Utilización del software
SPSS para identificar factores predictivos de deserción estudiantil
The use of
SPSS software to identify predictors of student dropout
Utilização do software
SPSS para identificar preditores de abandono escolar
*Niurys
Lázaro-Alvarez
**Zoraida
Callejas-Carrión
***David Griol-Barres
*Universidad
de las Ciencias Informáticas. Cuba. Licenciada en Educación Especialidad Matemática. Profesora
Auxiliar y Doctora. Metodóloga del Centro de Innovación y Calidad de la
Educación. nlazaro@uci.cu, ORCID: https://orcid.org/0000-0003-1414-5211
**Universidad
de Granada. España. Ingeniería Informática. Profesora Titular y Doctora. Profesora Titular
en el Departamento de Lenguajes y Sistemas Informáticos. zoraida@ugr.es, ORCID: https://orcid.org/0000-0001-8891-5237
***Universidad
de Granada. España. Ingeniero de Telecomunicación. Profesor Titular y Doctor. Profesor
Contratado Doctor Indefinido en el Departamento de Lenguajes y Sistema
Informáticos. dgriol@ugr.es, ORCID: https://orcid.org/0000-0001-6266-5321
Resumen El
objetivo del trabajo es, desde un enfoque de Ciencia, Tecnología y Sociedad,
identificar los factores predictivos de deserción estudiantil en la carrera
de Ingeniería en Ciencias Informáticas utilizando el Paquete Estadístico para
las Ciencias Sociales. Mediante los métodos histórico lógico y análisis
síntesis se identificaron las variables a analizar y posteriormente,
utilizando la estadística descriptiva e inferencial, se relacionaron las
variables independientes: género, provincia de procedencia, fuente de
ingreso, opción en solicitó la carrera, nota de acceso en Matemática y
rendimiento académico en Matemática y Programación con la variable
dependiente deserción estudiantil. Se utilizó una muestra formada por 485
estudiantes. Se identificaron como variables predictivas: la provincia de
procedencia, la fuente de ingreso, la nota de acceso en Matemática y el
rendimiento académico. El estudio puede ser replicado en otros contextos e
incluir nuevas variables y sus resultados impactan en la ciencia, la
tecnología y la sociedad. Palabras clave: ciencia, tecnología y sociedad; deserción
estudiantil; estadística |
Abstract The objective of the work is, from a scientific,
technological and societal approach, to identify the predictive factors of
student dropout in the Computer Science Engineering major using the
Statistical Package for Social Sciences. Through the logical-historical and
analysis-synthesis methods, the variables to be analyzed were identified and
later, using descriptive and inferential statistics, the independent
variables were related: gender, province of origin, teaching of provenance,
option in applying for the degree, access mark in Mathematics and academic
performance in Mathematics and Programming with the dependent variable “student
dropout”. A sample of 485 students was analyzed. The following were
identified as predictive variables: the province of origin, the source of
income, the entrance mark in Mathematics and academic performance. The study
can be generalized into other contexts and include new variables, and its
results impact on science, technology and society. Key
words: science technology
and society; student desertion; statistics |
Resumo
(português)
O objetivo do trabalho é, a partir de uma abordagem de
Ciência, Tecnologia e Sociedade, identificar os fatores preditivos de deserção
de alunos do curso de Engenharia de Computação por meio do Statistical Package
for the Social Sciences. Através dos métodos histórico lógico e análise-síntese,
identificou-se as variáveis a serem analisadas e posteriormente,
por meio de estatística descritiva e inferencial, foram relacionadas as
variáveis independentes: sexo, província de origem, ensino de
proveniência, opção de candidatura ao curso, nota de acesso em Matemática e
desempenho acadêmico em Matemática e Programação com a variável dependente deserção
estudantil. Utilizou-se uma amostra de
485 alunos. Foram identificadas como variáveis preditivas: a
província de origem, a ensino de proveniencia à universidade, a nota de acesso em
Matemática e o rendimento escolar. O estudo pode ser replicado em outros
contextos e incluir novas variáveis e seus resultados impactam a
ciência, a tecnologia e a sociedade.
