diff options
Diffstat (limited to 'chapter')
| -rw-r--r-- | chapter/01-cover.tex | 2 | ||||
| -rw-r--r-- | chapter/10-generalidades.tex | 42 | ||||
| -rw-r--r-- | chapter/20-marco.tex | 2 | ||||
| -rw-r--r-- | chapter/30-estado_del_arte.tex | 118 |
4 files changed, 105 insertions, 59 deletions
diff --git a/chapter/01-cover.tex b/chapter/01-cover.tex index 9c60c97..ceef243 100644 --- a/chapter/01-cover.tex +++ b/chapter/01-cover.tex @@ -22,7 +22,7 @@ \vspace{1cm} -{\bf Tesis para obtener el título profesional de Ingeniera Informática}\\[1.0cm] +{\bf Tesis para obtener el título profesional de Ingeníera Informática}\\[1.0cm] % {\bf Entregable Parcial 1.1}\\[1.0cm] {\bf AUTOR}\\[0.5cm] {Roberto Mitsuo Tokumori Terry}\\[2.0 cm] diff --git a/chapter/10-generalidades.tex b/chapter/10-generalidades.tex index cc84fc3..e592894 100644 --- a/chapter/10-generalidades.tex +++ b/chapter/10-generalidades.tex @@ -55,7 +55,7 @@ las ideas trabajadas. Para plantear la problemática, se hace uso del esquema del árbol de problemas (Ver la Tabla \ref{tab:arbol-problemas}). Se compone de 3 partes: el problema central, los problemas causas, y los problemas efectos. Cada problema causa -esta relacionado a uno o más problemas efecto. El problema central es el que +está relacionado a uno o más problemas efecto. El problema central es el que engloba y es producto de los problemas causa (análogo a las raíces del árbol), y se manifiesta como los problemas efecto (análogo a las ramas de un árbol). @@ -71,11 +71,11 @@ se manifiesta como los problemas efecto (análogo a las ramas de un árbol). Problemas efectos & Sigue incrementando la deserción estudiantil. Aún cuando se cuenta con - más datos y capacidad de computo o análisis. & + más datos y capacidad de cómputo o análisis. & No se contemplan factores relevantes que van a influir en la deserción universitaria. & El alcance de los programas de prevención de la deserción de las - universidades es limitado. Se tiene escaza capacidad para tomar + universidades es limitado. Se tiene escasa capacidad para tomar decisiones sobre el estado de sus estudiantes. \\ \hline @@ -220,7 +220,7 @@ universitaria de forma oportuna, pero estas no son aprovechadas por las instituciones educativas. Por ejemplo, muchas universidades tienen acceso a datos sobre el rendimiento académico de los estudiantes, el ratio de su asistencia a clases, su participación en actividades extracurriculares, -situación socio-económica al momento de ingresar a la universidad, y otros +situación socioeconómica al momento de ingresar a la universidad, y otros indicadores importantes que podrían señalar un posible riesgo de deserción \autocite{Khan2021, Yağcı2022}. Sin embargo, en muchos casos, estas herramientas no se utilizan de manera efectiva. Los datos pueden estar @@ -240,14 +240,14 @@ podrían ayudar a la detección temprana de estudiantes con riesgo a desertar % pero es posible que esta información no se comparta con otros departamentos % que podrían ofrecer apoyo académico o de salud mental. -En tercer problema causa está relacionado con la tarea de realizar el +El tercer problema causa está relacionado con la tarea de realizar el seguimiento a todos los estudiantes con peligro de deserción. Este proceso puede ser complejo, costoso y largo \autocite{Latif20221051}. Los factores que pueden indicar el riesgo de deserción pueden ser diversos, lo que dificulta la tarea de identificar a los estudiantes que necesitan intervención. Además, muchos estudiantes pueden no mostrar signos claros de problemas hasta que sea demasiado tarde. \textit{Por lo que mantener actualizado el factor de riesgo de -cada estudiante a lo largo del tiempo puede demostrar ser dificultoso} +cada estudiante a lo largo del tiempo puede ser dificultoso} \autocite{Latif20221051, Balaji2021}. % Además, el alcance de los programas de prevención de la deserción de las @@ -272,7 +272,7 @@ cada estudiante a lo largo del tiempo puede demostrar ser dificultoso} El problema central es que la deserción estudiantil universitaria es detectada tardíamente debido a la falta de un enfoque más proactivo en la detección, -desprovechando toda la data disponible en las instituciones educativas, la +desaprovechando toda la data disponible en las instituciones educativas, la escasez de capacidad para tomar