La deserción estudiantil es un fenómeno complejo que afecta a la mayor parte de las instituciones de educación superior en Chile y que presenta un importante desafío para el sistema educativo. La decisión de desertar puede vincularse con múltiples factores, tanto intrínsecos como extrínsecos, siendo tan variados como: desmotivación por la carrera, falta de sustento económico, falta de sentido de pertenencia, problemas de relacionamiento con pares-docentes, desmotivación por bajo avance curricular, desconocimiento del campo laboral, situaciones externas que llevan a cambio de prioridades, problemas de salud mental y la lista sigue.
Duoc UC posee una tasa de retención superior al promedio de las instituciones técnico profesional de Chile, logrando un aumento sostenido en los últimos años. No obstante, se continúa trabajando para implementar iniciativas preventivas que permitan disminuir la cantidad de estudiantes que dejan la institución y mejorar la progresión de quienes permanezcan.
Un enfoque propuesto para enfrentar esa problemática se relaciona con implementar modelos predictivos para conocer características comunes entre estudiantes desertores y que permitan identificar oportunamente la posibilidad de que dejen la institución. A continuación, les cuento como enfrentamos este desafío.
Enfoque con modelos predictivos
En este contexto, consideremos a los modelos predictivos como herramientas de análisis de datos que nos permite “cuantificar”, a partir de información histórica (datos), la posibilidad de que un suceso ocurra. Una de las dificultades se encuentra en verificar el impacto de dichas características (variables) en el suceso.
Ilustración 1: Diagrama de análisis de deserción.
En concreto, nos planteamos el desafío de “estimar la probabilidad de que un/a estudiante deje la institución en función de sus características”, el cual fue abordado en dos instancias.
- Versión 2020-2021: fue la primera versión y estuvo centrada en encontrar información interna que permitiera construir modelos para cuantificar la deserción. En esta aplicación, se consideraron características sociodemográficas, aspectos académicos asociados a la carrera o escuela, rendimiento en la carrera, información de AVA (como ingresos a la plataforma o tiempos de conexión), entre otras. Dicha ejecución permitió establecer una base de la bibliografía y aplicar técnicas de analítica avanzada, pero no fue suficiente dado que el “poder predictivo” era bajo.
- Versión 2023-2024: la aplicación más reciente ha tomado 2 caminos. Por un lado, se definen indicadores de gestión en base a los conocimientos previos que se han acumulado. Por otro lado, se fortalecieron los modelos, extendiendo la cantidad de características que permiten entender este fenómeno, así se agregó información adicional, como: datos macroeconómicos (regional y nacional), asistencia a programas, problemas de movilización. Además, se utilizaron herramientas más complejas (modelos más específicos), con mayor cantidad de datos, obteniendo las siguientes conclusiones:
- Confirmación de los grupos mencionados en 2022.Los estudiantes que se matriculan tardíamente tienden a tener mayor deserción.Existe alta relación entre rendimiento y retención (una influye sobre la otra).La deserción en practicantes y estudiantes por titular es el segundo porcentaje más alto luego de la deserción de Inicio.
- No se evidencia impacto relevante asociado a las características geográficas.
¿Qué concluimos? Si bien existen diferentes perfiles de estudiantes que componen el grupo de desertores, estos se “solapan” unos con otros, ya que no existen características marcadas que permitan diferenciar correctamente dichos segmentos. Esto genera agrupaciones más generales y que tienden a ser “estáticas” a lo largo de los años.
Al final del post agregamos los próximos pasos e ideas de cómo podemos mejorar, pero acá te dejamos un adelanto. En comparación con estudios internacionales sobre deserción, nos hace falta conseguir mejores variables que caractericen la motivación, el sentido de pertenencia e indicadores de rendimiento previo.
Enfoque con modelos de clúster
Otra forma de aproximarnos al fenómeno de la deserción ha sido a través de modelos de clúster. En este contexto, consideramos los clústeres como segmentaciones o agrupamiento de individuos que tienen características comunes. El principal objetivo fue encontrar características que permitan comparar estudiantes y verificar si efectivamente se puede diferenciar en segmentos.
- Versión en 2022: el objetivo fue describir las características de estudiantes desertores para el periodo 2018 – 2020. En general, se obtienen caracterizaciones de grupos de estudiantes que posteriormente fueron profundizados mediante estudios. Se determina que cumplir con una o varias de las siguientes condiciones aumentaría la posibilidad de dejar los estudios:
- Estudiantes de género masculino.Estudiantes técnicos.Estudiantes vespertinos.Estudiantes sin beneficios económicos.
- Existen periodos donde aumenta la deserción: primer semestre, cuarto semestre para técnicos y séptimo para profesionales.
