<!DOCTYPE article PUBLIC "-//NLM//DTD JATS (Z39.96) Journal Archiving and Interchange DTD v1.0 20120330//EN" "JATS-archivearticle1.dtd">
<article xmlns:xlink="http://www.w3.org/1999/xlink">
  <front>
    <journal-meta />
    <article-meta>
      <title-group>
        <article-title>Methodological Proposal for Trajectory Analysis. Case Study</article-title>
      </title-group>
      <contrib-group>
        <contrib contrib-type="author">
          <string-name>L. Illescas-Peña</string-name>
        </contrib>
        <contrib contrib-type="author">
          <string-name>M. Peña</string-name>
        </contrib>
        <contrib contrib-type="author">
          <string-name>F. Bravo</string-name>
        </contrib>
        <contrib contrib-type="author">
          <string-name>S. Larriva</string-name>
        </contrib>
        <contrib contrib-type="author">
          <string-name>Universidad de Cuenca</string-name>
        </contrib>
        <contrib contrib-type="author">
          <string-name>Facultad de fabian.bravo}@ucuenca.edu.ec</string-name>
        </contrib>
        <contrib contrib-type="author">
          <string-name>Universidad de Cuenca</string-name>
        </contrib>
        <contrib contrib-type="author">
          <string-name>Facultad de silvana.larriva}@ucuenca.edu.ec</string-name>
        </contrib>
        <contrib contrib-type="author">
          <string-name>Filosofía</string-name>
        </contrib>
        <contrib contrib-type="author">
          <string-name>Químicas</string-name>
        </contrib>
      </contrib-group>
      <abstract>
        <p>For university academic management in general, it is always important to clearly know the average time a student needs to complete the credits established in the curriculum. There are several methods to capture academic information and most of them are based on qualification records, access to virtual platforms, assistance, etc. Based on the architecture of learning analysis proposed by the authors, we specifically worked on a methodology that would allow measuring the academic trajectory using variables such as: number of credits per semester, grades, approvals and number of enrollments. Information from a 2013 cohort of two university careers was used as a reference. The result of the methodology allowed graphing the behavior and generating a detailed analysis of the academic trajectory. The methodological proposal can be generalized for other careers provided that the analysis of the results is contextualized to the behavior of the nature of the training area.</p>
      </abstract>
      <kwd-group>
        <kwd />
        <kwd>Learning Analytics</kwd>
        <kwd>Academic Trajectory</kwd>
        <kwd>Academic Performance</kwd>
      </kwd-group>
    </article-meta>
  </front>
  <body>
    <sec id="sec-1">
      <title>-</title>
      <p>Ciencias
El estudio y análisis de las causas de deserción, rendimiento académico, trayectoria,
etc. han sido elementos considerados en numerosas investigaciones que buscan
justificar las causas y posibles soluciones a estas variables. Cada institución de educación
superior busca pronosticar el comportamiento de sus estudiantes con el fin, entre otros
muchos, de optimizar recursos, espacios y esfuerzos.</p>
      <p>
        El estudio, la predicción del desarrollo académico así como las investigaciones
sobre los factores que describen el éxito académico y la permanencia de los estudiantes,
son temas de alto impacto en la educación superior [
        <xref ref-type="bibr" rid="ref1">1</xref>
        ]. Es así, que el interés de estas
instituciones por identificar con claridad el desempeño estudiantil a través de tasas de
deserción, retención, aprobación, tasas de egreso, etc., han generado investigaciones
que surgen de una necesidad particular basadas en criterios académicos de
acreditación o análisis temporal.
      </p>
      <p>
        A pesar del extenso número de estudios sobre el abandono en la educación
superior, aún sigue siendo motivo de análisis el proceso que provoca la deserción
estudiantil. La atención inadecuada sobre la definición de deserción ha llevado a los
investigadores a agruparse bajo la rúbrica de abandono, que resultan ser diferentes ya
que no es lo mismo un fracaso escolar que un retiro voluntario académico [
        <xref ref-type="bibr" rid="ref2">2</xref>
        ].