decisiones oportunas y efectivas sobre el estado de los estudiantes, y el seguimiento costoso y complejo de los estudiantes en riesgo. Todo esto contribuye a que los estudiantes abandonen sus estudios antes @@ -298,8 +298,8 @@ mejorando así la retención de estudiantes y el rendimiento académico general. \item \textbf{O1} Identificar los factores que influyen en la deserción estudiantil universitaria usando técnicas estadísticas - \item \textbf{O2} Implementar modelos de Aprendizaje Automático que realizen - predicciones sobre la desercion estudiantil + \item \textbf{O2} Implementar modelos de Aprendizaje Automático que realicen + predicciones sobre la deserción estudiantil \item \textbf{O3} Implementar un sistema que permita a las universidades, realizar un proceso de detección temprana de deserción estudiantil. Utilizando los @@ -329,11 +329,11 @@ mejorando así la retención de estudiantes y el rendimiento académico general. identificar patrones y tendencias \item \textbf{R1.5} Análisis de correlación. Se realiza un análisis de - correlación para analizar la inter-dependencia entre las variables. + correlación para analizar la interdependencia entre las variables. \end{itemize} -\item \textbf{O2} Implementar modelos de Aprendizaje Automático que realizen -predicciones sobre la desercion estudiantil +\item \textbf{O2} Implementar modelos de Aprendizaje Automático que realicen +predicciones sobre la deserción estudiantil \begin{itemize} \item \textbf{R2.1} Identificación de los algoritmos aprendizaje @@ -343,7 +343,7 @@ predicciones sobre la desercion estudiantil mejor se ajusten a la problemática. \item \textbf{R2.3} Comparación de los algoritmos de ML implementados y - selección del mejor modelo según su presición en la predicción. + selección del mejor modelo según su precisión en la predicción. \end{itemize} \item \textbf{O3} Implementar un sistema que permita a las universidades, @@ -418,11 +418,13 @@ En la \autoref{tab:obetivos-resultados-verificacion} se muestra en forma tabular la relación entre los objetivos, sus resultados asociados, y medios de verificación de cada resultado. +% TODO: Learn to use longtable \begin{table} [H] % htbp \centering + \small \caption{Mapeo de objetivos, resultados, y verificación} \label{tab:obetivos-resultados-verificacion} - \begin{tabular} {|p{0.30\linewidth}|p{0.30\linewidth}|p{0.30\linewidth}|} + \begin{tabular} {|p{0.27\linewidth}|p{0.35\linewidth}|p{0.38\linewidth}|} \hline \multicolumn{3}{|p{0.90\linewidth}|}{ @@ -457,13 +459,13 @@ verificación de cada resultado. \hline \textbf{R1.5} Análisis de correlación. & - - Documento con el análisis de correlación entre las todas las variables usando un mapa de calor representado de forma tabular. & + - Documento con el análisis de correlación entre todas las variables usando un mapa de calor representado de forma tabular. & - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\ \hline \multicolumn{3}{|p{0.90\linewidth}|}{ \textbf{Objetivo 2 (O2):} Implementar modelos de Aprendizaje Automático que - realizen predicciones sobre la desercion. + realicen predicciones sobre la deserción. } \\ \hline @@ -482,7 +484,7 @@ verificación de cada resultado. - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\ \hline - \textbf{R2.3} Comparación de los algoritmos de ML implementados y selección del mejor modelo según su presición en la predicción & + \textbf{R2.3} Comparación de los algoritmos de ML implementados y selección del mejor modelo según su precisión en la predicción & - Documento con el análisis comparativo entre los modelos de ML, basado en su precisión. & - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\ \hline @@ -619,15 +621,15 @@ desarrolla métodos que \textit{aprenden}. Donde aprender se refiere a encontra patrones, tendencias, y entender \enquote{qué es lo que dice la data} \autocite{hastie2009elements, mitchell1997machine}. -En la actualiadad, se utilizan \textbf{técnicas de Aprendizaje Automático} en -aplicaciónes de diversas disciplinas, entre ellas se encuentran: la detección de +En la actualidad, se utilizan \textbf{técnicas de Aprendizaje Automático} en +aplicaciones de diversas disciplinas, entre ellas se encuentran: la detección de correo electrónico basura, el reconocimiento óptico de carácteres (OCR), visión computacional, y