Otro aspecto relevante es que existen diferencias sustanciales al comparar la retención por escuela. No se logra determinar con exactitud a qué se deben estas diferencias, pero la principal hipótesis está asociada a la motivación y a brechas de aprendizaje.
- Versión 2024: esta investigación se centra específicamente en Estudiantes de Inicio, ya que existe una de las mayores tasas de deserción. El objetivo era establecer características comunes, dando mayor énfasis a factores externos a lo específicamente académico, ya que esa información se encuentra disponible durante las clases y la intención es tener una caracterización previa al inicio del semestre. Las principales conclusiones obtenidas son:
- Se confirma la existencia de un conjunto de estudiantes que abandonan sus estudios por falta de beneficios financieros.
- Se confirma la existencia de un conjunto de estudiantes que deben cumplir con obligaciones personales (cuidado de menores, de sostenedor de familia, entre otros). La escasa flexibilidad horaria podría ser uno de los “dolores” que presentan.
Uno de los aspectos para tener en cuenta es que los estudios realizados en paralelo por la Dirección nos muestran un relato común de las situaciones presentadas anteriormente.
Ilustración 2: Sistema de apoyo a estudiantes que reingresan a Duoc UC (Estudio realizado en 2023).
Analizar la retención como un fenómeno institucional y multifactorial permite derivar en diferentes líneas de acción. En ese sentido, nos hemos centrado en descubrir las causas de la deserción y efectos que estas tienen sobre nuestros estudiantes. Al realizar un análisis incremental que mezcla técnicas de clústering y modelos analíticos hemos logrado robustecer el conocimiento sobre este fenómeno, con el fin de desarrollar medidas mitigantes que apoyen a los estudiantes.
Cómo podríamos mejorar
A modo de propuestas, hemos establecido algunas de las variables que podrían apoyarnos a comprender mejor este fenómeno:
- Puntaje prueba de selección: si bien Duoc UC no establece un puntaje mínimo de postulación para ingresar, sería ideal contar con esta información para establecer una línea base sobre conocimientos previos y tener una aproximación de las brechas académicas que puede enfrentar un estudiante al ingresar a estudiar. De esta forma, se podrían anticipar dificultades, proponer apoyos o establecer clústeres por rendimiento.
- Ranking de ingreso: este indicador es altamente utilizado en la literatura, pero Duoc UC no lo tiene desarrollado. Se podría utilizar esta información para establecer clústeres de rendimiento para incluirlos como variables predictivas.
- Vocación/voluntad/pertenencia: quizás lo más complejo de medir se relaciona con los factores que subyacen a la motivación de nuestros estudiantes por ingresar a una carrera, ya que son múltiples y cambiantes a lo largo del tiempo. Si bien existen encuestas asociadas a este fenómeno, para ser incluido dentro de un modelo que predice el comportamiento a nivel granular se debe contar con la mayor exactitud (en lo posible “tener el dato para cada estudiante”). Hay múltiples formas de generar aproximaciones como encuestas, nivel de participación en actividades (por ejemplo: extracurriculares), cantidad de interacciones con el sistema LMS, entre otras. Estamos trabajando en la línea de medir e integrar factores o variables que expliquen este fenómeno.
- Actualizar datos: otro desafío hace referencia a los datos estáticos, ya que la mayor parte de las variables descritas en el apartado anterior son consultadas al inicio de la carrera, pero no se actualizan a lo largo del tiempo. Hay que tener en cuenta que los estudiantes pueden cambiar su situación socioeconómica o personal múltiples veces a lo largo de la duración de sus estudios y para predecir adecuadamente, se debería actualizar esta información.
Enfoques adicionales
El objetivo principal del post era centrarse en la visión estratégica mediante el uso de la analítica de datos, pero no es el único enfoque que hemos utilizado. Como fue mencionado, desde 2023 se encuentra funcionando un sistema de indicadores para establecer condiciones de riesgo en base a los análisis del comportamiento histórico de la deserción. Este sistema está enmarcado en la Estrategia de Progresión Estudiantil, te invito a conocer más de la iniciativa en: Sharepoint de la Estrategia
Además, la Dirección se encarga de realizar estudios y benchmarks para establecer las mejores prácticas en vías de aumentar la retención. Si tienes interés en conocer más sobre el fenómeno de la deserción, te invitamos a revisar las publicaciones realizadas por la Dirección en el siguiente vínculo: Dirección de Estudio y Progresión Estudiantil
Si llegaste hasta aquí y tienes ideas asociadas a modelos de retención para identificar o caracterizar estudiantes, te invito a enviarnos tus comentarios a progresion@duoc.cl
0