos
Una vez recolectados los datos, se realizará un análisis exploratorio para identificar patrones,
correlaciones y tendencias que permitan comprender mejor las características de los estudiantes en
riesgo de deserción. Este proceso incluirá:
Visualización de datos mediante gráficos estadísticos.
Cálculo de indicadores descriptivos como promedios, medianas y desviaciones estándar.
Análisis de correlación entre variables relevantes.
Identificación de valores atípicos o inconsistencias en los datos.
Este análisis preliminar servirá como base para el desarrollo del algoritmo en fases posteriores.
Fase 3: Diseño e Implementación del Algoritmo
En esta etapa, se desarrollará un modelo predictivo utilizando algoritmos de aprendizaje
automático como árboles de decisión, redes neuronales o métodos de agrupamiento. La selección del
algoritmo dependerá de los resultados obtenidos en el análisis exploratorio. El proceso incluirá:
División de los datos en conjuntos de entrenamiento y prueba.
Entrenamiento del modelo utilizando técnicas de optimización para ajustar los hiperparámetros.
Validación cruzada para evaluar la robustez del modelo.
Implementación del algoritmo en la aplicación desarrollada para su uso en tiempo real.
CÓDIGO: 103-200-PRO01-FOR
UNIVERSIDAD POPULAR DEL CESAR VERSIÓN: 1
PÁG.: 8 de 1
GUIA DE APRENDIZAJE DE ACTIVIDADES PARA LA
CONSTRUCCIÓN DE CONOCIMIENTO FECHA: 13/11/2009
Fase 4: Validación y Evaluación
La eficacia del modelo predictivo se evaluará mediante pruebas exhaustivas utilizando datos
reales. Los criterios de evaluación incluirán:
Precisión: Porcentaje de predicciones correctas.
Sensibilidad: Capacidad para identificar correctamente a los estudiantes en riesgo.
Especificidad: Capacidad para descartar correctamente a los estudiantes no en riesgo.
Área bajo la curva ROC (AUC) para medir el rendimiento global del modelo.
En caso de resultados subóptimos, se realizarán ajustes en los parámetros y se considerará el uso
de técnicas avanzadas como el ensamblaje de múltiples modelos.
Fase 5: Documentación y Presentación
Finalmente, se elaborará un informe detallado que incluya todos los aspectos del proyecto, desde
la metodología hasta los resultados obtenidos. Este informe deberá cumplir con las normas APA versión
7 e incluir:
Introducción y contexto del problema.
Descripción de la metodología aplicada.
Resultados del análisis exploratorio y del modelo predictivo.
Discusión de hallazgos y recomendaciones.
Conclusiones y pasos futuros.
CÓDIGO: 103-200-PRO01-FOR
UNIVERSIDAD POPULAR DEL CESAR VERSIÓN: 1
PÁG.: 9 de 1
GUIA DE APRENDIZAJE DE ACTIVIDADES PARA LA
CONSTRUCCIÓN DE CONOCIMIENTO FECHA: 13/11/2009
La presentación ante el jurado se planificará para comunicar eficazmente los resultados mediante
diapositivas que resuman los puntos clave. Se prepararán respuestas para posibles preguntas del jurado,
garantizando que todos los integrantes del equipo puedan participar en la defensa del proyecto.
7. Resultados o Conclusiones
Los resultados obtenidos de este proyecto son [inserta aquí los resultados]. Las conclusiones derivadas
de estos resultados son [inserta aquí las conclusiones].
8. Bibliografía
La bibliografía utilizada en este proyecto incluye:
UsugaAna_2017_DesercionEstudiantilUniversitaria.pdf
[Referencia 1]
[Referencia 2]
[Referencia 3]