Palavras-chave: ciência, tecnologia e sociedade; abandono do aluno; estatisticas
Introducción
La
deserción estudiantil en la Educación Superior afecta a las universidades tanto
desde el punto de vista académico como financiero, a los profesores, a las
familias y especialmente a los propios estudiantes; por lo que debe tenerse en
cuenta el impacto social que produce. El estudio de los factores que predicen y
determinan la decisión de un estudiante de abandonar los estudios de una
determinada carrera se ha incrementado en las últimas décadas (Kori et al.
2018; Peña Torres, 2016).
Debido
a las implicaciones que tiene la deserción para la sociedad, la UNESCO ha
dedicado varios de sus informes a analizar la problemática. En la III
Conferencia Regional de Educación Superior para América Latina y el Caribe
desarrollada en 2018, se analizó la contradicción entre el alto interés en el
ingreso y la limitada atención a la deserción. En consecuencia, se derivó un
Plan de Acción para el periodo del 2018 al 2028, donde una de las estrategias
indicativas plantea que se debe: “Diseñar e implementar sistemas de seguimiento
de estudiantes para identificar las dificultades (intra-institucionales y
extra-institucionales) que llevan a la deserción temporaria o permanente”
(UNESCO-IESALC, 2018, p.36).
Por
otra parte, la demanda de graduados en las ramas de Ciencia, Tecnología,
Ingeniería y Matemáticas (STEM, por sus siglas en inglés), ha experimentado un
incremento debido al creciente desarrollo científico-tecnológico y sus
aplicaciones. Sin embargo, las estadísticas recientes muestran que los índices
de abandono son tan altos que no logran cubrir la demanda (Canedo et al., 2018;
Korhonen y Rautopuro, 2018).
En
cuanto a carreras de ciencias e ingeniería en Cuba, Núñez (2005) y Castro
(2004) plantean el esfuerzo del país en la formación de profesionales de las
ciencias informáticas. Teniendo en cuenta que la informatización de la sociedad
beneficia la educación y una variedad de servicios en disimiles sectores,
aportando mayores resultados a la economía del país; por ello la necesidad de
continuar preparando personal y formando ingenieros en esta rama. Sin embargo,
la eficiencia académica de estas carreras en Cuba, no supera el 40% en los
últimos cursos.
Las
políticas nacionales sobre el abandono estudiantil en Cuba se abordan de forma
genérica y es escasa la literatura sobre el tema (Mesa, 2016; Rodríguez y
Ansola, 2013). El objetivo de este estudio es determinar los factores
predictivos de deserción estudiantil en la carrera Ingeniería en Ciencias
Informáticas (ICI) haciendo uso del Paquete Estadístico para las Ciencias
Sociales (SPSS por sus siglas en inglés), desde un enfoque de CTS. Los
resultados que se presentan forman parte de la investigación doctoral de la
autora y responden a la necesidad de incrementar la eficiencia del ciclo
escolar y la matrícula en carreras STEM.
Los
estudios sociales de la ciencia y la tecnología constituyen un campo de trabajo
en los ámbitos de la investigación académica, la educación y la política
pública con un enfoque general es de índole interdisciplinar. En tal sentido,
en la era donde el desarrollo de la ciencia requiere de más tecnología, la
sociedad encargada de llevar ambas tendrá que estar más preparada para
utilizarla.
En
la ciencia contemporánea es frecuente, el soporte tecnológico de buena parte de
la investigación científica, el cual además influye en el curso mismo de la
investigación, en lo que contará como hecho científico, en las posibilidades y
modalidades de acceso y análisis de los objetos investigados. En este trabajo
se trata de entender los aspectos sociales del fenómeno científico en estudio a
través de la tecnología como herramienta para analizar los datos, para intentar
evitar consecuencias sociales negativas.
Con
el objetivo de identificar las variables a analizar en este estudio se realizó
una investigación profunda de las variables consideradas por otros autores en
los contextos STEM, mediante la sistematización de aportes de estudios
anteriores publicados en las bases de datos Web
of Science (WoS) y Scopus. Se
identificaron variables de tipo:
• Sociológicas:
problemas financieros, laborales, personales, socioeconómicos y familiares
(Salazar-Fernández et al., 2019)
• Psicológicas:
motivación, estrategias de estudio, emociones, intenciones y autorregulación
(Korhonen y Rautopuro, 2018; Meyer y Fang, 2019; Paimin et al., 2017)
• Interaccionista:
sistema de evaluación, retroalimentación, apoyo para el aprendizaje.
