=Paper=
{{Paper
|id=Vol-2231/LALA_2018_paper_37
|storemode=property
|title=Primeros pasos hacia el desarrollo de un sistema académico para seguir las trayectorias de estudiantes primarios y secundarios de Uruguay(First steps towards the development of an academic system to follow the trajectories
of primary and secondary uruguayan students)
|pdfUrl=https://ceur-ws.org/Vol-2231/LALA_2018_paper_37.pdf
|volume=Vol-2231
|authors=Virginia Rodes,Cristian Cechinel,Henrique Lemos dos Santos,Xavier Ochoa,Guillermo Ettlin Alonso
}}
==Primeros pasos hacia el desarrollo de un sistema académico para seguir las trayectorias de estudiantes primarios y secundarios de Uruguay(First steps towards the development of an academic system to follow the trajectories
of primary and secondary uruguayan students)==
https://ceur-ws.org/Vol-2231/LALA_2018_paper_37.pdf
First steps towards the development of an
academic system to follow the trajectories of
primary and secondary uruguayan students
Virginia Rodes1 , Cristian Cechinel2 , Henrique Lemos dos Santos3 , Xavier
Ochoa4 , and Guillermo Ettlin Alonso5
1
Universidad de la República (UDELAR), Montevideo, Uruguay
2
Universidade Federal de Santa Catarina (UFSC), Araranguá, Brasil
3
Universidade Federal do Rio Grande do Sul (UFRGS), Porto Alegre, Brasil
4
Escuela Superior Politécnica del Litoral (ESPOL), Guayaquil, Ecuador
5
Administración Nacional de Educación Pública (ANEP), Montevideo, Uruguay
virginia.rodes@cse.edu.uy, cristian.cechinel@ufsc.br,
hlsantos@inf.ufrgs.br, xavier@cti.espol.edu.ec, gettlinal@anep.edu.uy
Resumen The present work describes the first steps towards the de-
velopment of an Academic System focused on tracking the trajectories
of uruguayan students from primary and secondary education. Since it
is a large-scale project which covers an entire national educational sys-
tem, several challenges and constraints (both technical and legal) were
taken into account during its development. This paper presents some
considerations regarding these issues along with the current state of the
project. Early results point out the feasibility of finding meaningful pat-
terns in the available data (using data mining techniques) which can be
embedded into a prototype for tracking the students scholar trajectory.
Keywords: Academic trajectory, Early warning system, Primary and
secondary education, Learning analytics, Educational Data Mining
1. Introducción
El sistema educativo uruguayo ha experimentado, a lo largo de las últimas
décadas, importantes problemas asociados al rezago y la desvinculación educa-
tiva. Caracterizado por la cobertura universal y gratuita en el nivel primario, el
rezago, abandono y no matriculación de los estudiantes se incrementa durante el
avance en el sistema educativo, a la vez que desciende la cobertura en edad opor-
tuna. Como consecuencia en las trayectorias educativas se observa que una parte
muy importante de los estudiantes uruguayos tiene dificultades para permanecer
en el sistema educativo [1].
Especialmente en el tránsito entre educación primaria y media se registra
una caída cercana al 10 % de los estudiantes, siendo que a la edad de 13 años
ya un 26 % tiene rezago y un 3 % abandonó el sistema. En secundaria, en el
tránsito entre educación media básica (1ero, 2do y 3ero) y educación media
superior (4to, 5to y 6to), entre los 15 y los 17 años, se constata un descenso de
20 % en la proporción que asiste al grado esperado para su edad (54 % a 34 %,
respectivamente), a la vez que aumenta a 27 % la proporción que no asiste al
sistema educativo. En 2015, el sistema educativo uruguayo presentaba una baja
tasa de egreso de su tramo obligatorio, el cual se extiende desde el nivel inicial
al ciclo medio superior (en total 12 años de escolarización obligatoria). El 31 %
de los egresos se da a los 19 años, mientras que el 40 % egresa a los 24 años [1].