      </p>
      <p>
        Por otro lado, el rendimiento académico es un importante predictor del rendimiento
en otros niveles de educación y de otros resultados laborales importantes, como el
desempeño laboral y el salario [
        <xref ref-type="bibr" rid="ref3">3</xref>
        ]. Una de las perspectivas más relevantes para
comprender el rendimiento académico es la teoría sociocognitiva de la motivación,
iniciada por el trabajo de Dweck en 1986 con la premisa de que los comportamientos de los
estudiantes son una función de los deseos de alcanzar objetivos particulares,
centrándose principalmente en dos objetivos dominantes: aprendizaje y rendimiento [
        <xref ref-type="bibr" rid="ref4">4</xref>
        ].
      </p>
      <p>
        En algunas investigaciones [
        <xref ref-type="bibr" rid="ref5 ref6">5,6</xref>
        ] se han abordado al mismo tiempo la deserción y
la trayectoria académica, parece apropiado hacerlo de esta manera porque resulta
difícil distinguir entre los alumnos que abandonan la universidad durante ciertos
períodos y regresan a la misma (trayectoria discontinua) de aquellos que nunca regresan
(desertores), porque las universidades ofrecen sistemáticamente facilidades para que
los estudiantes concluyan sus estudios y obtengan el grado respectivo [
        <xref ref-type="bibr" rid="ref7">7</xref>
        ].
      </p>
      <p>
        Paralelamente a estas investigaciones, una de las áreas dedicadas al estudio de los
comportamientos académicos es la Analítica, utilizada mayormente en educación
superior para la toma de decisiones administrativas; y, que combina grandes
conjuntos de datos, técnicas estadísticas y modelos predictivos. Se podría pensar que, es la
práctica de extraer datos institucionales para producir "inteligencia procesable"[
        <xref ref-type="bibr" rid="ref8">8</xref>
        ]. En
este contexto Cambell and Oblinger[
        <xref ref-type="bibr" rid="ref8">8</xref>
        ], definen la analítica educativa como un
mecanismo que trabaja en 5 fases: Captura, Reporte, Predicción, Acción y Refinamiento.
      </p>
      <p>
        Cada una de las fases que contempla la analítica del aprendizaje requiere un
estudio y atención detallada. Esta propuesta se centró en la fase de predicción, que se
diseña específicamente para proveer respuestas a preguntas previamente formuladas,
por ejemplo, un algoritmo que permita ayudar a los estudiantes a anticiparse a
dificultades durante su experiencia universitaria; ayudar a los instructores a identificar
estudiantes que no están avanzando como se esperaría; y, ayudar a los administradores a
anticiparse sobre complicaciones en un curso [
        <xref ref-type="bibr" rid="ref9">9</xref>
        ]. Es así que se pretendió alcanzar un
modelo de análisis que permita la predicción de una trayectoria académica,
centralizada en el contexto en el que se desarrolla el estudiante, basado en la carrera de
formación y en los comportamientos generados por los históricos registrados en un
sistema informático con datos suficientes para el análisis.
      </p>
      <p>
        Para el cálculo de la trayectoria, Mares[
        <xref ref-type="bibr" rid="ref5">5</xref>
        ] propuso hacerlo en términos del
promedio alcanzado en la universidad, la continuidad en los estudios y la manera de
acreditar las materias. En la propuesta se plantearon dos categorías, la primera sobre
competencias académicas y no académicas y, en la segunda se refirió a las circunstancias
económicas, culturales y familiares del estudiante. Estas acciones permitieron
distinguir la orientación de las acciones hacia los alumnos o hacia la institución [
        <xref ref-type="bibr" rid="ref7">7</xref>
        ], basado
en ello la presente propuesta considera analizar la primera categoría basada en
competencias académicas generando una proyección que permitiera distinguir acciones
orientadas directamente a los alumnos.