Integración académica, profesional y autoeficacia (Kori, et al., 2018)
• Organizacional:
métodos de enseñanza aprendizaje, forma de acceso a la universidad, pública o
privada, si ha trabajado o no (Canedo, et
al., 2018)
Asimismo,
las variables género, edad, rendimiento académico, opción de carrera, nota
promedio cuando es admitido en la universidad y lugar de procedencia, entre
otras se estudian por la mayoría de los autores. A partir del este estudio se
obtuvo un modelo teórico de deserción para carreras del perfil Ingeniería
Informática que se describe la tesis doctoral (Lázaro, 2020) y permitieron
plantear las siguientes hipótesis:
• Hipótesis 1 (H1).
El género, el lugar de procedencia, la opción de carrera, la fuente de ingreso
y la nota en el examen de ingreso en Matemáticas, inciden en la deserción estudiantil
en la carrera ICI.
• Hipótesis 2 (H2).
La nota de acceso en Matemática incide directamente en el rendimiento académico
en Matemática y Programación.
• Hipótesis 3 (H3).
El rendimiento académico en Matemáticas y Programación incide inversamente en
la deserción estudiantil en la carrera ICI.
• Hipótesis 4 (H4).
La repitencia de un año académico incide directamente en la deserción
estudiantil en la carrera ICI.
Materiales y métodos
Se
han planteado cuatro hipótesis correlacionales (H1, H2, H3 y H4) a fin de
identificar los factores predictivos de deserción estudiantil en la carrera
ICI. Las variables se han agrupado en: factores previos al ingreso a la
Universidad y factores posteriores a la matrícula. Se tomó como muestra (N=485) la matrícula de primer año de la
cohorte 2013-2014 en la Universidad de las Ciencias Informáticas (UCI) para
realizar un estudio cuantitativo a partir de los datos de los estudiantes
almacenados en diversas bases de datos institucionales, se utilizaron las
siguientes variables:
• Factores previos
al ingreso: género, lugar de procedencia, nota en el examen de ingreso en
Matemática (NEIM), la opción en que solicitó la carrera y la fuente de ingreso.
• Factores
posteriores al ingreso: repitencia del primer año académico, el rendimiento
académico en Matemática y Programación (RAMP).
El
estudio cuantitativo que se presenta incluye de forma resumida: análisis
descriptivo, de correlación y de regresión logística. En primer lugar, se
realiza un análisis descriptivo de las variables en estudio para inferir
características de las mismas en la población, así como un análisis preliminar
de la correlación existente entre las variables en estudio (Hernández-Sampieri
et al., 2014). En segundo lugar, se utiliza la regresión logística con el objetivo
de obtener el modelo matemático que sirva para calcular la probabilidad de que
un estudiante cause baja de la institución, a partir de los valores en las
diferentes variables independientes en estudio (Berlanga-Silvente y Vilà-Baños,
2014).
Los
modelos de regresión logística son modelos estadísticos en los que se desea
conocer la relación entre una variable dependiente cualitativa dicotómica
(regresión logística binaria o binomial) y una o más variables explicativas
independientes, o covariables, ya sean cualitativas o cuantitativas. También es
posible analizar una variable dependiente cualitativa con más de dos valores
(regresión logística multinomial).
El
análisis de regresión que se utilizó para las Hipótesis 1, 3 y 4 fue la
regresión logística binaria, pues la variable dependiente es dicotómica:
deserción o permanencia. En el caso de la Hipótesis 2 se utilizó la regresión
logística multivariada, pues la variable dependiente RAMP no es dicotómica,
sino que toma tres valores como ya se ha explicado anteriormente: alto, medio o
bajo.
Son
varios los softwares que se utilizan por los investigadores para el desarrollo
de análisis estadísticos, tales como: excel, SPSS, R, SAS (Statistical Analysis System), entre otros para análisis
cuantitativos; también ATLAS.ti, NVivo, AQUAD, entre otros para análisis
cualitativo de datos.