Existe un importante corpus de investigación que da cuenta de los aspectos
sociales, económicos, históricos y políticos asociados a esta problemática en el
Uruguay, muy bien documentado en [2]. En este estudio además avanzan hacia
una conceptualización del fenómeno que denominan "desafiliación educativa",
definido como "una forma de realizar la transición al mundo adulto, un tipo
de trayectoria, en la cual el joven decide que concluye su membresía a una or-
ganización y anticipa la finalización de las protecciones sociales, modificando
su posición en el espacio social y quedando en una posición vulnerable o direc-
tamente excluido de las fuentes de bienestar (mercado y estado)"[2], siendo el
rezago, abandono y ausentismo tres factores de explicación desde la perspectiva
temporal de la desafiliación educativa.
Identificar estos objetos en las trayectorias educativas de los sujetos permite
establecer acciones tempranas para mitigar los riesgos de la desafiliación. A par-
tir de la abundante cantidad de datos generados por la progresiva digitalización
de los sistemas de gestión académica y de la enseñanza, se han desarrollado nue-
vas perspectivas para el análisis de estas problemáticas, permitiendo desarrollar
modelos que permiten establecer sistemas de alerta temprana para los individuos
en situación de riesgo de abandono. Estos grandes volúmenes de datos son una
fuente de conocimiento y pueden ser aplicados en diversos contextos. Los datos
recogidos de diversas fuentes requieren de un método apropiado a fin de que sea
posible extraer conocimiento de los mismos y auxiliar en la toma de decisiones
[3]. Esto es porque los seres humanos tienen una capacidad limitada para extraer
conocimiento de datos no tratados [4]. Con el fin de encontrar informaciones úti-
les dentro de estas grandes colecciones de datos se han utilizado técnicas de Data
Mining[5].
La aplicación de Data Mining en el contexto educativo, conocido como Edu-
cational Data Mining (EDM), combinado con técnicas de Learning Analytics
se presenta como un área de investigación muy importante. Esta apunta a en-
contrar conocimiento en las bases de datos educativas [6], tales como reglas de
asociación, clasificación y clusterización [3]. Desde un punto de vista práctico,
técnicas de EDM permiten el descubrimiento de conocimiento basado en datos
provenientes de los propios estudiantes, con el objetivo de evaluar los sistemas
educativos en sus diferentes niveles. Algunos aspectos de calidad de la educa-
ción pueden ser evaluados, contribuyendo a una mejora de los aprendizajes. Por
este motivo, en los últimos años se ha presenciado un aumento en el número
de investigaciones con técnicas de EDM contribuyendo a identificar factores que
influencian el desempeño de los alumnos [7].
La habilidad de predecir el rendimiento de los estudiantes es beneficiosa para
los sistemas educativos modernos. Sin embargo, esta no es una tarea fácil [8].
Recientemente, técnicas de Data Mining se han empleado para proporcionar
nuevos insights para este problema, ya que muchos factores pueden influir en el
rendimiento del estudiante [6]. Las técnicas de predicción ayudan en el momento
de realizar intervenciones, con el fin de evitar una posible reprobación, rezago,
abandono y desafiliación educativa. Esto es porque generalmente los alumnos
presentan señales antes de abandonar formalmente un curso [9].
En este artículo se presentan los avances de un proyecto de investigación y
desarrollo orientado a la creación de un sistema de alerta temprana de riesgo aca-
démico en los estudiantes de educación primaria y media públicas de Uruguay.
Este sistema utilizará la gran cantidad de datos históricos y actuales capturados
por los sistemas que se vienen utilizando en el marco de la Administración Na-
cional de Educación Pública (ANEP). En particular, el artículo da cuenta de los
procesos que condujeron a la puesta en marcha de un proyecto de analítica del
aprendizaje de alcance nacional, contribuyendo a la comprensión de las diversas
dimensiones a tener en cuenta para la implementación de iniciativas similares
con impacto en todo el sistema educativo de un país.
El presente artículo está estructurado de la siguiente forma. La sección 2
describe la literatura relacionada mientras la sección 3 presenta los principales
aspectos de la metodología adoptada en el proyecto. La sección 4 discute los
resultados iniciales obtenidos hasta la fecha, y la sección 5 presenta cuáles son
las próximas etapas en el desarrollo.
