Minería de Datos y Analítica Visual para la Gestión Integral de Trayectorias Escolares en Ingeniería: Un Enfoque de Design Science Research
Data Mining and Visual Analytics for the Comprehensive
Management of Academic Trajectories in Engineering: A Design
Science Research Approach
Machado Díaz Eduardo
Instituto Tecnológico Superior De Lerdo
eduardo.md@itslerdo.edu.mx
https://orcid.org/0000-0003-2610-7570
Román Landeros Diego Alberto
Instituto Tecnológico Superior De Lerdo
diego.rl@itslerdo.edu.mx
https://orcid.org/0000-0002-0671-7577
Serrano Hernández Arturo
Instituto Tecnológico Superior De Lerdo
arturo.sh@itslerdo.edu.mx
https://orcid.org/0009-0001-1302-5747
Volumen:
2
Edición:
12
Resumen
ingeniería enfrenta el reto crítico de procesar volúmenes masivos de datos institucionales para mitigar las altas tasas de deserción temprana. Tradicionalmente, la dependencia de procesos manuales y la fragmentación de los registros en silos administrativos generan un rezago operativo que imposibilita la intervención preventiva. Para resolver esta brecha técnica, el presente artículo expone el diseño y desarrollo de un sistema de minería de datos visual, estructurado bajo la metodología Design Science Research (DSR) y el estándar CRISP-DM. Se construyó una arquitectura computacional en Python mediante un robusto motor de Extracción, Transformación y Carga (ETL) que implementa algoritmos de coincidencia difusa para normalizar catálogos irregulares y unificar la información en un repositorio relacional. La validación técnica comprobó la eficacia del sistema al procesar de manera longitudinal un censo poblacional de 961 expedientes académicos y estructurar 23,722 calificaciones transaccionales. En su aplicación práctica, el tablero interactivo permitió diagnosticar objetivamente una deserción del 72.1% en las cohortes fundadoras, correlacionando visualmente este fenómeno con la severidad en asignaturas filtro y la inestabilidad de la plantilla docente. Durante la evaluación empírica con Doi: https://doi.org/10.62805/cid2026.CID071 usuarios expertos, la interfaz obtuvo un puntaje de 87.5 en la Escala de Usabilidad del Sistema (SUS), confirmando una excelente aceptabilidad. Se concluye que el artefacto tecnológico reduce drásticamente la carga cognitiva, transformando historiales estáticos en un triaje operativo que fundamenta la toma de decisiones para impulsar la retención estudiantil.
Palabras clave
Analítica visual, Design Science Research, Eficiencia terminal, Minería de datos educativos, Python, Trayectorias escolares.
Referencias Bibliográficas
Brooke, J. (2013). SUS: A retrospective. Journal of Usability Studies, 8(2), 29–40. http://uxpajournal.org/wp content/uploads/sites/7/pdf/JUS_Brooke_February_2013.pdf
Bustamante, A., Valdivia, L., & García, M. (2024). Data mining to identify university student dropout factors. Applied Sciences, 14(7), 2423. https://doi.org/10.3390/app14072423
Cardona, M. A., Cudney, E. A., & Snyder, J. E. (2023). Predicting student retention using support vector machines and random forests. Engineering Management Journal, 35(1), 1–13. https://doi.org/10.1080/10429247.2022.2043336
Carneiro, M. G., Dutra, B. L., Paiva, J. G. S., Gabriel, P. H. R., & Araújo, R. D. (2022). Educational data mining to support identification and prevention of academic retention and dropout: a case study in introductory programming. Revista Brasileira de Informática na Educação, 30, 379–395. https://doi.org/10.5753/rbie.2022.2518
Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321–357. https://doi.org/10.1613/jair.953
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
Holovaty, A., & Kaplan-Moss, J. (2009). The definitive guide to Django: Web development done right (2nd ed.). Apress. https://doi.org/10.1007/978-1-4302-1937-8
Keim, D. A., Mansmann, F., Schneidewind, J., Thomas, J., & Ziegler, H. (2008). Visual analytics: Scope and challenges. In Visual Data Mining (pp. 76–90). Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-71017-2_6
Lundberg, S. M., Erion, G., Chen, H., DeGrave, A., Prutkin, J. M., Nair, B., Katz, R., Himmelfarb, J., Bansal, N., & Lee, S.-I. (2020). From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence, 2(1), 56–67. https://doi.org/10.1038/s42256-020-0143-6
Macfadyen, L. P., & Dawson, S. (2010). Mining LMS data to develop an “early warning system” for educators: A proof of concept. Computers & Education, 54(2), 588–599. https://doi.org/10.1016/j.compedu.2009.09.008
Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A design science research methodology for information systems research. Journal of Management Information Systems, 24(3), 45 77. https://doi.org/10.2753/MIS0742-1222240302
Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3), Article e1355. https://doi.org/10.1002/widm.1355
Tinto, V. (1975). Dropout from higher education: A theoretical synthesis of recent research. Review of Educational Research, 45(1), 89 125. https://doi.org/10.3102/00346543045001089