El
análisis se realiza utilizando el Paquete Estadístico para las Ciencias
Sociales SPSS (versión 23). Este programa permite los análisis estadísticos
complejos de bases de datos de gran magnitud con una alta eficiencia. Las
variables se introdujeron siguiendo el procedimiento paso a paso, en un orden
lógico, según la secuencia temporal de ocurrencia; es decir, desde los
atributos de preinscripción, hasta los resultados de aprendizaje en el primer
año, en relación con la permanencia o deserción en el segundo.
La
distribución de la muestra por géneros y situación escolar en el curso
2013-2014, o sea, estudiantes que causaron baja, repiten el primer año o
promueven al segundo, se aprecia en la Figura 1. De la muestra total N= 485 de estudiantes, el 62% (299)
promueve, el 18% (89) repite el primer año y el 20% (97) causa baja. La muestra
seleccionada incluye estudiantes de todas las provincias del país, en
correspondencia con las características de ingreso de la carrera.
Figura 1. Situación
escolar de los estudiantes en el curso 2013-2014 por género
Resultados y discusión
Primeramente,
para analizar si existe relación entre las variables independientes y la
deserción, se realizó la prueba Chi cuadrado con N=485 pues todas las variables se expresan de forma categórica.
Del análisis resumido en la Tabla 1 se concluye que las variables provincia de
procedencia, rango de NEIM y RAMP se relacionan con la variable deserción
estudiantil. Debido a que en ellas se obtiene un valor de significación p<,05.
Tabla 1. Resultados de
la prueba Chi-cuadrado entre las Variables Independientes y la Deserción
estudiantil
Variables |
Valor
Chi-cuadrado de Pearson |
gl |
Sig.
asintótica |
Género |
1,174 |
1 |
,279 |
Provincia
de procedencia |
33,277** |
14 |
,003 |
Fuente
de ingreso |
5,855 |
3 |
,119 |
Rango
de opción en que solicitó la carrera |
4,382 |
2 |
,112 |
Rango
de NEIM |
21,784** |
3 |
,000 |
RAMP |
182,994** |
2 |
,001 |
Repitencia
del primer año |
1,287 |
1 |
,257 |
Nota: ** La
correlación es significativa en el nivel de ,01 * La correlación es
significativa en el nivel de ,05
A
continuación, se muestra el resultado del análisis realizado para obtener los
coeficientes de correlación por hipótesis. Se utilizó el coeficiente de
correlación Rho de Spearman, pues se realiza un análisis no paramétrico con
variables ordinales o de rangos, que se muestra en la Tabla 2.
Tabla 2. Resultados de
correlación de Spearman entre las variables Género, Provincia de procedencia,
Opción en que solicitó la carrera, Fuente de ingreso y Nota del examen de
ingreso en Matemática con la Deserción estudiantil
Rho
de Spearman (rs) con
Deserción |
|||
Género |
Coeficiente de correlación |
-,049 |
|
Sig. (bilateral) |
,280 |
|
|
Provincia
de procedencia |
Coeficiente de correlación |
,191** |
|
Sig. (bilateral) |
,000 |
|
|
Fuente
de ingreso |
Coeficiente de correlación |
,041 |
|
Sig. (bilateral) |
,368 |
|
|
Rango
de opción en que solicitó la carrera |
Coeficiente de correlación |
-,094* |
|
Sig. (bilateral) |
,039 |
|
|
Rango
de NEIM |
Coeficiente de correlación |
,228** |
|
Sig. (bilateral) |
,000 |
|
** La correlación es
significativa en el nivel de ,01 * La correlación es significativa en el nivel
de ,05
Se
infiere para la hipótesis H1 en cuanto al género, ingresan más hombres que
mujeres, pero no es significativa la relación con la deserción. Igual sucede con
la variable fuente de ingreso, la de mayor ingreso son los Institutos
Preuniversitarios, permanece el 79% (297) y causan baja 81, que representan el
84% de todos los estudiantes que causan baja, los resultados indican que no es
significativa.
