Diseño de un modelo matemático para estimar el efecto independiente de los problemas de salud mental en la deserción universitaria temprana

Simple item page
dc.contributor.advisorVera Cala, Lina María
dc.contributor.advisorNiño García, Jorge Andrés
dc.contributor.authorSepúlveda Suárez, Jesús Miguel
dc.contributor.evaluatorCaballero Badillo, María Claudia
dc.contributor.evaluatorGafaro Rojas, Aurora Inés
dc.date.accessioned2024-11-14T16:38:30Z
dc.date.available2024-11-14T16:38:30Z
dc.date.created2024-11-08
dc.date.issued2024-11-08
dc.description.abstractEn Colombia, la deserción universitaria afecta a uno de cada dos estudiantes que ingresan a instituciones de educación superior (IES), generando pérdidas significativas en ingresos. Según la OCDE, cada año adicional de escolaridad puede aumentar el PIB per cápita entre 4 y 7%. Para abordar este problema, se llevó a cabo un estudio utilizando Regresión Logística (RL) y Redes Neuronales Artificiales (RNN) para predecir la deserción. Se utilizo información recopilada por la Dirección de Bienestar Estudiantil de la UIS, enfocándose en estudiantes de nuevo ingreso entre 2015-2 y 2017-2, con un seguimiento de 4 semestres. La base de datos incluyó 4273 estudiantes y 26 variables predictoras, con una edad promedio de 18,1 años. El 74,24% residía en el Área Metropolitana de Bucaramanga y un 32,59% estaba en riesgo de depresión, mientras que el 40,78% presentaba riesgo de ansiedad. La RL identificó las variables más significativas para la deserción: procedencia fuera del AMB, sexo masculino, disfuncionalidad familiar, baja autoconfianza y automotivación en el aprendizaje, insatisfacción con la vida, y no ser beneficiario de servicios de comedores de la UIS. Se desarrolló un modelo predictivo con RNN que logró una precisión del 87%. Finalmente, se combinó la RL y RNN, obteniendo una precisión del 84% y simplificando las variables para su implementación efectiva.
dc.description.abstractenglishIn Colombia, university dropout affects one in two students entering higher education institutions (IES), resulting in significant income losses. According to the OECD, each additional year of schooling can increase GDP per capita by 4 to 7%. To address this issue, a study was conducted using Logistic Regression (LR) and Artificial Neural Networks (ANN) to predict dropout rates. Data collected by the UIS Student Welfare Office focused on first-year students from 2015-2 to 2017-2, tracking them over four semesters. The database included 4,273 students and 26 predictive variables, with an average age of 18.1 years. Of these, 74.24% lived in the Bucaramanga Metropolitan Area, and 32.59% were at risk of depression, while 40.78% showed signs of anxiety. LR identified the most significant variables for dropout: coming from outside the metropolitan area, being male, family dysfunction, low self-confidence, lack of self-motivation in learning, life dissatisfaction, and not being a beneficiary of UIS cafeteria services. An ANN predictive model achieved 87% accuracy. Finally, combining LR and ANN resulted in an 84% accuracy rate while simplifying the variables for effective implementation.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Matemática Aplicada
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/44702
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ciencias
dc.publisher.programMaestría en Matemática Aplicada
dc.publisher.schoolEscuela de Física
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectRegresión logística
dc.subjectRedes neuronales artificiales
dc.subjectDeserción universitaria
dc.subject.keywordLogistic Regresion
dc.subject.keywordArtificial Neural Networks
dc.subject.keywordUniversity Dropouts
dc.titleDiseño de un modelo matemático para estimar el efecto independiente de los problemas de salud mental en la deserción universitaria temprana
dc.title.englishDesign of a mathematical model to estimate the independent effect of mental health issues on early university dropout
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Documento.pdf
Size:
1.31 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
87.82 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
210.01 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Matemática Aplicada