      </p>
      <p>
        Por otra parte, según Palomino[
        <xref ref-type="bibr" rid="ref10">10</xref>
        ], los principales indicadores asociados al
rendimiento académico son: Promedio ponderado acumulado (PPA), Promedio aritmético
de calificaciones (PAC). En donde el promedio ponderado acumulado (PPA) es un
indicador que presenta el rendimiento académico acumulado sobre todos los periodos
tomados por cierto estudiante en la carrera; mientras que, el promedio aritmético de
calificaciones (PAC) es un Indicador que presenta el rendimiento académico en un
periodo dado [
        <xref ref-type="bibr" rid="ref10">10</xref>
        ].
2
      </p>
    </sec>
    <sec id="sec-2">
      <title>Metodología</title>
      <p>Esta sección provee la metodología utilizada para identificar la trayectoria académica
en un contexto universitario basado en un sistema de aprobación por créditos. Para
ello se analizaron estudios realizados sobre el análisis de trayectorias académicas y en
base a una propuesta propia se construyó una función que permitiría realizar un
cálculo en base a variables como: eficiencia académica y eficacia terminal. Finalmente, la
propuesta metodológica plantea una estrategia de graficación que permitió analizar la
trayectoria académica de una forma global e identificar a los estudiantes con una
trayectoria que demande atención o análisis personalizado.</p>
      <p>
        El análisis de la trayectoria académica propuesto, es parte de un modelo académico
global con una arquitectura que contempla 5 cuadrantes Fig [
        <xref ref-type="bibr" rid="ref1">1</xref>
        ]. El primero consiste
en definir la forma de obtener información académica generada en cualquier momento
del aprendizaje; el cuadrante 2 trabaja en el análisis con el uso de herramientas
diversas entre ellas la minería de datos; el tercer cuadrante se concentra en la
representación gráfica de los datos generados y a la vez cumple un papel indispensable para el
cuadrante 4, en el que se realiza un análisis pedagógico sobre las causas, resultados y
consecuencias de la información obtenida y,; finalmente el quinto cuadrante se
encarga de realizar una propuesta de intervención interdisciplinaria sobre el problema
detectado. Este modelo deberá repetirse constantemente tras la aplicación de diversas
técnicas propuestas tras los resultados generados.
      </p>
      <p>El presente artículo se centra en una propuesta que se genera para el cuadrante 2 y
3. A través de una metodología que permita identificar un valor asignado a una
trayectoria académica medida por varias variables generadas en el proceso de
aprendizaje del estudiante y, una propuesta de representación gráfica que permita un análisis
efectivo global y personalizado de los estudiantes en una cohorte cualquiera de una
carrera determinada para el análisis.
2.1</p>
      <sec id="sec-2-1">
        <title>Metodología de Análisis de la trayectoria.</title>
        <p>El sistema de gestión académica de la Universidad de Cuenca registra los detalles
de las calificaciones, matrículas y ficha socioeconómica de los alumnos en cada
semestre lectivo desde septiembre del 2009 hasta la actualidad; es decir, se cuenta con
una base de datos suficiente que permitiría generar información específica en cuanto a
rendimientos, avances curriculares y deserción. Por lo tanto, se tiene la posibilidad
además de generar visualizaciones que permitan identificar posibles índices elevados
de pérdidas, disminución e incremento matrículas, por dar un ejemplo.</p>
        <p>Los datos utilizados en este estudio fueron obtenidos del sistema de gestión
académica universitario. La información de carácter personal fue eliminada o
reemplazada por códigos aleatorios para garantizar la confidencialidad de los campos
estudiados. La información utilizada se basó en las notas finales de asignatura, estado
(aprobado o reprobado) de cada materia tomada por el estudiante. La cohorte analizada fue
la correspondiente a los alumnos que ingresaron a primer año en el semestre
marzojulio 2013. La universidad dispone de 51 carreras de las cuales se tomarán dos como
prueba piloto de la metodología propuesta en este artículo. Es así que, se tomó la
información de las carreras de Ingeniería Química con 32 estudiantes y Matemáticas y
Física con 8 estudiantes. La metodología propuesta contempla los datos
correspondientes a 10 semestres comprendidos entre marzo del 2013 hasta febrero del 2018 de
una sola cohorte. Si bien es cierto, el análisis de la trayectoria académica se realiza
por individuo, el resultado general en la visualización permitió observar un
comportamiento global de los alumnos analizados.</p>
        <p>
          Para ello, se propuso analizar el promedio de rendimiento académico [
          <xref ref-type="bibr" rid="ref10">10</xref>
          ] y se
utilizó la formula (1) Promedio Ponderado Acumulado (PPA), que corresponde a la
suma de los productos de las notas finales de cada una de las asignaturas formalmente
inscritas por un estudiante, aprobadas o reprobadas, multiplicado por su respectivo
número de créditos y dividido por el total de créditos de las asignaturas formalmente
inscritas acumuladas por el estudiante.
