Desenvolupen un sistema basat en la ciència de dades per predir lʼabandonament dels estudis
Segons la publicació Education at a Glance (EAG), lʼabandonament estudiantil a Europa és actualment del 30 %. A Espanya, aquesta dada està entre el 25 i el 29 %. Amb lʼobjectiu de desenvolupar una eina dirigida a tutors per assessorar i millorar el rendiment acadèmic i reduir aquests nivells, un equip de la Facultat de Matemàtiques i Informàtica ha publicat un article a la revista PLoS ONE en què presenta un sistema dʼanàlisi de dades per predir lʼabandonament dels estudis. Lʼalgoritme està basat en la ciència de dades, és a dir, en tècniques d'aprenentatge automàtic.
Segons la publicació Education at a Glance (EAG), lʼabandonament estudiantil a Europa és actualment del 30 %. A Espanya, aquesta dada està entre el 25 i el 29 %. Amb lʼobjectiu de desenvolupar una eina dirigida a tutors per assessorar i millorar el rendiment acadèmic i reduir aquests nivells, un equip de la Facultat de Matemàtiques i Informàtica ha publicat un article a la revista PLoS ONE en què presenta un sistema dʼanàlisi de dades per predir lʼabandonament dels estudis. Lʼalgoritme està basat en la ciència de dades, és a dir, en tècniques d'aprenentatge automàtic.
El treball el signen els investigadors Laura Igual i Eloi Puertas, del Departament de Matemàtiques i Informàtica de la UB, juntament amb Sergi Rovira, estudiant del grau dʼInformàtica de la UB. Aquesta recerca forma part del projecte dʼinnovació docent Sistema Intel·ligent de Suport al Tutor dʼEstudis de la Universitat de Barcelona, que lidera Laura Igual, i en el qual participen investigadors de la Facultat de Matemàtiques i Informàtica i de la Facultat dʼEducació. Lʼobjectiu és desenvolupar una eina que permeti als tutors donar recomanacions i orientació als alumnes, així com avaluar el risc dʼabandonament.
«Avui en dia, el paper dʼun tutor és més important que mai per evitar lʼabandonament dels estudis i millorar el rendiment acadèmic de lʼalumnat. La recerca proposa un sistema basat en dades objectives per extreure informació oculta rellevant en les dades acadèmiques i, per tant, per ajudar els tutors a oferir als estudiants una orientació personal i proactiva», explica Igual.
En aquesta primera fase, lʼobjectiu de la recerca era respondre a la pregunta: és possible predir, a partir dels resultats del primer any acadèmic, si un estudiant continuarà a la universitat el segon any? Per trobar-ne la resposta els investigadors han utilitzat dades de primer i segon any acadèmic de tres graus: Matemàtiques, Informàtica i Dret. A aquestes dades els han aplicat cinc algoritmes diferents de tècniques dʼaprenentatge automàtics, el millor dels quals ha mostrat una precisió del 82 %. Tant lʼalgoritme com les dades anònimes sʼhan publicat de manera oberta a PLoS ONE.
De lʼestadística a la ciència de dades
Els treballs previs sobre lʼabandonament dels estudis universitaris estan focalitzats en models estadístics, basats en una recopilació de dades (sovint mitjançant enquestes o entrevistes) que aporten informació sobre les possibles causes de lʼabandonament (motivació, relació amb companys, etc.). Els models estadístics es basen en hipòtesis extretes del problema subjacent, la qual cosa pot suposar un inconvenient: si els factors de rendiment dels estudiants varien amb el temps, els supòsits d'un model estadístic podrien arribar a quedar obsolets. «Per contra —assenyala Igual—, les tècniques dʼaprenentatge automàtic tenen una aplicació predictiva basada en dades objectives, i això fa que siguin molt més adaptables a noves dades». Tot i així, els sistemes estadístics són millors per determinar les raons que porten a lʼabandonament. «Però el poder predictiu dʼaquestes eines és més baix», apunta Laura Igual. A més, aquest nou enfocament permetrà donar als tutors «alertes» sobre els alumnes prèvies a la matrícula.
Aquest sistema també possibilita fer una projecció de les notes que poden treure els alumnes en assignatures futures. Això permet al tutor orientar en la matrícula o donar recomanacions als alumnes.
En el marc del projecte dʼinnovació docent, «el pas següent és analitzar des del punt de vista educatiu de quina manera es pot implementar aquesta eina, com seʼn pot avaluar lʼimpacte i desenvolupar un prototip dʼaplicació informàtica», conclou la investigadora.
Referència de lʼarticle:
S. Rovira, E. Puertas, L. Igual. «Data-driven system to predict academic grades and dropout». PLoS ONE, febrer de 2017. Doi:10.1371/journal.pone.0171207