El documento presenta un seminario sobre minería de procesos como apoyo a la gestión curricular en educación superior. Propone analizar la información de registros académicos utilizando técnicas de minería de procesos para identificar patrones que apoyen la toma de decisiones sobre gestión curricular y prevención de deserción estudiantil. Como caso de ejemplo, analiza los datos de una beca universitaria para comparar el rendimiento académico de beneficiarios y no beneficiarios.
1. Estudiante: Juan Pablo Salazar Fernández
Programa: Doctorado en Cs. de la Ingeniería
Profesores: Dr. Marcos Sepúlveda Fernández, Dr. Jorge Muñoz Gama
Pontificia Universidad Católica de Chile
Escuela de Ingeniería
Departamento de Ciencia de la Computación
PRESENTACIÓN SEMINARIO DE POSTGRADO
MINERÍA DE PROCESOS COMO APOYO A LA
GESTIÓN CURRICULAR EN EDUCACIÓN SUPERIOR
23 de octubre de 2015
2. 1. Motivación
2. Marco teórico del problema
3. Pregunta de investigación
4. Solución propuesta
5. Limitaciones de la solución
6. Estado de la investigación
› Contenidos
2
4. “38% of young people will graduate for the
first time from tertiary programmes during
their lifetime”
“31% of students who enter tertiary
education leave without a tertiary
qualification”
4
7. › Ámbitos de la Gestión Universitaria
a) Docencia (Pregrado – Postgrado)
b) Investigación
c) Vinculación con el Medio (Extensión – Asistencia Técnica – Innovación)
7
8. › Deserción (Dropout) en Ed. Superior
• Gran problema a nivel mundial,
Chile no es la excepción.
• Múltiples estudios a lo largo del
tiempo, aplicando diferentes
técnicas estadísticas y de minería
de datos.
• Modelo de V. Tinto (1975-1987) aún
vigente.
• Dropout in Higher Education,V.Tinto, 1975
• La educación superior en Chile, L. González, O. Espinoza, UDP, 2014
• Educational pathways and dropout from higher education in Germany, S. Müller, LLCS 2013:218-241
8
9. › Deserción – Avances recientes
• First year dropout in ICT Studies, Kori K. et. al., .EDUCON 2015, IEEE
• Institutional Characteristics and College Student Dropout Risks: A Multilevel Event HistoryAnalysis ,Chen R., 2012. 9
10. › Deserción – Limitaciones
• University dropout: an Italian experience, Belloc F, Higher Education, 2010.
• Institutional Characteristics and College Student Dropout Risks: A Multilevel Event HistoryAnalysis ,Chen R., 2012.
• Literature Review:Theories on StudentAttrittion”. 123HelpMe.com, 2015
• Conclusiones en base a información puntual (casos) son utilizadas de manera
general.
• Resultados de planes o políticas se miden sólo durante etapa piloto.
• No se analiza de secuencia de eventos.
• Se asume que el contexto permanece constante.
10
11. › Minería de Procesos
• Process Mining Manifesto,Wil van derAalst et. al. , Springer, 2012
11
12. › Discovery, Conformance, Enhancement
• Process Mining Manifesto,Wil van derAalst et. al. , Springer, 2012
12
13. › Minería de Procesos – Avances en Educación
• CurriM, proyecto liderado por Mykola Pechenizkiy, cuyo objetivo fue
desarrollar una herramienta que permitiera a los educadores hacer
minería de procesos sobre información curricular. Estado:
Descontinuado.
• Artículos que exploran posibles usos de minería de procesos en el
contexto educacional.
• Casos de ejemplo de análisis de información de cursos online, en el
contexto de formación profesional (MOOCs, entre otros).
• Pechenizkiy M.,Trcka N., De Bra P.,Toledo P. CurriM: Curriculum Mining. EDM 2012: 216-217
• Process Mining in the Education Domain, A. Hicheur, IJAIS 2015: 219-232
• Educational Process Mining – Different Perspectives, K. Latiha Devi, IOSR-JCE, 2014:57-60
13
15. ¿Cómo apoyar el diagnóstico
que respalda las decisiones relativas a
la gestión curricular en educación superior,
utilizando técnicas de minería de procesos?
15
18. • Propuesta de modelos genéricos para:
• Organización multidimensional de información de gestión.
• Estructura de reportes/indicadores que permitan identificar situaciones
clave a analizar (ejm: aspectos demográficos, deserción, retraso).
> Análisis de información
18
19. • Propuesta de modelos genéricos para:
• Identificación y descripción de eventos.
• Generación de logs de eventos.
• Utilización de técnicas para identificar patrones y cambio en éstos
• Plan de estudios “real”.
• Conjunto de eventos previos que van incrementando la probabilidad de
abandono.
• Efecto de programas de apoyo sobre sub-grupos de estudiantes.
> Discovery
19
20. • Verificación de conformidad de secuencia de eventos en relación a:
• Reglamentos internos.
• Restricciones externas.
• Planes de estudios.
> Conformance
20
21. • Diseño de modelos de recomendación para decisiones
recurrentes, por ejemplo:
• Inscripción de asignaturas
• Asignación de profesores a cursos
• Apoyo al rediseño de planes de estudios.
• Organización temporal.
• Estructura de requisitos
• Diseño de programas de apoyo focalizados.
> Enhancement
21
23. • Estudios de casos se verán limitados
por la disponibilidad de información
(logs) en una ventana de tiempo
amplia y que:
• Abarque situaciones diversas.
• Incluya información precisa de
información de contexto.
• Posibilidades de integración que
provean las tecnologías seleccionadas.
23
25. › Caso de Ejemplo – Beca Bicentenario UACh
• Obtención de datos
anonimizados de Registro
Académico y Beneficios
(9200 estudiantes, 9
años).
• Implementación modelo
multidimensional (ingreso,
matrícula, beneficios,
calificaciones, solicitudes).
25
26. › Caso de Ejemplo – Beca Bicentenario UACh
• Análisis de información, formulación y test de hipótesis
Con Beca Bicentenario
Sin Beca Bicentenario
Promedio de cursos inscritos y reprobados por estudiante, por año de estudio
p < 0,01
26
27. › Caso de Ejemplo – Beca Bicentenario UACh
• Generación de log de eventos.
• Análisis del log utilizando
process mining.
27