Segmentación del estudiantado universitario: el caso de la Udima

Abstract

Este trabajo final determina las distintas tipologías del estudiantado de la Udima en base a su rendimiento, opiniones, características sociodemográficas y de comportamiento en Moodle para poder personalizar su seguimiento. La población investigada esta formada por el estudiantado universitario (Grado/Máster) de la Udima matriculado en algún curso desde su inicio (2008-09) hasta el último curso (2021-22). Se identifica el perfil de 30.875 estudiantes que finalizan/abandonan sus estudios mediante la técnica óptima de aprendizaje no supervisado: algoritmo de agrupación k-means, distancia euclidiana y 4 clusters obteniendo: 25.09% del conjunto como dropout; 59.59% como common graduate; 8.76% como motivated: egresado especialista, con sentido de pertenencia a la universidad y alta satisfacción y 6.55% como dissatisfied: egresado con satisfacción inferior a la media. Esta clasificación sirve para predecir, mediante técnicas de aprendizaje supervisado, la clasificación de 7.989 estudiantes en progreso con un dataset reducido (se eliminan variables relativas al egreso/abandono para no condicionar). Mediante 10-Fold-Cross-Validation (y según máxima accuracy) se aplica el algoritmo de clasificación Random Forest. Tras entrenar, se obtiene una accuracy del 86.45%. Se aplica el modelo y la distribución es: dropout, 59.36%; common graduate, 30.85%; motivated, 1.11% y dissatisfied, 8.69%. Evaluados los resultados frente al problema planteado y frente a los resultados de la literatura, se da por válido el modelo. La diferencia que aporta este modelo frente a los utilizados en Udima es la integración de información procedente de la satisfacción y la inserción laboral. Los resultados obtenidos son específicos para la Udima, pero la metodología empleada puede adaptarse a cualquier institución de educación superior a distancia.

This final project ascertains the different typologies of Udima students based on their performance, opinions, socio-demographic and behavioural characteristics in Moodle in order to customize their follow-up. The research population is made up of Udima university students (Bachelor's/Master's) enrolled in a course from the beginning (2008-09) to the final year (2021-22). The profile of 30.875 students who finish/leave their studies is identified using the optimal unsupervised learning technique: k-means group algorithm, Euclidean distance and 4 clusters obtaining: 25.09% of the group as dropout; 59.59% as common graduate; 8.76% as motivated: specialist graduate, with a sense of belonging to the university and high satisfaction and 6.55% as dissatisfied: graduate with below-average satisfaction. This classification is used to predict, by means of monitored learning techniques, the classification of 7.989 students in progress with a reduced dataset (variables related to graduation/dropout are eliminated so as not to condition). Using 10-Fold-Cross-Validation (and according to maximum accuracy), the Random Forest classification algorithm is applied. After training, an accuracy of 86.45% is obtained. The model is applied and the distribution is: dropout, 59.36%; common graduate, 30.85%; motivated, 1.11% and dissatisfied, 8.69%. After evaluating the results in relation to the problem raised and the results of the literature, the model is considered valid. The difference between this model and those used in Udima is the integration of information from satisfaction and job placement. The results obtained are specific to Udima, but the methodology used can be adapted to any advanced e-learning institution.

Aquest treball final determina les diferents tipologies de l'estudiantat de la Udima sobre la base del seu rendiment, opinions, característiques sociodemogràfiques i de comportament en Moodle per a poder personalitzar el seu seguiment. La població investigada aquesta formada per l'estudiantat universitari (Grau/Màster) de la Udima matriculat en algun curs des del seu inici (2008-09) fins a l'últim curs (2021-22). S'identifica el perfil de 30.875 estudiants que finalitzen/abandonen els seus estudis mitjançant la tècnica òptima d'aprenentatge no supervisat: algorisme d'agrupació k-means, distància euclidiana i 4 clústers obtenint: 25.09% del conjunt com dropout; 59.59% com common graduate; 8.76% com motivated: egressat especialista, amb sentit de pertinença a la universitat i alta satisfacció i 6.55% com dissatisfied: egressat amb satisfacció inferior a la mitjana. Aquesta classificació serveix per a predir, mitjançant tècniques d'aprenentatge supervisat, la classificació de 7.989 estudiants en progrés amb un dataset reduït (s'eliminen variables relatives al diplomo/abandó per a no condicionar). Mitjançant 10-Fold-Cross-*Validation (i segons màxima accuracy) s'aplica l'algorisme de classificació Random Forest. Després d'entrenar, s'obté una accuracy del 86.45%. S'aplica el model i la distribució és: dropout, 59.36%; common graduate, 30.85%; motivated, 1.11% i dissatisfied, 8.69%. Avaluats els resultats enfront del problema plantejat i enfront dels resultats de la literatura, es dona per vàlid el model. La diferència que aporta aquest model enfront dels utilitzats en Udima és la integració d'informació procedent de la satisfacció i la inserció laboral. Els resultats obtinguts són específics per a la Udima, però la metodologia emprada pot adaptar-se a qualsevol institució d'educació superior a distància.