Entendiendo las tasas de abandono en el Politécnico de Milán
Un estudio sobre tendencias de deserción y factores que afectan la retención de estudiantes.
Alessandra Ragni, Chiara Masci, Anna Maria Paganoni
― 7 minilectura
Tabla de contenidos
- El Panorama General de las Deserciones
- ¿Por qué Abandonan los Estudiantes?
- Datos del Politécnico de Milán
- El Método que Usamos
- Entrando en Números
- Identificando Momentos Críticos
- La Importancia del Análisis
- Los Resultados
- La Parte Divertida: Predecir Deserciones
- ¿Qué Aprendimos?
- ¿Qué Sigue?
- Conclusión
- Fuente original
- Enlaces de referencia
Las tasas de Deserción en la educación superior son un gran problema en todo el mundo. Muchos estudiantes inician su camino universitario, pero no terminan sus carreras. Este documento examina más de cerca por qué los estudiantes abandonan, específicamente en el Politécnico de Milán, una universidad en Italia. Los hallazgos podrían ayudar a las universidades a averiguar cómo mantener a más estudiantes en la escuela.
El Panorama General de las Deserciones
Cuando hablamos de "deserciones", nos referimos a estudiantes que dejan sus programas universitarios antes de obtener sus títulos. En muchos países, alrededor del 30% de los estudiantes no completan su educación. Italia tiene estadísticas aún peores, con más de la mitad de los estudiantes sin graduarse. Esto no solo es molesto para las universidades; es un desperdicio de recursos y afecta las habilidades de la futura fuerza laboral.
Es como comprar una planta, regarla y luego olvidar ponerla al sol; eventualmente, solo se marchita. Las universidades invierten mucho en los estudiantes, así que cuando se van, esa inversión se pierde.
¿Por qué Abandonan los Estudiantes?
Las deserciones ocurren por muchas razones. Algunos estudiantes se dan cuenta de que su programa no es lo que esperaban. Otros encuentran que el trabajo del curso es demasiado difícil. Algunos incluso se involucran en compromisos laborales o familiares que tienen prioridad.
También hay diferencias entre los distintos campos de estudio. Por ejemplo, algunos programas tienen altas tasas de deserción al principio debido a que tienen cursos introductorios difíciles. Otros podrían ver a estudiantes abandonar al final de sus estudios. Las escuelas también pueden variar en sus tasas de deserción debido a factores como cuán comprometidos están los profesores o los servicios de apoyo disponibles.
Datos del Politécnico de Milán
El Polimi tiene una variedad de programas de grado en cuatro escuelas: Arquitectura, Diseño e Ingeniería. La escuela ofrece 23 programas de pregrado diferentes. Estudiamos los patrones de deserción durante el primer año de estos programas.
Usando datos de la universidad, examinamos por qué los estudiantes dejaron sus cursos. Nos enfocamos en el primer año, ya que es cuando muchos estudiantes deciden si quieren continuar.
El Método que Usamos
Usamos algunos modelos estadísticos sofisticados que combinan datos de múltiples fuentes para entender mejor las tendencias de deserción. Imagínate tratando de armar un rompecabezas con piezas de diferentes cajas. Ayuda tener un método para rastrear dónde pertenece cada pieza.
En la primera parte de nuestro análisis, revisamos datos de deserciones pasadas para crear un modelo que pudiera predecir cuándo y por qué los estudiantes abandonan. También nos interesaba entender cómo factores como el programa de grado o la escuela influían en las tasas de deserción.
Entrando en Números
Usamos un modelo llamado Cox, que nos ayuda a observar el momento de los eventos. En nuestro caso, el evento era un estudiante abandonando. Al aplicar este modelo, pudimos ver patrones y tendencias a lo largo del tiempo.
También analizamos los datos en dos niveles: considerando tanto el nivel del programa como el nivel de la escuela. Es como mirar tanto los árboles individuales como todo el bosque al mismo tiempo.
Identificando Momentos Críticos
Nuestro análisis destacó períodos críticos cuando las tasas de deserción aumentaron. Al entender estos momentos, las universidades pueden enfocar sus esfuerzos en brindar apoyo a los estudiantes que podrían estar en riesgo.
La Primera Fase
En la primera fase, creamos una curva de deserción que mostraba cuántos estudiantes abandonaron sus programas con el tiempo. Esta curva nos ayudó a identificar qué programas de grado tenían las tasas de deserción más altas.
Por ejemplo, algunos programas mostraron una caída pronunciada en los números al final del primer año. Esto a menudo se puede atribuir a estudiantes que se dieron cuenta de que podían no estar en el programa adecuado después de todo.