bioinformática \autocite{hastie2009elements}. Los algoritmos de Aprendizaje Automático se pueden dividir en dos grandes categorías, Aprendizaje Supervisado y Aprendizaje No Supervisado. En el Aprendizaje Supervisado se cuenta con información previamente etiquetada, y el -objetivo es extraer patrónes entre la data y su etiqueta asociada +objetivo es extraer patrones entre la data y su etiqueta asociada \autocite{hastie2009elements}. Por ejemplo, en el ámbito de la deserción estudiantil, la etiqueta es si el alumno desertó o no, y en qué ciclo lo hizo; mientras que la data son todas las demás variables, como el promedio de notas en diff --git a/chapter/20-marco.tex b/chapter/20-marco.tex index 03fb6be..12739f4 100644 --- a/chapter/20-marco.tex +++ b/chapter/20-marco.tex @@ -53,7 +53,7 @@ universitaria} al proceso en el cual, estudiantes de pregrado, pertenecientes a alguna institución de educación superior, abandonan definitivamente sus estudios. La deserción estudiantil tiene sus fuertes implicancias en la vida del estudiante, y también en su universidad. Además, como señala -\autocite{Delbonifro2020}, las estadísticas de deserción estudiantil puede ser +\autocite{Delbonifro2020}, las estadísticas de deserción estudiantil pueden ser un indicador de falencias en el sistema de cada universidad. Por estos motivos, actualmente existen varias investigaciones que exploran y diff --git a/chapter/30-estado_del_arte.tex b/chapter/30-estado_del_arte.tex index 28999bb..5007129 100644 --- a/chapter/30-estado_del_arte.tex +++ b/chapter/30-estado_del_arte.tex @@ -32,14 +32,26 @@ % propoensos a desertar de forma más oportuna. % From 05-intro.tex -La deserción estudiantil universitaria es un fenómeno complejo que afecta a los estudiantes desertores y a su universidad. La deserción estudiantil universitaria afecta significativamente en la economía del estudiante y en su bienestar psicológico, así como también en la reputación de la univerdad y de sus recursos que contará en el futuro \autocite{Fernandez2019}. Para el año 2013, en Estados Unidos, el ratio de deserción fue de 40\% por año para estudiantes que persíguen un pregrado, de los cuales el 30\% deserta en el primer año de estudios \autocite{Doll2013}. Actualmente, las universidades cuentan con diversos programas de apoyo al estudiante; por ejemplo la PUCP, cuenta con la Oficina de Orientación y Apoyo al Estudiante (OOIA) y la Dirección de Asuntos Estudiantiles (DAES) las cuales proporcionan programas de tutorías, refuerzo académico en los cursos más demandantes de 1er y 2do año, mentoría, atención psicológica, y eventos informativos \autocite{PUCP2019SaludMental}. +La deserción estudiantil universitaria es un fenómeno complejo que afecta a los +estudiantes desertores y a su universidad. La deserción estudiantil +universitaria afecta significativamente en la economía del estudiante y en su +bienestar psicológico, así como también en la reputación de la universidad y de +sus recursos que contará en el futuro \autocite{Fernandez2019}. Para el año +2013, en Estados Unidos, el ratio de deserción fue de 40\% por año para +estudiantes que persiguen un pregrado, de los cuales el 30\% deserta en el +primer año de estudios \autocite{Doll2013}. Actualmente, las universidades +cuentan con diversos programas de apoyo al estudiante; por ejemplo la PUCP, +cuenta con la Oficina de Orientación y Apoyo al Estudiante (OOIA) y la Dirección +de Asuntos Estudiantiles (DAES) las cuales proporcionan programas de tutorías, +refuerzo académico en los cursos más demandantes de 1er y 2do año, mentoría, +atención psicológica, y eventos informativos \autocite{PUCP2019SaludMental}. Con el fin de investigar el estado del arte en el análisis de factores que predicen la deserción estudiantil universitaria se realiza una revisión sistemática de la literatura siguiendo principalmente los lineamientos propuestos por \autocite{Kitchenham2007}. De esta manera, se emplean los criterios PICOC \autocite{Petticrew2006} para enmarcar las preguntas de -investigación, y subsecuentemente generar la cadéna de búsqueda apropiada para +investigación, y subsecuentemente generar la cadena de búsqueda apropiada para los motores de búsqueda a utilizar. Las siguientes secciones del capítulo documentan el proceso de revisión de literatura