Un sistema de IA detecta estudiantes en riesgo de abandonar - Haz

Un sistema de IA detecta estudiantes en riesgo de suspender y abandonar

Desarrollado por la Universitat Oberta de Catalunya, combina un modelo predictivo que detecta a alumnos universitarios en riesgo de suspender con mensajes automáticos personalizados para evitar que abandonen.
HAZ8 septiembre 2023
<p>Foto: Karolina Grabowska.</p>

Foto: Karolina Grabowska.

El abandono prematuro de los estudios es una de las preocupaciones principales de la educación superior, especialmente en las universidades online, y durante los primeros años de carrera.  Investigadores de la Universitat Oberta de Catalunya (UOC) ha desarrollado un nuevo sistema basado en algoritmos de inteligencia artificial que permite detectar diariamente a los estudiantes en riesgo de suspender y que, además, es capaz de intervenir automáticamente de forma precoz con mensajes personalizados para revertir la situación.

Según los investigadores, este seguimiento continuado ayuda a acortar el tiempo entre las primeras señales de riesgo y la intervención del sistema para evitar que el alumnado abandone la asignatura.

La tecnología se ha testado en una prueba piloto con 581 estudiantes matriculados en una asignatura de primer semestre en diferentes grados de los Estudios de Economía y Empresa de la UOC, y ha reducido el abandono de la asignatura y ha aumentado su participación durante el semestre.

La investigación en elearning (aprendizaje virtual) está liderada por David Bañeres, del Internet Interdisciplinary Institute (IN3), y los resultados se han conseguido gracias al desarrollo de un nuevo modelo predictivo, denominado Profiled Dropout At Risk (PDAR), que se ha incorporado al Learning Intelligent System (LIS), un sistema de predicción de estudiantes en riesgo de suspender desarrollado por el mismo equipo de investigadores.

Hasta ahora, el sistema LIS únicamente tenía un modelo de predicción basado en datos históricos de las asignaturas  y en los resultados de las pruebas de evaluación continua del curso en marcha. “Esta predicción, aunque es muy útil al estudiante, tiene deficiencias, principalmente porque limita el seguimiento a ciertos puntos de control después de cada actividad (suelen ser tres o cuatro cada semestre), de manera que la intervención asociada puede llegar tarde, cuando el estudiante ya ha abandonado el curso”, explica David Bañeres.

Uno de los retos del nuevo modelo ha sido evitar los falsos positivos, personas que el sistema señala como en riesgo sin serlo. Este error se produce principalmente con estudiantes que no siempre están activos en el entorno virtual de aprendizaje. Así, el nuevo modelo también tiene en cuenta una ventana temporal que se calcula automáticamente según el curso, el tipo y la dificultad de la actividad. Es decir, para confirmar que un alumno realmente se encuentra en riesgo de abandono y activar los correspondientes mecanismos de intervención, debe permanecer en la categoría de riesgo de abandono durante un número consecutivo de días determinado para cada actividad. En caso de estar en un nivel de riesgo alto de abandono, se genera un mensaje de intervención automático al estudiante.

Mensajes automáticos personalizados

El objetivo de la intervención del sistema es aumentar la motivación del alumnado con, por ejemplo, recomendaciones sobre la gestión del tiempo, marcando objetivos a corto plazo o informando de las posibles consecuencias negativas de no completar la actividad. También proporciona materiales de aprendizaje y ejercicios complementarios para ayudar a los estudiantes a lograr sus objetivos.

Los resultados de la prueba piloto con este nuevo modelo predictivo, publicados en la revista International Journal of Educational Technology in Higher Education, mostraron que el abandono de los estudiantes al final del curso disminuyó significativamente en todas las actividades, con una diferencia del 12 % entre participantes en el estudio piloto y no participantes, y con una diferencia del 5 % en comparación con el semestre anterior, cuando solo se usaba LIS sin el nuevo modelo predictivo.

Comentarios