La Segunda Fase
Luego, analizamos cómo predecir futuros eventos de deserción basados en nuestros hallazgos. Esto implicó entender cómo es probable que los estudiantes actuales abandonen con base en datos pasados. Reunimos varios factores como calificaciones, demografía y detalles del programa para obtener una imagen más clara.
La Importancia del Análisis
Al investigar las deserciones, las universidades pueden ahorrar recursos y ayudar a los estudiantes a tener éxito. Si los datos muestran que los estudiantes en un cierto programa son más propensos a irse, las universidades pueden intervenir y ofrecer ayuda.
Los Resultados
A través de nuestro análisis, encontramos que el comportamiento de deserción no es de talla única. Diferentes programas y escuelas tienen tasas de deserción únicas. Al profundizar, descubrimos que las tasas de deserción pueden diferir incluso dentro de la misma universidad.
La Parte Divertida: Predecir Deserciones
Queríamos ir más allá de solo observar patrones; queríamos predecir quién podría abandonar. Usando regresión logística, creamos un modelo que incorpora varios factores. Es como hacer una receta donde la mezcla correcta de ingredientes puede llevar a un plato exitoso.
Para nuestro modelo, tomamos en cuenta:
- Edad
- Género
- Antecedentes educativos
- Desempeño en el primer semestre
Estos factores pueden ayudarnos a identificar a los estudiantes que son más propensos a irse y permitir que las universidades intervengan temprano.
¿Qué Aprendimos?
-
Señales de Advertencia Tempranas: Los estudiantes que obtienen más créditos en su primer semestre son menos propensos a abandonar. Es un poco como empezar bien en una carrera; aumenta la confianza.
-
Diferentes Programas, Diferentes Riesgos: Algunos programas tienen tasas de deserción más altas que otros. Esto podría deberse a que el trabajo del curso es demasiado desafiante o no cumple con las expectativas de los estudiantes.
-
El Impacto de las Calificaciones de Admisión: Curiosamente, los estudiantes que obtienen altas calificaciones en los exámenes de admisión a veces abandonan a tasas más altas. Esto podría indicar que estos estudiantes no estaban adecuadamente preparados para el trabajo a nivel universitario.
¿Qué Sigue?
Si bien estos hallazgos son valiosos, sabemos que son solo el comienzo. El comportamiento de deserción puede cambiar con el tiempo, especialmente a medida que surgen nuevos desafíos, como lo que vimos durante la pandemia de Covid-19.
Para realmente entender la dinámica de las deserciones, necesitamos seguir refinando nuestros métodos y explorando otros factores que puedan contribuir a por qué los estudiantes eligen irse.
Conclusión
Abordar las tasas de deserción es clave para las universidades. Al entender por qué los estudiantes se van y usar datos para predecir futuras tendencias, las instituciones educativas pueden tomar medidas para mejorar las tasas de retención. El objetivo final es asegurar que los estudiantes no solo ingresen a la educación superior, sino que también salgan con un título en mano.
Con el apoyo adecuado y la comprensión, podemos ayudar a los estudiantes a mantenerse en el camino y alcanzar sus objetivos educativos. Después de todo, nadie quiere comprar una planta y olvidar regarla. Asegurémonos de que cada estudiante reciba la atención y los recursos que necesita para florecer.
Título: Analysis of Higher Education Dropouts Dynamics through Multilevel Functional Decomposition of Recurrent Events in Counting Processes
Resumen: This paper analyzes the dynamics of higher education dropouts through an innovative approach that integrates recurrent events modeling and point process theory with functional data analysis. We propose a novel methodology that extends existing frameworks to accommodate hierarchical data structures, demonstrating its potential through a simulation study. Using administrative data from student careers at Politecnico di Milano, we explore dropout patterns during the first year across different bachelor's degree programs and schools. Specifically, we employ Cox-based recurrent event models, treating dropouts as repeated occurrences within both programs and schools. Additionally, we apply functional modeling of recurrent events and multilevel principal component analysis to disentangle latent effects associated with degree programs and schools, identifying critical periods of dropout risk and providing valuable insights for institutions seeking to implement strategies aimed at reducing dropout rates.
Autores: Alessandra Ragni, Chiara Masci, Anna Maria Paganoni
Última actualización: 2024-11-20 00:00:00
Idioma: English
Fuente URL: https://arxiv.org/abs/2411.13370
Fuente PDF: https://arxiv.org/pdf/2411.13370
Licencia: https://creativecommons.org/licenses/by/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.