Professional Documents
Culture Documents
net/publication/364921833
CITATIONS READS
0 202
4 authors:
Some of the authors of this publication are also working on these related projects:
Technical and Soft Skills of Engineers of the 21st Century: Software Engineering View project
All content following this page was uploaded by Alan Ramírez Noriega on 30 October 2022.
{alandramireznoriega,yobani}@uas.edu.mx
2
Facultad de Ciencias de la Ingeniería y tecnología, Universidad autónoma de Baja
California
samantha.jimenez@tectijuana.edu.mx
3
Departamento de Sistemas y Computación, Instituto Tecnológico de Tijuana
bogart@tectijuana.edu.mx
Abstract
School desertion refers to the abandonment of studies before finishing the educational level. It is a
problem that occurs at all educational levels, although it has a greater impact at the higher level.
Dropping out is a complex phenomenon that has many related variables, which negatively impacts
institutions. This research determines a model based on data mining techniques to classify students
who drop out of a career in Software Engineering (SE), considering SE competencies as the main
attributes of analysis. An instrument is developed to build the data set with active and dropout
students, then the Knowledge Discovery process in Database was applied to build a data set and
apply mining techniques based on predictive algorithms. The results yielded a model with a
prediction of 75% and a set of competencies characteristic of active SE students. The built model
allows detecting possible cases of student dropout in SE or even define if a student has aptitudes to
pursue the career, in both cases the proposal allows to control school dropout to a certain degree.
Resumen
La deserción escolar se refiere al abandono de los estudios antes de terminar el nivel educativo. Es
un problema que se presenta en todos los niveles educativos, aunque tiene mayor impacto en el
nivel superior. La deserción es un fenómeno complejo que tiene muchas variables relacionadas, por
lo que impacta de forma negativa a las instituciones. La presente investigación determina un modelo
basado en técnicas de minería de datos para clasificar a los estudiantes que desertan de una carrera
en Ingeniería de Software (IS) considerando las competencias de la IS como principales atributos de
análisis. Se elabora un instrumento para construir el conjunto de datos con estudiantes activos y
desertores, posteriormente se aplicó el proceso de Descubrimiento del Conocimiento en Base de
________________________________________
Fecha de recepción: Julio 7, 2027 / Fecha de aceptación: agosto 28, 2022
A. Ramírez et al. / Abstraction & Application 36 (2022) 46 - 62 47
Datos para construir un conjunto de datos y aplicar técnicas de minería basados en algoritmos
predictivos. Los resultados arrojaron un modelo con un poder de predicción de 75% y un conjunto
de competencias características de los estudiantes activos de IS. El modelo construido permite
detectar posibles casos de deserción de estudiantes en IS o incluso definir si un estudiante tiene
aptitudes para cursar la carrera, en ambos, casos la propuesta permite controlar en cierto grado la
deserción escolar.
_____________________
Keywords and phrases: Deserción escolar, competencias, ingeniería de software, minería de datos,
clasificación, predicción.
_____________________
1 Introducción
La minería de datos basada en la opinión de las personas es muy útil para descubrir los
conocimientos y sus sentimientos con respecto a cualquier entidad específica. Es una práctica
común que, cuando se trata de la toma de decisiones, los individuos u organizaciones prefieren
buscar las opiniones de los demás [1], [2]. Las instituciones académicas no están fuera de esta
práctica, ya que provee retroalimentación cuantitativa y cualitativa, fácil de resumir y analizar.
La deserción escolar se refiere al abandono de los estudios por parte de los estudiantes inscritos
antes de terminar el nivel educativo [4]. La deserción escolar es un problema importante para las
instituciones educativas de nivel superior, es una tarea compleja dar un acompañamiento al
estudiante y lograr que finalicen sus estudios. Es importante señalar que la deserción es un
fenómeno altamente complejo y de múltiples impactos negativos para los distintos agentes e
individuos involucrados en ello [5].
Algunos estudios [5], [6] han sugerido niveles diferenciados de la deserción vinculados a variables
diversas como son el costo financiero de una carrera específica, las condiciones sociocontextuales
del estudiante, el entorno universitario que alberga a los ingresantes a la universidad, entre otros.
Dado que son muchas variables involucradas, es complicado en un solo estudio abarcar todo el
fenómeno, por lo que es importante cubrir el problema desde diferentes perspectivas [6].
Considerando lo anterior, esta investigación se enfoca en variables propias de la carrera
universitaria, y se empleó como caso de estudio la Licenciatura en Ingeniería de Software (IS).
48 Un Modelo de minería de datos para predecir la deserción escolar
Por tanto, la presente investigación determina un modelo basado en técnicas de minería de datos
para clasificar a los estudiantes que podrían desertar de una carrera o seguir activos considerando
competencias de la IS como principales atributos de análisis. El proceso de recopilación de datos
incluyó diseñar una encuesta basada en las competencias de los Ingenieros en Software que ofrece
la Asociación Nacional de Instituciones de Educación en Tecnologías de Información (ANIEI).