Provincia
de procedencia: Cinco de las nueve provincias que menos estudiantes ingresaron,
tuvieron el menor porcentaje de promovidos; mientras cuatro de las seis
provincias que más estudiantes ingresaron, tienen el mayor porcentaje de
promovidos. Se obtuvo una correlación significativa con un nivel de
significación p<,01.
Opción
en que solicitó la carrera: Existe relación inversa entre esta variable y la
deserción estudiantil con una significación p<,05;
170 estudiantes (35%) seleccionaron en 1ª opción, 138 seleccionaron la 2ª o 3ª
(28%) y el resto entre 4ª y 10ª opción. De los 97 estudiantes que causan baja,
el 42% la solicitó en primera opción, y de los 388 que permanecieron, el 39%
solicitó entre la 4ª y 10ª opción.
NEIM:
De los 97 estudiantes que causan baja, 52 estudiantes (54%) obtuvieron NEIM
entre 60 y 69. El 66% de los que matricularon tienen por debajo de 80 en la
NEIM. Existe correlación significativa con p<,01.
La
hipótesis H1 se acepta parcialmente teniendo en cuenta que la provincia de
procedencia, opción en que solicitó la carrera y la NEIM inciden en la
deserción escolar; no siendo así, las variables género y fuente de
ingreso. La hipótesis H2 se acepta ya
que se obtiene rs (6)
=,338**, p<,01; clasificándose
como una correlación positiva media (Hernández-Sampieri et al., 2014, p.305).
En la Figura 2 se muestra el resultado de la tabulación cruzada entre la NEIM y
el RAMP.
Figura 2. Gráfico del resultado de la tabulación
cruzada entre el rango de NEIM y el RAMP en el primer año de la carrera
Nota: El RAMP se
consideró alto si tiene todas las asignaturas aprobadas, medio si tiene 1 o 2
asignaturas suspensas y bajo si suspende 3 o más
Con
respecto a la hipótesis H3 que relaciona las variables RAMP y la deserción
estudiantil, se deduce en la Figura 3, que los 93 estudiantes que causaron baja
y tienen bajo rendimiento, representan el 52% de los que tienen bajo RAMP y el
96% de los que desertaron. La correlación permite concluir que, en la medida
que aumenta el rendimiento académico, disminuye la deserción estudiantil, ya
que se obtiene un alto índice de correlación negativa de Spearman rs(8)= -,873**, p<,01 y N= 485.
Figura 3. Gráfico del
resultado de la tabulación cruzada entre el RAMP y la Deserción Estudiantil
Para
la hipótesis H4 se infiere que, de los 485 estudiantes, 89 repitieron en primer
año académico. De estos 89 estudiantes, 36 (40%) causaron baja durante el curso
2014-2015, o se cambiaron de carrera y 53 promovieron al segundo año. Asimismo,
se comprueba que no existe relación entre dichas variables pues rs (1) =,052 con p>,05.
Del
análisis anterior se puede concluir que la provincia de procedencia, la opción
en que solicitó la carrera, la NEIM y el RAMP, son factores que inciden en la
deserción estudiantil. Para identificar cuáles de los indicadores de estos
factores son los predictivos, se describen a continuación, los resultados de un
análisis de regresión logística.
La
descripción del análisis de Regresión Logística (RL) se presenta por hipótesis.
En la Tabla 3 se muestran los resultados de regresión logística entre las
variables género, opción de carrera, fuente de ingreso, provincia de
procedencia y la variable dependiente deserción estudiantil.
La
RL permite obtener una función lineal de las variables independientes que
permita clasificar a los estudiantes en uno de los dos grupos de la variable
dependiente. De la Tabla 3 se escogen los coeficientes de RL binaria (B) para
H1 que permiten obtener la función lineal del modelo de RL (Berlanga-Silvente
& Vilà-Baños, 2014).
(1)
En
la ecuación (1) son los coeficientes y X1…Xk las variables que resultan predictivas.