2. Trabajos relacionados
La variedad de las investigaciones actuales destinadas a la predicción de los
estudiantes de riesgo difieren en muchos aspectos: las técnicas de modelado que
se utilizan para entrenar y probar los modelos de predicción (redes neuronales,
regresión logística, análisis discriminante, árboles de decisión, máquinas de vec-
tores soporte), las fuentes de datos utilizadas (diferentes Entornos Virtuales de
Aprendizaje, sistemas académicos, pruebas y exámenes, formularios), las can-
tidades de dichos datos y la combinación de atributos utilizados en diferentes
modelos (las interacciones de los estudiantes, el género, la edad, el origen étnico,
la experiencia laboral, nivel de estudios, acceso a la tecnología). Una revisión
más extensa de la literatura se puede encontrar en [10], pero aquí se mencionan
algunas de las obras más recientes de una breve ilustración.
Signals [11] puede ser considerado uno de los más conocidos ejemplos de
sistemas de Analítica de Aprendizaje capaz de predecir el riesgo académico.
Utilizando informaciones históricas y actuales sobre el comportamiento del es-
tudiante dentro de un curso, Signals es capaz de predecir la probabilidad que
el estudiante posee de fallar en un curso. Un sistema similar es presentado por
[12] para predecir la probabilidad de éxito de un estudiante, pero basado en un
modelo que compara el compromiso (engagement) actual y anterior del estu-
diante en un Entorno Virtual de Aprendizaje (EVA) con el compromiso de los
demás estudiantes. Hay también muchos otros predictores modernos de riesgo,
de ellos el trabajo de [13] puede ser considerado un buen ejemplo representati-
vo. Este sistema utiliza un árbol de clasificación entrenado con datos históricos
para obtener reglas para evaluar el riesgo de desafiliación de un estudiante de
un programa universitario.
Entre los antecedentes a nivel del Uruguay se encuentran las iniciativas que
el Plan Ceibal ha impulsado para la incorporación de esta perspectiva con la
creación de una línea e investigación específica. Algunas experiencias se están
implementando como el caso del Sistema de Evaluación en línea de ANEP, o
el proyecto de implementación de un sistema de analítica del aprendizaje que
integre los datos a gran escala de las diferentes bases de los sistemas que integra
el Ceibal[14]. Otro ejemplo es el proyecto Descubrimiento de Interacciones que
Impactan en el Aprendizaje (DIIA) [15].
3. Metodología
El presente proyecto tiene como objetivo principal la generación, testeo y va-
lidación de modelos predictivos de seguimiento de trayectorias educativas para
el apoyo a la toma de decisiones en la creación de políticas educativas. Los obje-
tivos específicos se orientan a: 1) obtener e integrar datos de los estudiantes las
plataformas digitales de la ANEP; 2) utilizar distintas técnicas de generación de
reglas y/o modelos para detección de estudiantes en riesgo académico y observar
posibles indicadores relacionados con los factores que inciden en las trayectorias
educativas; 3) aportar conocimiento que contribuya a la creación de políticas
educativas así como la detección de forma temprana de estudiantes en situación
de riesgo académico.
3.1. Etapas
La creación del sistema de predicción de riesgo académico sigue un proceso
metodológico estructurado en seis etapas: 1) recolección de datos históricos sobre
los estudiantes; 2) estos datos, juntamente con los desempeños de los estudian-
tes son utilizados para entrenar uno o más modelos de predicción basados en
métodos estadísticos o en minería de datos; 3) el desempeño de la predicción de
cada modelo (o de lo mismo modelo con parámetros diferentes) es medido con un
grupo de datos todavía no utilizados; 4) basado en las medidas de desempeño, el
mejor modelo (o parámetros) son seleccionados y un sistema es construido alre-
dedor de los mismos; 5) a continuación, la información de un estudiante actual
es pasada al sistema, y basado en el modelo, ese sistema va a predecir su riesgo
académico; 6) la predicción es usualmente presentada por medio de algún tipo
de técnica de visualización.
Una atención especial necesita ser dedicada a la etapa 4, la selección del mo-
delo (o parámetros) para el sistema, donde usualmente hay un conflicto entre los
intereses del usuario final y los del desarrollador del sistema. El objetivo princi-
pal del desarrollador del sistema en esa etapa es obtener un modelo que pueda
producir una predicción adecuada para la parte más grande de la población. De-
pendiendo del tipo de modelo, diferentes métricas de desempeño de predicción
son utilizadas para seleccionar el mejor modelo para los datos testeados. Por
otro lado, el principal objetivo del usuario del sistema, es que el sistema prediga
para un caso individual, independientemente de cómo el sistema funciona. La
selección de un modelo que favorezca un desempeño promedio para toda una
población no necesariamente es la mejor solución para determinados grupos en
que otros modelos puedan producir resultados más favorables.
