Contreras Bravo, Leonardo EmiroSalamanca Vásquez, Esteban2025-03-212025-03-212024-12-09http://hdl.handle.net/11349/94036El presente trabajo se enfoca en el desarrollo de un modelo predictivo para identificar el riesgo de los estudiantes de la Universidad Distrital de quedar en prueba académica o de abandonar sus estudios. La deserción y el riesgo académico representan problemas cruciales para la institución, afectando tanto la trayectoria académica de los estudiantes como la capacidad de la universidad para cumplir su misión educativa. La deserción se refiere a cuando un estudiante abandona sus estudios antes de culminarlos, mientras que la prueba académica se asigna a estudiantes con un desempeño deficiente, como la pérdida de múltiples materias o la repetición de un curso por tercera vez. Este trabajo tiene como objetivo principal identificar patrones y factores asociados con la deserción y el riesgo académico a través de un análisis exploratorio de datos, basado en variables significativas extraídas de la literatura. Entre estas se encuentran el nivel socioeconómico, el rendimiento académico, la distancia de residencia a la universidad, resultados en el examen ICFES, tipo de colegio y el historial de notas de cada estudiante. La investigación emplea técnicas de análisis exploratorio de datos en combinación con métodos de aprendizaje automático, avanzando desde la preparación y selección de variables hasta la aplicación de transformaciones, con el fin de desarrollar un modelo de clasificación preciso para la predicción de deserción. A través de esta metodología, se espera identificar patrones y relaciones relevantes que reflejen el impacto de las variables seleccionadas sobre los resultados académicos. El modelo predictivo propuesto se enfoca en el uso de algoritmos de aprendizaje automático que permitan predecir el riesgo académico de cada estudiante de manera individual. Esto le brindará a la universidad una herramienta que posibilita la implementación de intervenciones y apoyos personalizados, con el objetivo de mejorar las tasas de retención y el éxito académico. En conclusión, este trabajo de grado representa un avance significativo hacia la creación de estrategias eficaces de retención estudiantil, con un enfoque basado en datos que permite comprender mejor los factores que inciden en la deserción y el riesgo académico, lo cual contribuye a la mejora del rendimiento académico en la Universidad Distrital.This paper focuses on the development of a predictive model to identify the risk of students at the Universidad Distrital of being placed on academic probation or dropping out of their studies. Dropout and academic risk represent crucial problems for the institution, affecting both the academic trajectory of students and the ability of the university to fulfill its educational mission. Dropout refers to when a student abandons his or her studies before completing them, while academic probation is assigned to students with poor performance, such as failing multiple subjects or repeating a course for the third time. This work's main objective is to identify patterns and factors associated with dropout and academic risk through an exploratory data analysis, based on significant variables extracted from the literature. These include socioeconomic level, academic performance, distance of residence to the university, ICFES exam results, type of school, and the grade history of each student. The research uses exploratory data analysis techniques in combination with machine learning methods, moving from the preparation and selection of variables to the application of transformations, in order to develop an accurate classification model for the prediction of dropouts. Through this methodology, it is expected to identify relevant patterns and relationships that reflect the impact of the selected variables on academic results. The proposed predictive model focuses on the use of machine learning algorithms that allow predicting the academic risk of each student individually. This will provide the university with a tool that enables the implementation of personalized interventions and supports, with the aim of improving retention rates and academic success. In conclusion, this degree work represents a significant advance towards the creation of effective student retention strategies, with a data-driven approach that allows a better understanding of the factors that affect dropout and academic risk, which contributes to the improvement of academic performance at the Universidad Distrital.pdfspaMachine learningAprendizaje supervisadoModelos de ensambleCiencia de datosDeserción universitariamasterThesisMaestría en Ciencias de la Información y las Comunicaciones -- Tesis y disertaciones académicasDeserción académica -- Bogotá (Colombia)Aprendizaje automático en educación -- Bogotá (Colombia)Machine learning -- Bogotá (Colombia)Universidad Distrital Francisco José de Caldas (Bogotá)OpenAccessMachine learningSupervised learningEnsemble modelsData scienceUniversity dropoutAbierto (Texto Completo)