Tabla 3. Resultado de
regresión logística de las variables género, opción de carrera, fuente de
ingreso, provincia de procedencia con la variable dependiente deserción
estudiantil con el SPSS
Variables
en la ecuación |
||||
|
B |
Error
estándar |
gl |
Sig. |
NEIM |
,067 |
,014 |
1 |
,000 |
Opción de carrera |
,101 |
,059 |
1 |
,089 |
Provincia |
14 |
,019 |
||
Provincia(1) |
-1,633 |
,691 |
1 |
,018 |
Provincia(3) |
-1,860 |
,644 |
1 |
,004 |
Provincia(4) |
-1,792 |
,642 |
1 |
,005 |
Provincia(8) |
-2,136 |
,545 |
1 |
,000 |
Provincia(11) |
-1,332 |
,550 |
1 |
,015 |
Provincia(13) |
-1,203 |
,525 |
1 |
,022 |
Sexo(1) |
,357 |
,268 |
1 |
,183 |
Fuente de ingreso |
3 |
,335 |
||
Constante |
-3,097 |
1,305 |
1 |
,018 |
Nota: Para la variable
Provincia solo se muestran los resultados significativos
Luego
se obtiene la función logística para el cálculo de la probabilidad de que un
sujeto pertenezca a una de las dos categorías binarias de la variable
dependiente. En este caso, deserción o permanencia.
(2)
Los
resultados del cálculo descrito en la ecuación (1) y obtenidos para la H1,
teniendo en cuenta que estas son las variables con un nivel de significación
por debajo de p<,05, son los que
se muestran continuación:
(3)
Las
variables predictivas identificadas son: la NEIM y que procedan de alguna de
las provincias enumeradas como Las Tunas, Ciego de Ávila, Sancti Spíritu, Villa
Clara, Pinar del Rio y Camagüey. De donde, al sustituir en la función logística
dada por la ecuación (2) el valor de la ecuación (3) se obtiene que la mayor
probabilidad para que un estudiante cause baja es que tenga 60 puntos en la
NEIM y sea de la provincia Camagüey. Con esta ecuación se clasifica
correctamente el 80% de los estudiantes.
En
el caso de la hipótesis H2 se ha utilizado RL multivariada, pues la variable
dependiente RAMP no es dicotómica, sino que se expresa en tres rangos: alto,
medio y bajo. En este análisis se obtuvieron los resultados que se muestran en
la Tabla 4; que el RAMP bajo (Yb) y medio (Ym) se pueden
predecir a partir de la NEIM.
Tabla 4. Resultados de
la regresión logística entre las variables NEIM y RAMP con SPSS
Rendimiento académico |
B |
Error estándar |
Wald |
gl |
Sig. |
|
Bajo |
Interceptación |
1,603 |
,262 |
37,457 |
1 |
,000 |
NEIM |
-,820 |
,116 |
49,617 |
1 |
,000 |
|
Medio |
Interceptación |
,558 |
,294 |
3,597 |
1 |
,058 |
NEIM |
-,530 |
,124 |
18,126 |
1 |
,000 |
Las
funciones lineales de los modelos de regresión logística obtenidos son:
Al
sustituir en la ecuación (2) el valor de Yb,
se infiere que la mayor probabilidad para que un estudiante tenga bajo
rendimiento es que tenga la NEIM en el rango de 60 a 69, con una probabilidad
del 83%.
En
el análisis de la hipótesis H3, donde se relaciona el RAMP con la deserción, 93
estudiantes que causaron baja tuvieron bajo RAMP. Este resultado representa el
52% de los estudiantes que tienen bajo rendimiento y el 96% de los que causaron
baja. El resultado obtenido demostró que el bajo RAMP es predictiva para la
deserción. La probabilidad de que un estudiante deserte o cause baja cuando su
RAMP es bajo, es del 99%. La función de regresión para esta variable es:
En
el caso de la hipótesis H4 resulta que (β=20,077,
p>,05); lo que indica que no es
predictiva la variable repitencia del primer año para la deserción estudiantil
y se rechaza la hipótesis.
El
análisis de regresión realizado permitió identificar como variables predictivas
de deserción estudiantil en el primer año de la carrera ICI: el RAMP, la NEIM y
la provincia de procedencia. Se considera que la variable: opción en que
solicitó la carrera, también se debe tener considerar predictiva porque, aunque
no entró en el margen de error del 5%, no supera un error del 9%, con un valor
de p=,089. Asimismo, se infiere que la NEIM puede
predecir el RAMP al culminar el primer año.