Para que diferentes modelos puedan ser aplicados a distintos grupos, el pre-
sente proyecto adopta el modelo de agrupamiento adaptativo con varios niveles
[16]. Es decir, un modelo de agrupamiento de varios niveles será creado para
identificar relaciones jerárquicas y semi jerárquicas entre las diferentes carac-
terísticas de los estudiantes. Ejemplos de niveles de características que pueden
ser utilizadas son: 1) desempeños pasados de los estudiantes (nivel 1: promedios
de las evaluaciones, nivel 2: dominio de diferentes tópicos); 2) informaciones del
programa educativo (nivel 1: número de cursos, nivel 2: número de cursos por
tópico, nivel 3: códigos de los cursos) y 3) situación económica (nivel 1: gastos
totales; nivel 2: porcentaje de sueldo gasto por categoría). La selección de un de-
terminado nivel para cada unas de las características de varios niveles permitirá
la creación de diferentes modelos de agrupamiento.
3.2. Acceso a las bases de datos
La implementación de los modelos de predicción están siendo realizados uti-
lizando datos de diferentes plataformas de gestión académica de la ANEP. Este
aspecto constituye un factor determinante del éxito de la iniciativa. En proyectos
con alcance nacional e impacto en todo el sistema educativo la disponibilidad y
autorización para acceder a los datos necesarios para la ejecución de la propuesta
es clave, no solamente para poder contar con los datos, sino, fundamentalmente,
para su posterior adopción en el marco del sistema educativo.
En nuestro caso, el desarrollo de las estrategias de adopción implicó la reali-
zación, durante el segundo semestre de 2017, de varias reuniones de trabajo con
integrantes de equipos técnicos y autoridades del Consejo Directivo Central (CO-
DICEN) de la ANEP. A estas reuniones concurrieron integrantes y autoridades
de la Dirección Sectorial de Información para la Gestión y la Comunicación, la
Dirección Sectorial de Planificación Educativa y la Dirección Sectorial de Inte-
gración Educativa de dicho Consejo. Esta estrategia permitió el trabajo conjunto
y articulado con los responsables y técnicos de ANEP, así como encaminar la
futura adopción de los productos del proyecto. Como resultado de estas ins-
tancias de trabajo, y a sugerencia de los representantes de ANEP, se entendió
oportuno un cambio de enfoque en los objetivos y resultados del Proyecto. Se
decide desarrollar un prototipo de herramienta de seguimiento de trayectorias
educativas que proporcione indicadores generales para la toma de decisiones, en
vez de centrar la herramienta únicamente en el riesgo académico. De esta forma
se ampliará el horizonte permitiendo sumar la detección de factores de éxito y
buenas prácticas. La herramienta a desarrollar presentará la información evitan-
do la estigmatización y los posibles sesgos hacia factores negativos. La ANEP
también solicitó que el prototipo presente algún tipo de visualización de las reglas
y/o modelos generados permitiendo acompañar de manera visual determinados
aspectos de la trayectoria de los estudiantes. El producto que se desarrolle en el
marco del proyecto se integrará a las estrategias de seguimiento de trayectorias
educativas que se están implementando en el marco de la ANEP.
La ANEP no entregó los datos hasta no acordar una serie de garantías y lo-
grar acuerdos de trabajo conjunto. Esto se debe a que el proyecto es innovador,
implica el tratamiento de datos de menores de edad e involucra la transferencia
de información sobre las trayectorias educativas de todos los estudiantes del país,
por lo que se consideró como un tema sensible. Este proceso de negociación con-
cluyó con una Resolución del CODICEN en la que se establecen las condiciones
de acceso a las bases de datos y designa una comisión de seguimiento institucio-
nal para el proyecto. Este trabajo conjunto y el modo en que se condujo derivó
en una confianza mutua, el establecimiento de instancias de colaboración y el
desarrollo de estrategias de adopción desde el propio inicio del proyecto. Luego
de la autorización de la transferencia de datos, fueron necesarias varias reuniones
de trabajo para instrumentar el acceso efectivo a las mismas. Las reuniones se
realizaron con autoridades y miembros de equipos técnicos de ANEP-CODICEN,
de las Direcciones Sectoriales de Integración Educativa, Planificación Educativa
e Información para la Gestión y la Comunicación; así como con responsables
del área de Tecnologías de la Información del Plan Ceibal. Finalmente, solo se
accedió a las bases de datos administradas por ANEP, no así las administradas
por el Plan Ceibal.
