González Duarte, Natalia RominaBogado Machuca, Juan Vicente2024-09-162024-09-162024-04https://publicaciones.fctunca.edu.py/handle/123456789/90Este estudio aborda el desafío de la deserción estudiantil en la Facultad de Ciencias y Tecnologías mediante la construcción de un modelo de alerta temprana basado en factores académicos. Utilizando una metodología de ciencia de datos, se caracterizaron y analizaron registros académicos, aplicando técnicas como el análisis de clusters y el método del codo para optimizar la segmentación de los estudiantes. Se desarrollaron varios modelos predictivos de machine learning, incluyendo regresión logística, árboles de decisión y k-nearest neighbors, los cuales fueron evaluados mediante métricas de precisión, recall y F1 Score para determinar su eficacia en la clasificación de estados académicos. Los resultados indicaron una variabilidad en la efectividad de los modelos en función de la carrera y los datos disponibles. Para Informática, el mejor modelo resultó ser K-Nearest Neighbors (KNN). Para Electricidad y Civil, el modelo de Árbol de Decisión (DT) fue el más eficaz. Y para Electrónica, la Regresión Logística (RL) y K-Nearest Neighbors (KNN) demostraron un mejor rendimiento, resaltando la importancia de adaptar las intervenciones a las características específicas de los estudiantes y sus entornos académicos. Las conclusiones subrayan el desempeño de distintos modelos en la identificación temprana de estudiantes en riesgo, proponiendo además la integración de factores socioeconómicos y psicológicos para futuras investigaciones en el área.esCiencia de DatosODS 4 - Educación de CalidadThesis