Este
estudio en el contexto cubano corrobora algunos resultados de estudios previos
y también arroja resultados novedosos. Con respecto a la variable NEIM el
resultado indica que esta es una variable muy importante tanto para el RAMP en
primer año como para la deserción.
Coincidiendo con los resultados obtenidos por diversos autores en otros
contextos; que han estudiado estas variables, acompañadas de otras como la
situación financiera, motivacional, expectativas, entre otras (Kori et al.,
2018; Salazar-Fernández et al., 2019).
La
variable género no resultó predictiva de la deserción en el contexto cubano, lo
que no coincide con el resultado de (Miliszewska et al., 2006) en el contexto
australiano. Igual ocurre en el caso de la provincia de residencia como factor
predictivo. Esta variable fue estudiada por (Lacave et al., 2018) y no resultó
predictiva dentro del perfil de deserción obtenido.
La
variable opción de carrera se relaciona con causas motivacionales. Es una
variable predictiva ya que, de cuatro técnicas cuantitativas, en tres resulta
predictiva. Este resultado concuerda con los hallazgos de (Lacave et al., 2018; Meyer y Fang, 2019; Paimin
et al., 2017)
La
relevancia de este estudio es que aporta conocimiento científicamente probados
sobre los factores predictivos de deserción en la carrera ICI, una cuestión que
no se ha abordado de forma explícita en la literatura. También contribuye a
elevar el conocimiento de profesores y directivos sobre dichos factores y
facilitarles una propuesta de acción que se utilice en la preparación del
profesorado. Presentar los resultados y discutirlos. Esto no significa explicar
los resultados solamente, sino compararlos con otros criterios de expertos en
la bibliografía que obtienen semejantes resultados de investigación a los que
se revelan.
Conclusiones
En
Cuba juegan un papel decisivo los estudios con enfoque de CTS. En este trabajo
se utilizó la tecnología como herramienta para analizar datos del fenómeno
científico en estudio relacionado con aspectos sociales, que nos permitió
entender y aportar nuevos conocimientos. Asimismo, se considera la deserción
estudiantil en la UCI una problemática que afecta no solo a la sociedad,
también al desarrollo científico y tecnológico de la nación.
Los
estudios sobre deserción en carreras de Ingeniería Informática son escasos, en
ellos se proponen acciones institucionales para atender los factores o causas
identificadas. El análisis estadístico descriptivo e inferencial utilizando
correlación y regresión logística, realizado con la cohorte 2013-2014 de la UCI
permitió analizar el cumplimiento o no de cuatro hipótesis correlacionales.
Se
obtuvieron como variables predictivas de deserción estudiantil en el primer
año: el rendimiento académico en Matemática y Programación, la nota de acceso
en Matemática, la provincia de procedencia y la opción en que solicitó la
carrera. Este resultado ha permitido
aportar el diseño didáctico de acciones tutoriales que desde la institución y
el proceso docente educativo se pueden realizar para atender estos factores. En
el futuro se considera necesario profundizar el estudio mediante la inclusión
de nuevas variables y la ampliación de la muestra que permita realizar
comparaciones entre cohortes, facultades, planes y modalidad de estudios.
Referencias
Berlanga-Silvente, V., & Vilà-Baños, R. (2014).
Cómo obtener un Modelo de Regresión Logística Binaria con SPSS. REIRE, 7(2),
105–118. https://doi.org/10.1344/reire2014.7.2727//
Canedo, E. D., Santos, G. A., & Leite, L. L.
(2018). An Assessment of the
Teaching-Learning Methodologies Used in the Introductory Programming Courses at
a Brazilian University. Informatics in Education, 17(1), 45–59. https://doi.org/10.15388/infedu.2018.03
Castro Díaz-Balar, F. (2004). Ciencia, Tecnología y Sociedad. Hacia un desarrollo
sostenible en la Era de la Globalización. Científico-Técnica.