Previo a la entrega se detecta la existencia de gran cantidad de datos no inte-
grados y dispersos en los diferentes subsistemas de la ANEP. Debido al volumen
de datos, la falta de integración, la diversidad de programas y planes de estudio,
así como la cantidad limitada de tiempo con que cuenta el proyecto, se decide
seleccionar en esta etapa únicamente las bases de CES (Consejo de Educación
Secundaria) y CEIP (Consejo de Educación Inicial y Primaria), descartando,
en esta oportunidad, el trabajo con las bases de CETP (Consejo de Educación
Técnico Profesional).
3.3. Tratamiento de datos personales
Se considera dato personal la información de cualquier tipo referida a perso-
nas físicas o jurídicas determinadas o determinables, a modo enunciativo, cual-
quier información numérica, alfabética, gráfica, fotográfica, acústica o de cual-
quier otro tipo que refiera a ellas directa o indirectamente, conforme con lo
dispuesto en el artículo 4 de la Ley No 18.331 y artículos 1 y 4 del Decreto No
414/009. La Udelar como institución responsable del proyecto y el equipo de
investigadores se obligan a tratar los datos personales a los que tuvieren acceso,
de conformidad con la Ley No 18.331, de 11 de agosto de 2008 y Decreto No
414/2009, de 31 de agosto de 2009, únicamente para la realización del Proyecto,
no pudiendo utilizarlos para otra finalidad, ni en beneficio propio ya sea gra-
tuito u oneroso, ni cederlos, comunicarlos o transferirlos a terceros, salvo previa
autorización por escrito del CODICEN. La Institución y los Investigadores son
responsables del tratamiento (artículo 4 Ley No 18.331) de los datos propor-
cionados por la ANEP o accedidos directamente en el marco de del proyecto,
debiendo cumplir con los requerimientos previstos en la Ley No 18.331, .
En este sentido, los Investigadores se obligan a adoptar las medidas de se-
guridad necesarias para garantizar la seguridad y confidencialidad de los datos
personales y evitar su adulteración, pérdida, consulta o tratamiento no autori-
zado, así como detectar desviaciones de información.
Los datos proporcionados por ANEP se deben alojar en servidores dentro
del territorio uruguayo, a los que únicamente tendrán acceso los investigadores
del Proyecto (inclusive los investigadores extranjeros a los únicos efectos de la
realización del Proyecto). Al término del Proyecto, la Institución y los Investi-
gadores se obligan a suprimir de todos sus sistemas y archivos físicos y lógicos,
sean propios o contratados a terceros, los datos personales accedidos, obteni-
dos o tratados en virtud de este contrato, así como los metadatos asociados, en
caso de corresponder. En virtud de lo anterior, fue necesaria la instalación de
un servidor para acceder al banco de datos y la realización de los experimentos
de manera remota. Inicialmente, el servidor disponibilizado por la Universidad
de la República Uruguay (UDELAR) fue configurado, optándose por colocar-
lo en una máquina virtual, con sistema Ubuntu 16.04 LAMP (Linux, Apache,
MySQL,PHP). Además, se instaló PostgreSQL 9.5.11 y configurado para acceso
externo. Se utilizó el software Pentaho Data Integration CE 8.0 para la extrac-
ción de las bases del servidor de la ANEP.
Una vez que la base de datos (anonimizada y disociada) fue puesta a dispo-
sición, se dio inicio al proceso de extracción de los datos. Estos se movieron a
desde una base ubicada en el servidor de la ANEP para servidor de la Udelar,
siendo almacenados en una base PostgreSQL. La extracción de estos fue hecha a
través del desarrollo de ETLs con el Pentaho. Los datos que se está trabajando
hasta la fecha se refieren a las bases de bases de CES (Consejo de Educación
Secundaria).