se incorpora para establecer al factor PPA en el intervalo [
          <xref ref-type="bibr" rid="ref1">0, 1</xref>
          ].
        </p>
        <p>
          En relación a las calificaciones, el cálculo del Promedio Aritmético de
Calificaciones (PAC) se realizó a través de la suma de las notas finales de las asignaturas
inscritas por cada estudiante, aprobadas y reprobadas, dividido por la cantidad de
asignaturas inscritas en un determinado ciclo o semestre (2) [
          <xref ref-type="bibr" rid="ref10">10</xref>
          ].
        </p>
        <p />
        <p>
          ∑ =1  


1
∗
(2)
donde,

= Número de asignaturas formalmente inscritas en un determinado ciclo
Con este índice se determinó el rendimiento, la efectividad respecto a un
determinado ciclo. El factor α, nuevamente se incorpora para establecer al factor PAC en el
intervalo [
          <xref ref-type="bibr" rid="ref1">0, 1</xref>
          ].
indicador 
el avance del estudiante.
        </p>
        <p>El objetivo del indicador</p>
        <p>es, presentar el rendimiento del estudiante en un
determinado ciclo o semestre, es decir, su desempeño tras las evaluaciones. Mientras el
busca presentar el rendimiento histórico, y a la vez espera estabilizar
Se puede considerar por otro lado, el Avance (A) que corresponde al número de
de créditos del plan de estudios o malla curricular.
créditos aprobados en determinado ciclo o semestre  − é
 , dividido para el total
  =
   

∑ =1  
(3)
  
= Número de créditos aprobabos en determinado ciclo o semestre
− ésimo
 = número de créditos totales de la carrera</p>
        <p>En base a las funciones mencionadas, este estudio propuso una fórmula que
permitiera calcular un valor que presente de manera holística la trayectoria de un estudiante,
considerando el avance de los créditos sobre la malla y la efectividad en el avance. Es
así que se propone el cálculo de la Trayectoria (4) de un estudiante en un periodo
 − é</p>
        <p>por la multiplicación de los factores, Avance (A) y la semisuma entre: el
Promedio aritmético de calificaciones (PAC), y el promedio ponderado acumulado
(PPA); más el valor de la trayectoria en el periodo ( − 1).</p>
        <p>=   −1 +   ∗

 + 
2

(4)
Como se esperaría, el valor de  0 = 0.</p>
        <p>Para  = {1, 2, 3, … .  }, siendo  el total de periodos tomados por un estudiante.</p>
        <p>
          Por otro lado, para la representación de los resultados, se propuso el uso de una
gráfica que permitiera visualizar la trayectoria del estudiante sobre umbrales o límites
(bandas) determinados por presente estudio Fig [
          <xref ref-type="bibr" rid="ref2">2</xref>
          ]. En este gráfico, en el eje
horizontal se pueden identificar los semestres que han transcurrido a partir de marzo del 2013
hasta febrero del 2018 para la cohorte analizada; mientras en el eje vertical se
identifica la trayectoria, calculada mediante la fórmula de la Trayectoria(4).