Hernández-Sampieri, R., Fernández-Collado, C., &
Baptista-Lucio, M. del P. (2014). Metodología de la Investigación
(McGRAW-HIL (ed.); Sexta).
https://periodicooficial.jalisco.gob.mx/sites/periodicooficial.jalisco.gob.mx/files/metodologia_de_la_investigacion_-_roberto_hernandez_sampieri.pdf
Korhonen, V., & Rautopuro, J.
(2018). Identifying Problematic Study Progression and “ At- Risk ” Students in
Higher Education in Finland. Scandinavian Journal of Educational Research,
0(0), 1–14. https://doi.org/10.1080/00313831.2018.1476407
Kori, K., Pedaste, M., & Must,
O. (2018). The Academic, Social, and Professional Integration Profies of
Information Technology Students. ACM
Trans. Comput. Educ., 18(4),
20:1-20:19. https://doi.org/10.1145/3183343
Lacave, C., Molina, A. I., & Cruz-Lemus, J. A.
(2018). Learning Analytics to identify
dropout factors of Computer Science studies through Bayesian networks. Behaviour & Information Technology, 1–15. https://doi.org/10.1080/0144929X.2018.1485053
Lázaro, N. (2020). Acciones tutoriales con TIC
atendiendo a factores predictivos de la deserción estudiantil en carreras de
Ingeniería Informática (Tesis
doctoral). [Universidad de Granada].
https://digibug.ugr.es/handle/10481/64571
Meyer, M., & Fang, N. (2019). A qualitative case study of
persistence of engineering undergraduates. International Journal of Engineering Education, 35(1), 99–108.
Mesa, L. (2016). El Sistema Educativo Cubano y su
carácter inclusivo. Revista Brasileira de Educação Do Campo, 1(2),
364–380. https://doi.org/10.20873/uft.2525-4863.2016v1n2p364
Miliszewska, I., Barker, G.,
Henderson, F., & Sztendur, E. (2006). The Issue of Gender Equity in
Computer Science – What Students Say. Journal of Information Technology
Education, 5. https://cutt.ly/Kr8Fusz
Núñez Jover, J. (2005). Notas sobre Ciencia, Tecnología y Sociedad en Cuba. Série
Seminários de Pesquisa. Universidade Federal Do Rio de Janeiro Instituto de
Economia. http://www.ie.ufrj.br/oldroot/publicacoes/serie_seminarios_de_pesquisa/notas_sobre_ciencia_tecnologia_y_sociedad_en_cuba.pdf
Paimin, A. N., Prpic, J. K.,
Hadgraft, R. G., & Alias, M. (2017). Understanding student’s learning
experiences in higher education. Proceedings of INTED2017 Conference, March,
6670–6676.
Peña Torres, C. E. (2016). Análisis de los factores
de la deserción estudiantil en Facultad de Ciencias Socioeconómicas y
Empresariales de las Unidades Tecnológicas de Santander, Bucaramanga, Colombia
[Universidad de Granada Facultad de Ciencias de la Educación].
http://hdl.handle.net/10481/48509
Rodríguez, E. C., & Ansola, E. (2013). Políticas
nacionales sobre el abandono estudiantil en las universidades de la República
de Cuba. III CLABES, 11.
Salazar-Fernández, J. P., Sepúlveda, M., &
Munoz-Gama, J. (2019). Influence of Student Diversity on Educational Trajectories in Engineering
High-Failure Rate Courses that Lead to Late Dropout. IEEE Global Engineering Education Conference (EDUCON), 607–616.
UNESCO-IESALC. (2018). Plan de Acción 2018 - 2028.
III Conferencia Regional de Educación Superior para América Latina y el Caribe.
Declaración
de contribución de autoría |
||||||||||||||
Nombre y apellidos de autores |
C |
CD |
A |
AF |
I |
M |
AP |
R |
S |
Su |
VV |
VP |
R |
RE |
Niurys Lázaro
Alvarez |
X |
X |
X |
X |
X |
X |
|
X |
|
|
X |
X |
X |
X |
Zoraida Callejas
Carrión |
X |
|
X |
|
X |
X |
X |
|
|
X |
|
|
|
X |
David Griol
Barres |
X |
|
X |
|
X |
X |
|
|
|
X |
|
|
|
X |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|