4. Estado técnico actual de la iniciativa
Inicialmente se intentó la generación de reglas para el análisis de las tra-
yectorias utilizando los datos de ANEP y algoritmos de asociación. Para
eso, inicialmente fue utilizada el lenguaje de programación Python con la IDE
Sypder6 y la librería apyori, que contiene reglas de asociación para el algoritmo
Apriori. Sin embargo, incluso utilizando solamente un subset (10 %) del dataset
original (de aproximadamente 3 millones de registros), el script tomaba mucho
tiempo para la carga y ejecución, y generaba un conjunto de reglas demasiado
grande para su análisis (en formato poco legible y con poca documentación dis-
ponible para su comprensión). Teniendo eso en cuenta, el equipo de desarrollo
comenzó a utilizar el lenguaje R 3.4.3 7 .
6
https://pythonhosted.org/spyder/
7
https://www.r-project.org/
Previo a la generación de las reglas de asociación, los datos fueron prepro-
cesados utilizando diferentes técnicas, cómo: generación de atributos derivados,
binarización de atributos, y categorización de variables numéricas. Esa etapa de
minería no generó conocimiento que pudiera ser aprovechado en el prototipo del
sistema de manera que se empezó a trabajar con técnicas de clusterización.
En esa etapa fue generada una tabla conteniendo 17 atributos, siendo que 16
de ellos fueron utilizados cómo entrada para la clusterización y la variable fallo
final del estudiante fue utilizada para la evaluación de los clusters. El cuadro
1 muestra las variables utilizadas juntamente con sus respectivas descripciones.
Para la clusterización se utilizó el algoritmo k-means implementado en Java e
utilizando la API de la herramienta Weka. Fue utilizada una cantidad de clusters
k = 3, que son los valores referentes a la cantidad de resultados posibles para
el fallo final del estudiante(Promovido, Repite por Rendimiento e Repite por
Inasistencia).
Cuadro 1. Variables utilizadas en la clusterización
Variable Decripción
cant_materias Cantidad de materias que el estudiante cursó
edad Edad del estudiante
Porcentaje de materias (del total que estaba
cursando) que el estudiante obtuvo la calificación general
pmat_mx_ry
(promedio) menor que X en la reunión Y , donde X varia
de 3 hasta 7, y Y varia de 1 hasta 2
inasinjust_rx Cantidad de faltas injustificadas hasta la reunión X
inasjust_rx Cantidad de faltas justificadas hasta la reunión X
Algunas de los patrones identificados por medio de la clusterización para la
identificación de estudiantes en situación de riesgo académico son:
1. Estudiantes con cinco faltas injustificadas
2. 50 % de las notas medias bajo cinco en el momento de la primera reunión
3. Cinco o más faltas injustificadas en el momento de la primera reunión y el
doble de ese valor en el momento de la segunda reunión
4. Poseer edad mayor que la edad media en determinado grado (con fallos
anteriores) y con 50 % de las notas más bajas que seis en el momento de la
primera reunión
5. Consideraciones finales
En las próximas etapas del proyecto se elaborará un prototipo de sistema de
seguimiento de trayectorias educativas de estudiantes de educación primaria y
media pública de Uruguay. La herramienta (prototipo) servirá de apoyo a los
tomadores de decisión en la creación de políticas educativas.
La herramienta combinará visualizaciones estadísticas de las variables aso-
ciadas a la trayectoria de los estudiantes a nivel individual, regional y global,
como es presentado en la figura 1. En esa figura, es presentado el flujo de los
estudiantes entre los años 2015 y 2016 considerando las sus situaciones: Fallo en
suspenso (en examinen), repitió el año por rendimiento, promovido, repitió el
año por inasistencias, o pase estudios libres (estudiantes dispensados por alguna
razón). Además, los perfiles medianos encontrados por medio de los experimen-
tos de minería de datos anteriormente mencionados, serán añadidos al prototipo
con el objetivo de ayudar en la identificación temprana de los factores de riesgo
y éxito en la trayectoria estudiantil.