        </p>
        <p>La propuesta de representación “Trayectoria IDEAL” como aquella en la que
hipotéticamente el estudiante ha obtenido 100% como calificación en todas las
materias; naturalmente, el estudiante en este caso habría aprobado siempre todas las
materias formalmente inscritas. En la “Trayectoria NORMAL” se considera que el
estudiante habría aprobado siempre todas las materias formalmente inscritas con un
promedio del 80% de rendimiento académico. La “Trayectoria DEFICIENTE” en
cambio, describe a un estudiante que habría aprobado siempre pero con un promedio del
60%, es decir, el mínimo considerado para aprobar cualquier materia en la institución
de educación superior analizada.
0,8
)T0,7
(
ia0,6
r
to0,5
c
ey0,4
ra0,3
T
0,2
0,1
0</p>
      </sec>
      <sec id="sec-2-2">
        <title>Trayectoria IDEAL</title>
      </sec>
      <sec id="sec-2-3">
        <title>Zona DESEADA</title>
      </sec>
      <sec id="sec-2-4">
        <title>Trayectoria NORMAL</title>
      </sec>
      <sec id="sec-2-5">
        <title>Zona de RIESGO</title>
      </sec>
      <sec id="sec-2-6">
        <title>Trayectoria DEFICIENTE</title>
        <p>Zona de ALERTA
0
1
2
3
4
5
6
7
8</p>
        <p>Con estos umbrales se establecen 3 zonas importantes. La “Zona DESEADA” en
donde estarían las trayectorias de los estudiantes con calificaciones aceptables (sobre
el 80%). La “Zona de RIESGO” en la se identifican estudiantes con calificaciones
regulares (entre 60% y 80%) y que pasen sin repetir materias. Finalmente la “Zona de
ALERTA” considerada una zona no deseada que implique un análisis más profundo y
generen situaciones de intervención para evitar una deserción.
3</p>
      </sec>
    </sec>
    <sec id="sec-3">
      <title>Resultados</title>
      <p>
        Tras la aplicación de metodología de cálculo e trayectoria, se generó la tabla de
resultados de la Carrera de Matemáticas y Física e Ingeniería Química y la
representación de la trayectoria de cada uno de los estudiantes enmarcados en las tres áreas de
clasificación. La Fig [
        <xref ref-type="bibr" rid="ref3">3</xref>
        ]. muestra las gráficas correspondientes a Matemáticas y física
y la Fig [
        <xref ref-type="bibr" rid="ref4">4</xref>
        ] la correspondiente a la carrera de Ingeniería Química.
      </p>
      <p>Las carreras analizadas tienen una malla curricular de 9 y 10 ciclos
respectivamente. En el caso de matemáticas y física se puede observar que la tendencia de la
trayectoria académica de los alumnos tiende a ubicarse en la Zona Deseada, mientras que en
la carrera de Ing. Química la mayoría de estudiantes se registra en la zona de Riesgo.
0,2
0
Mientras 5 estudiantes de la cohorte de matemáticas y física están en la zona
Deseada ya que terminan de cursar las materias en nueve semestres y con
calificaciones en promedio sobre el 80%; en la carrera de Ing. Química, se observa que apenas 3
estudiantes alcanzan la zona pero con dificultad. Para quienes se mantuvieron en la
zona de RIESGO durante toda su carrera, es evidente que la trayectoria demorará
más de nueve semestres y esto se observa en el gráfico.</p>
      <p>Es evidente que aquellos estudiantes que han tenido un buen rendimiento
académico y han sido regulares en aprobar las asignaturas planificadas en la malla curricular
de su carrera, están en la zona deseada y culminan la carrera en los plazos
establecidos. Aquellos estudiantes que están en la zona de riesgo no tienen altos rendimientos
académicos, y es probable que hayan perdido una o más asignaturas, por lo que la
culminación de sus estudios está retrasada. Los estudiantes que ubican en la zona de
alerta son aquellos que tienen problemas de rendimiento académico, han perdido
varias asignaturas y su trayectoria académica demanda atención.