realizado. @@ -70,7 +82,7 @@ los siguientes objetivos de revisión: y Aprendizaje Automático. \item Conocer las metodologías algorítmicas basadas en - de Aprendizaje Automático (\textit{Machine Learning}) más usadas + Aprendizaje Automático (\textit{Machine Learning}) más usadas para predecir la deserción estudiantil universitaria. \item Comparar las debilidades y oportunidades de mejora @@ -146,7 +158,7 @@ A continuación, se listan las preguntas de revisión formuladas. universitaria? \item P4. ¿Qué debilidades y oportunidades de mejora existen en las - metodologías y técnicas algorítimicas de análisis usadas actualmente + metodologías y técnicas algorítmicas de análisis usadas actualmente para predecir la deserción estudiantil universitaria? \end{itemize} @@ -186,11 +198,10 @@ diccionario WordNet, el cual es distribuido pública y libremente por Princeton \label{tab:picoc-terms} \begin{tabular} {|p{0.19\linewidth}|p{0.79\linewidth}|} - \toprule - % \hline + \hline \textit{Criterio} & \emph{Términos de búsqueda} \\ - \midrule - % \hline + \hline + \hline Población & system, tool, student dropout, student desertion, student attrition \\ % undergraduate students, college students, higher education students \\ @@ -212,8 +223,8 @@ diccionario WordNet, el cual es distribuido pública y libremente por Princeton \end{tabular} \end{table} -Se utilizan el operador booleano $OR$ para concatenar los términos de -búsqueda pertenecientes al mismo criterio, y luego se concatenan las cadenas de +Se utiliza el operador booleano $OR$ para concatenar los términos de +búsqueda pertenecientes al mismo criterio, y luego se concatena las cadenas de cada criterio con el operador booleano $AND$ para obtener una única cadena de búsqueda. Para delimitar aún más la búsqueda, se restringe más el primer criterio para que solo muestre herramientas o sistemas relacionadas al análisis de la deserción @@ -252,7 +263,7 @@ OR "socioeconomic status" ) Finalmente, se adapta la cadena a la sintaxis de cada uno de los motores de búsqueda bibliográficos. Para Scopus, se genera la siguiente cadena. A la cual también -se le ha incorporado un criterio de exclución, limitando la antigüedad del +se le ha incorporado un criterio de exclusión, limitando la antigüedad del artículo (la lista completa de estos criterios se encuentra en la sección \ref{criterios-inclusion-exclusion}). @@ -266,8 +277,8 @@ OR "socioeconomic status" ) ) AND PUBYEAR > 2017 AND PUBYEAR < 2024 \end{verbatim} % El motor de búsqueda IEEE Xplore limita la búsqueda a un máximo de 25 términos. -Para IEEE Xplore, se utiliza la interfáz gráfica para limitar la antigüedad del artículo -a los últimos 6 años. La cadena no requiere modficaciones adicionales de sintaxis. +Para IEEE Xplore, se utiliza la interfaz gráfica para limitar la antigüedad del artículo +a los últimos 6 años. La cadena no requiere modificaciones adicionales de sintaxis. \subsection{Documentos encontrados.} @@ -303,7 +314,7 @@ Se cuentan con los siguientes criterios de inclusión: El artículo explora y compara herramientas y metodologías para analizar la deserción estudiantil universitaria \item - El artículo incluye soluciónes algorítmicas de Machine Learning para el + El artículo incluye soluciones algorítmicas de Machine Learning para el análisis de deserción estudiantil universitaria. \end{itemize} @@ -312,9 +323,9 @@ Y los siguientes criterios de exclusión: \begin{itemize} \item El artículo no tiene una antigüedad mayor a 6 años. A excepción de si - se trata a una referencia de conceptos o teoría. + se trata de una referencia de conceptos o teoría. \item - El artículo no está relacionado al contexto de deserción estudiantil + El artículo no está relacionado con el contexto de deserción estudiantil universitaria. \item Las técnicas para el análisis de factores que influyen en la deserción @@ -322,7 +333,7 @@ Y los siguientes criterios de exclusión: \item El artículo se encuentra en un idioma distinto al inglés o español. \item - El artículo no se encuentra disponible pasa su uso libre o licenciado + El artículo no se encuentra disponible para su uso libre o licenciado con la biblioteca de la Pontificia Universidad Católica del Perú (PUCP) y no se considera que su aporte sería indispensable para el estudio. \end{itemize} @@ -338,59 +349,68 @@ extracción de datos. Ver \autoref{tab:formulario-extraccion}. \centering \caption{Estructura del formulario de extracción} \label{tab:formulario-extraccion} - \begin{tabular} {p{0.24\linewidth}|p{0.5\linewidth}|p{0.25\linewidth}} + \begin{tabular} {|p{0.24\linewidth}|p{0.5\linewidth}|p{0.25\linewidth}|} - \toprule + \hline \emph{Ítem} & \emph{Descripción} & \emph{Pregunta} \\ - \midrule + \hline + \hline Id & Identificador & Información General \\ + \hline Título & Título del artículo & Información General \\ + \hline Autores & Autores & Información General \\ + \hline Año & Año de publicación & Información General \\ + \hline Motor de búsqueda & Motor de búsqueda donde se encontró el artículo & Información General \\ + \hline Tipo de Fuente & Medio en que se publicó el documento. Puede ser artículo, revista, libro, congreso. & Información General \\ + \hline Métricas & Métricas o factores que influyen en la deserción estudiantil universitaria & P1 \\ + \hline Herramientas & Herramientas o metodologías empleadas para analizar la deserción estudiantil universitaria & P2 \\ + \hline Algoritmos de ML & Algoritmos actuales de Machine Learninng utilizados para analizar la deserción estudiantil universitaria & P3 \\ + \hline Carencias & Carencias, falencias, y posibles mejoras en las técnicas actuales de análisis de deserción estudiantil universitaria & P4 \\ - - \bottomrule + \hline \end{tabular} \end{table} @@ -415,7 +435,7 @@ En la \autoref{tab:p1papers} se sumarizan los estudios primarios y las preguntas \caption{Artículos primarios y las preguntas de investigación que ayudan a responder} \label{tab:p1papers} - \begin{tabular} {|p{0.14\linewidth}|p{0.70\linewidth}| + \begin{tabular} {|p{0.22\linewidth}|p{0.50\linewidth}| *{4}{p{0.02\linewidth}|} } \hline @@ -424,8 +444,9 @@ En la \autoref{tab:p1papers} se sumarizan los estudios primarios y las preguntas \textit{P1} & \textit{P2} & \textit{P3} & - \textit{P4} - \\ \hline + \textit{P4} \\ + \hline + \hline \autocite{Shilbayeh2021562} & Predicting student enrolments and attrition patterns in higher educational institutions using machine learning & @@ -568,12 +589,12 @@ lograron obtener un 95\% de precisión con data limitada hasta el tercer semestr de estudios de cada estudiante, y más de 85\% de precisión luego del primer semestre. -En el estudio por \autocite{Perez202157} se meciona que tanto variables personales (género, estatus socio-económico) y variables educativas (rendimiento académico, dificultad percibida en los cursos que lleva) +En el estudio por \autocite{Perez202157} se menciona que tanto variables personales (género, estatus socio-económico) y variables educativas (rendimiento académico, dificultad percibida en los cursos que lleva) pueden ser buenos predictores de deserción estudiantil. -En \autocite{Alwarthan2022107649} se identifica que variables pre-admission (e.g., puntaje SAT, GPA, información demográfica) también son muy relevantes al predecir deserción estudiantil universitaria. +En \autocite{Alwarthan2022107649} se identifica que variables pre-admisión (e.g., puntaje SAT, GPA, información demográfica) también son muy relevantes al predecir deserción estudiantil universitaria. Estas variables podrían ser de especial ayuda para las universidades para poder elegir y apoyar -a estudiantes prospectivos que tienen alto riesgo de desertar, identificandolos de forma temprana. +a estudiantes prospectivos que tienen alto riesgo de desertar, identificándolos de forma temprana. % \begin{table} [htbp]\centering @@ -693,7 +714,9 @@ artículo primario revisado. \textit{Algoritmo} & \textit{Precisión} & \textit{Cita} - \\ \hline + \\ + \hline + \hline Red neuronal & Multilayer perceptron & @@ -764,13 +787,13 @@ Debilidades: no pueden ser directamente aplicados a todas las instituciones y contextos educativos, ni a todas las poblaciones estudiantiles \autocite{Alwarthan2022107649}. \item - Calidad de la data y disponibilidad. La presición de los modelos de predicción + Calidad de la data y disponibilidad. La precisión de los modelos de predicción dependen altamente de la calidad e integridad de la data disponible \autocite{Kemper2020, Alwarthan2022107649, Perez202157}. \item Limitada capacidad de explicación de los modelos. Entender la lógica detrás de cada predicción realizadas por