Figura 1. Trayectoria de la promoción de los estudiantes entre los años 2015 y 2016
En los próximos pasos, nuevas variables derivadas serán incluidas y sus efec-
tos en la tentativa de identificación de patrones serán evaluados. Otra posibilidad
de experimentación futura será basada en la distinción de materias que llevaron
los estudiantes a una situación de examen (y sus respectivos resultados finales)
de manera a auxiliar en la creación de estrategias de apoyo especializadas en
acuerdo con los resultados. Se espera también construir una noción más am-
plia de la trayectoria estudiantil por medio de la inclusión de los datos de la
enseñanza primaria, es decir, identificar relaciones entre el perfil medio de un
determinado estudiante y sus características de aprendizaje en la enseñanza me-
dia. Con la intersección entre las dos bases de datos, se espera contribuir a un
mayor entendimiento de la evolución del estudiante uruguayo dentro del sistema
de enseñanza publica en la transición hasta los primeros años de la enseñanza
media.
Agradecimientos
Ese trabajo fue financiado por el Fondo Sectorial "Inclusión Digital: Edu-
cación con Nuevos Horizontes 2016 de la Agencia Nacional de Investigación e
Innovación (ANII) de Uruguay, por medio del proyecto "Modelos de predicción
para la determinación de riesgo académico"(código FSED_2_2016_1_130897).
Referencias
1. INEEd: Informe sobre el estado de la educación en Uruguay 2015-2016: Síntesis y
desafíos. Imprenta Blueprint (2017)
2. Pereda, T.F.C.: Explicar/intervenir sobre la desafiliación educativa en la enseñanza
media. EL URUGUAY DESDE LA SOCIOLOGÍA VIII 165
3. Baradwaj, B.K., Pal, S.: Mining educational data to analyze students’ performance.
arXiv preprint arXiv:1201.3417 (2012)
4. Cortez, P., Silva, A.M.G.: Using data mining to predict secondary school student
performance. (2008)
5. Mannila, H.: Data mining: machine learning, statistics, and databases. In: Scien-
tific and Statistical Database Systems, 1996. Proceedings., Eighth International
Conference on, IEEE (1996) 2–9
6. Daud, A., Aljohani, N.R., Abbasi, R.A., Lytras, M.D., Abbas, F., Alowibdi, J.S.:
Predicting student performance using advanced learning analytics. In: Proceedings
of the 26th International Conference on World Wide Web Companion, Internatio-
nal World Wide Web Conferences Steering Committee (2017) 415–421
7. Marquez-Vera, C., Romero, C., Ventura, S.: Predicting school failure using data
mining. In: EDM, ERIC (2011) 271–276
8. Ramaswami, M., Bhaskaran, R.: A chaid based performance prediction model in
educational data mining. arXiv preprint arXiv:1002.1144 (2010)
9. Barber, R., Sharkey, M.: Course correction: Using analytics to predict course
success. In: Proceedings of the 2nd international conference on learning analytics
and knowledge, ACM (2012) 259–262
10. Romero, C., Ventura, S.: Educational data mining: a review of the state of the art.
IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and
Reviews) 40(6) (2010) 601–618
11. Arnold, K.E., Pistilli, M.D.: Course signals at purdue: Using learning analytics to
increase student success. In: Proceedings of the 2nd international conference on
learning analytics and knowledge, ACM (2012) 267–270
12. Wolff, A., Zdrahal, Z., Nikolov, A., Pantucek, M.: Improving retention: predicting
at-risk students by analysing clicking behaviour in a virtual learning environment.
In: Proceedings of the third international conference on learning analytics and
knowledge, ACM (2013) 145–149
13. Dekker, G.W., Pechenizkiy, M., Vleeshouwers, J.M.: Predicting students drop out:
A case study. International Working Group on Educational Data Mining (2009)
14. Cobo, C.: Analíticas de aprendizaje - an overview of educational software and
analytics (March 2016)
15. Techera, B., Rodríguez, C., Ferrero, T., Motz, R.: Learning analytics for teachers.
In: Anais dos Workshops do Congresso Brasileiro de Informática na Educação.
Volume 6. (2017) 744
16. Ochoa, X.: Adaptive multilevel clustering model for the prediction of academic
risk. In: Learning Objects and Technology (LACLO), Latin American Conference
on, IEEE (2016) 1–8