4</p>
    </sec>
    <sec id="sec-4">
      <title>Conclusiones</title>
      <p>Tras la validación de la fórmula propuesta, fue posible el cálculo de una variable
Trayectoria Académica calculada en base a las calificaciones obtenidas por el
estudiante y el número de créditos registrados en cada semestre académico. El resultado
de la fórmula generó valores que fueron posibles de representar en una gráfica
sencilla que representa la forma de avance de un estudiante de una cohorte específica en
una carrera cualquiera.</p>
      <p>La propuesta se concentró en dos carreras, Matemáticas y Física e Ingeniería
Química del área social y del área técnica respectivamente. El resultado del cálculo de las
trayectorias evidenció que el comportamiento académico en las dos carreras es
diferente. La carrera del área social tiene una tendencia a la aprobación y un número
pequeño de estados de alerta. Por otro lado la carrera del área técnica ubica a la mayoría
de sus estudiantes en una zona de alerta, que podría sugerir un alto número de
pérdidas en asignaturas y por lo tanto un retraso en cumplir la malla curricular en los 10
semestres definidos para esta formación.</p>
      <p>Los resultados muestran además, que es posible detectar a aquellos estudiantes
sobre los que se debería intervenir, permitiendo formular actividades encaminadas a
mejorar el desempeño académico, corrigiendo trayectorias y llevándolas sobre el
umbral de trayectoria Normal, es decir, realizar acciones para llevar a los estudiantes a la
zona Deseada.</p>
      <p>El proceso de análisis deberá ser replicado en las 49 carreras restantes y se sugiere
analizar si el comportamiento en las carreas del área técnica mantienen un
comportamiento similar a la de este caso de estudio, así mismo las de las áreas sociales.</p>
      <p>Una vez conocidos los resultados, será necesario generar un proceso que permita
identificar con más claridad el comportamiento de ralentización de una trayectoria
académica para la elaboración de propuestas de intervención directas sobre los casos
detectados.
5</p>
    </sec>
  </body>
  <back>
    <ref-list>
      <ref id="ref1">
        <mixed-citation>
          1.
          <string-name>
            <surname>Ruban</surname>
            <given-names>L.M.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>McCoach D.B.</surname>
          </string-name>
          :
          <article-title>Gender Differences in Explaining Grades Using Structural Equation Modeling</article-title>
          ,
          <source>Rev. High. Educ. J. Assoc. Study High. Educ.</source>
          , vol.
          <volume>28</volume>
          , no.
          <issue>4</issue>
          , pp.
          <fpage>475</fpage>
          -
          <lpage>502</lpage>
          , (
          <year>2005</year>
          ).
        </mixed-citation>
      </ref>
      <ref id="ref2">
        <mixed-citation>
          2.
          <string-name>
            <surname>Tinto</surname>
            <given-names>V.</given-names>
          </string-name>
          ,
          <source>Dropout from Higher Education: A Theoretical Synthesis of Recent Research, Rev. Educ. Res.</source>
          , vol.
          <volume>45</volume>
          , no.
          <issue>1</issue>
          , pp.
          <fpage>89</fpage>
          -
          <lpage>125</lpage>
          ,
          <year>1975</year>
          .
        </mixed-citation>
      </ref>
      <ref id="ref3">
        <mixed-citation>
          3.
          <string-name>
            <surname>Kuncel</surname>
            <given-names>N.R.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Crede</surname>
            <given-names>M.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Thomas</surname>
            <given-names>L. L.</given-names>
          </string-name>
          :
          <article-title>The Validity of Self-Reported Grade Point Averages, Class Ranks, and Test Scores: A Meta-Analysis and Review of the Literature</article-title>
          ,
          <source>Rev. Educ. Res.</source>
          , vol.
          <volume>75</volume>
          , no.
          <issue>1</issue>
          , pp.
          <fpage>63</fpage>
          -
          <lpage>82</lpage>
          ,
          <year>2005</year>
          .
        </mixed-citation>
      </ref>
      <ref id="ref4">
        <mixed-citation>
          4.
          <string-name>
            <surname>Fenollar</surname>
            <given-names>P.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Román</surname>
            <given-names>S.</given-names>
          </string-name>
          , Cuestas P.J.:University students' academic performance:
          <article-title>An integrative conceptual framework and empirical analysis</article-title>
          ,
          <source>Br. J. Educ. Psychol.</source>
          , vol.