algunos modelos de - Aprendizaje Automático, como una ANN, puede ser dificil \autocite{Alwarthan2022107649} + Aprendizaje Automático, como una ANN, puede ser difícil \autocite{Alwarthan2022107649} \end{itemize} Oportunidades de mejora: @@ -783,7 +806,7 @@ Oportunidades de mejora: la interpretación y confianza de las predicciones \autocite{Kemper2020, Alwarthan2022107649, Perez202157}. \item - Desarrollar modelos que puedan ser adaptables a difrentes contextos educativos + Desarrollar modelos que puedan ser adaptables a diferentes contextos educativos y poblaciones estudiantiles \autocite{Alwarthan2022107649}. \end{itemize} @@ -793,11 +816,32 @@ Oportunidades de mejora: % En base a los documentos revisados... (8 lineas, juntar en 2 parrafos) -En conclusión, la predicción de la deserción estudiantil universitaria es un tema de investigación complejo, ya que los factores que influyen en la deserción pueden variar considerablemente entre diferentes contextos y poblaciones estudiantiles. Los estudios analizados en esta revisión han identificado diversas variables relevantes, como la edad del alumno, el rendimiento académico, el género, el estatus socioeconómico y las variables pre-admisión, como el puntaje SAT o el GPA. - -En la literatura, se han empleado varias técnicas y algoritmos de aprendizaje automático para predecir la deserción estudiantil, incluyendo árboles de decisión, clasificación bayesiana, redes neuronales y regresión logística. Obteniendo resultados bastante prometedores, con coeficientes de determinación de hasta 97 \% (como los mecionados en \autocite{Kemper2020}). Sin embargo, estos modelos tienen limitaciones en cuanto a su capacidad de generalización y explicación (\textit{explainability}) y dependen en gran medida de la calidad e integridad de los datos disponibles. - -Las debilidades identificadas en los estudios incluyen la limitada capacidad para la generalización de los modelos, la calidad y disponibilidad de los datos y la limitada capacidad de explicación de algunos modelos de aprendizaje automático. Para abordar estas debilidades, se sugiere incorporar fuentes de datos más diversas, utilizar modelos explicables de aprendizaje automático y desarrollar modelos adaptables a diferentes contextos educativos y poblaciones estudiantiles. Al abordar estas áreas de mejora, los investigadores y las instituciones educativas podrán desarrollar modelos de predicción más precisos y útiles para prevenir y abordar la deserción estudiantil universitaria. +En conclusión, la predicción de la deserción estudiantil universitaria es un +tema de investigación complejo, ya que los factores que influyen en la deserción +pueden variar considerablemente entre diferentes contextos y poblaciones +estudiantiles. Los estudios analizados en esta revisión han identificado +diversas variables relevantes, como la edad del alumno, el rendimiento +académico, el género, el estatus socioeconómico y las variables pre-admisión, +como el puntaje SAT o el GPA. + +En la literatura, se han empleado varias técnicas y algoritmos de aprendizaje +automático para predecir la deserción estudiantil, incluyendo árboles de +decisión, clasificación bayesiana, redes neuronales y regresión logística. +Obteniendo resultados bastante prometedores, con coeficientes de determinación +de hasta 97 \% (como los mencionados en \autocite{Kemper2020}). Sin embargo, +estos modelos tienen limitaciones en cuanto a su capacidad de generalización y +explicación (\textit{explainability}) y dependen en gran medida de la calidad e +integridad de los datos disponibles. + +Las debilidades identificadas en los estudios incluyen la limitada capacidad +para la generalización de los modelos, la calidad y disponibilidad de los datos +y la limitada capacidad de explicación de algunos modelos de aprendizaje +automático. Para abordar estas debilidades, se sugiere incorporar fuentes de +datos más diversas, utilizar modelos explicables de aprendizaje automático y +desarrollar modelos adaptables a diferentes contextos educativos y poblaciones +estudiantiles. Al abordar estas áreas de mejora, los investigadores y las +instituciones educativas podrán desarrollar modelos de predicción más precisos y +útiles para prevenir y abordar la deserción estudiantil universitaria. % \begin{itemize} % \item |