          <volume>77</volume>
          , no.
          <issue>4</issue>
          , pp.
          <fpage>873</fpage>
          -
          <lpage>891</lpage>
          ,
          <year>2007</year>
          .
        </mixed-citation>
      </ref>
      <ref id="ref5">
        <mixed-citation>
          5.
          <string-name>
            <surname>Chaín</surname>
            <given-names>M.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Ramírez</surname>
            <given-names>R.</given-names>
          </string-name>
          :
          <source>Trayectorias Escolares en la Univesrsidad Veracruzana</source>
          , Revista de la Educación Superior,
          <year>1997</year>
          . [Online]. Available: https://cdigital.uv.mx/bitstream/handle/123456789/5819/Publragu.htm?sequence= 2&amp;isAllowed=y. [Accessed:
          <fpage>20</fpage>
          -Jun-2018].
        </mixed-citation>
      </ref>
      <ref id="ref6">
        <mixed-citation>
          6.
          <string-name>
            <surname>Meléndez</surname>
            <given-names>M. A.</given-names>
          </string-name>
          :
          <article-title>Reprobación y deserción estudiantil en el IT Parral: un estudio de caso</article-title>
          .,
          <source>Confluencia Noroeste</source>
          , vol.
          <volume>6</volume>
          ,
          <year>1998</year>
          .
        </mixed-citation>
      </ref>
      <ref id="ref7">
        <mixed-citation>
          7.
          <string-name>
            <surname>Mares</surname>
            <given-names>G.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Rocha</surname>
            <given-names>H.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Rivas</surname>
            <given-names>O.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Rueda</surname>
            <given-names>E.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Cabrera</surname>
            <given-names>R.</given-names>
          </string-name>
          , Tovar J.:
          <article-title>Identification of factors vinculated to desertion and academic trajectory of Psychology stud ents at FES Iztacala</article-title>
          , vol.
          <volume>17</volume>
          , no.
          <issue>55</issue>
          , pp.
          <fpage>189</fpage>
          -
          <lpage>207</lpage>
          ,
          <year>2012</year>
          .
        </mixed-citation>
      </ref>
      <ref id="ref8">
        <mixed-citation>
          8.
          <string-name>
            <surname>John</surname>
            <given-names>D. G. O.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Campbell</surname>
            <given-names>P.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Peter B. DeBlois: Academic Analytics</surname>
          </string-name>
          :
          <article-title>A New Tool for a New Era | EDUCAUSE,</article-title>
          <year>42</year>
          ,
          <year>2007</year>
          . [Online]. Available: https://er.educause.edu/articles/2007/7/academic-analytics
          <article-title>-a-new-tool-for-a-newera</article-title>
          . [Accessed:
          <fpage>14</fpage>
          -May-2018].
        </mixed-citation>
      </ref>
      <ref id="ref9">
        <mixed-citation>
          9.
          <string-name>
            <surname>Larusson</surname>
            <given-names>J. A.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>White</surname>
            <given-names>B.</given-names>
          </string-name>
          : Learning Analytics: From Research to Practice, vol.
          <volume>8</volume>
          , no.
          <issue>1</issue>
          . New York,
          <year>2012</year>
          .
        </mixed-citation>
      </ref>
      <ref id="ref10">
        <mixed-citation>
          10.
          <string-name>
            <surname>Palominos</surname>
            <given-names>F. E.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Díaz</surname>
            <given-names>H. M.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Palominos</surname>
            <given-names>S. K.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>and Cañete L. R.</surname>
          </string-name>
          : Relación entre los Procedimientos de
          <article-title>Selección a la Educación Superior y el Desempeño Académico de los Estudiantes con base en una Clasificación mediante Conjuntos Difusos</article-title>
          , vol.
          <volume>11</volume>
          , pp.
          <fpage>45</fpage>
          -
          <lpage>52</lpage>
          ,
          <year>2018</year>
          .
        </mixed-citation>
      </ref>
    </ref-list>
  </back>
</article>