Además, se incluyeron atributos de los estudiantes tales como la edad, el turno, la calificación y
otros datos personales (estar casados y/o tener hijos). La hipótesis principal de la investigación
radica en que las competencias de los estudiantes que desertan de la carrera son cuantitativamente
más bajas que las de los estudiantes activos, por lo que se podrá generar un modelo predictivo
basado en esta característica.
El artículo está estructurado de la siguiente forma. La segunda sección define el marco teórico de la
investigación, donde se explican los conceptos empleados. La tercera sección representa la
metodología empleando el Descubrimiento del Conocimiento en Base de Datos, donde se explica
desde la elaboración del conjunto de datos hasta el análisis predictivo con una técnica de minería.
La cuarta sección representa la discusión y conclusiones sobre los resultados obtenidos. Finalmente
se muestran las referencias.
2 Marco teórico
A continuación, se despliegan algunos temas relacionados con la investigación, algunos tratan de
explicar con más detalles los conceptos y otros serán empleados en este artículo en secciones
posteriores.
La ANIEI define 4 perfiles profesionales de nivel licenciatura [8]: informática, ingeniería de software,
ciencias computacionales e ingeniería computacional. Esta investigación se enfoca en la licenciatura
en Ingeniería de Software. La ANIEI define al profesional en IS como: “Es un especialista en la
producción de sistemas de software de calidad para la solución de diversas problemáticas del
entorno. Es responsable de la formulación, planeación, implantación y mantenimiento de sistemas
de información que garanticen la disponibilidad de altos niveles de servicio.”
Además, esta asociación define los modelos curriculares de los perfiles, y sus competencias
generales, específicas y transversales [9]. De acuerdo con la ANIEI, una competencia es lo que hace
que la persona utilice las mejores prácticas para realizar un trabajo o una actividad y sea exitosa en
A. Ramírez et al. / Abstraction & Application 36 (2022) 46 - 62 49
• Competencias de primer nivel o de referencia: Son las competencias necesarias para que
los individuos sean productivos desde su ingreso al mundo laboral.
• Competencias de segundo nivel o específicas: Son las competencias necesarias para que los
individuos puedan realizar un trabajo o actividad de su perfil de profesional.
Las competencias de primer nivel, también llamadas transversales pertenecen a todos los perfiles,
estas son: Comunicación oral y escrita, análisis y síntesis de Información, planteamiento y resolución
de problemas, modelación de soluciones, aprendizaje autónomo, trabajo en equipo, toma de
decisiones, uso efectivo de herramientas de TIC, responsabilidad en la actuación, visión sobre el
impacto de las soluciones.
Por otra parte, las competencias específicas son: realiza ingeniería de requisitos de software, diseña
Software, construye software, realiza pruebas de software, realiza mantenimiento de software,
administra proyectos de software, estima parámetros del proyecto de software, asegura la calidad
del software, establece mecanismos de seguridad, emplea ciclos de vida, verifica calidad de
soluciones de software y usa herramientas para creación de software.
El Descubrimiento del Conocimiento en Base de Datos (Knowledge Discovery Databases, KDD por
sus siglas en inglés) es el proceso no trivial de identificar patrones válidos, novedosos,
potencialmente útiles y comprensible a través de los datos [10]. La frase descubrimiento de
conocimiento en bases de datos se acuñó en el primer taller de KDD en 1989 por Piatetsky-Shapiro
para enfatizar que el conocimiento es el producto final de un descubrimiento impulsado por datos.
Se ha popularizado en los campos de la inteligencia artificial y el aprendizaje automático [11].
1. Integración y recopilación: Se determinan las fuentes de información que pueden ser útiles
y donde conseguirlas. A continuación, se transforman los datos a un formato común.
Frecuentemente mediante un almacén de datos que consiga unificar de manera operativa
toda la información recogida, detectando y corrigiendo las inconsistencias
2. Selección, limpieza y transformación: Dado que los datos provienen de diferentes fuentes,
pueden contener valores erróneos o faltantes. Estas situaciones se tratan en esta fase, en
donde se eliminan o corrigen los datos incorrectos y se decide la estrategia a seguir con los
datos incompletos. A continuación, se describe cada fase:
b. Elegir el tipo de modelo (redes neuronales, arboles de decisión, Bayes ingenuo, entre
otros).
c. Elegir el algoritmo de minería que resuelva la tarea y obtenga el tipo de modelo que
estamos buscando.
Las métricas típicas de recuperación de información son precisión y exhaustividad [14]. La precisión
(Ecuación 1) es el número de documentos correctamente clasificados sobre el total de documentos
clasificados, para una categoría dada. La exhaustividad (Ecuación 2) es el número de documentos
clasificados correctamente sobre el total de documentos de esa categoría.
|{𝑜𝑏𝑗𝑟𝑒𝑙 }∩{𝑜𝑏𝑗𝑟𝑒𝑐 }|
𝑝𝑟𝑒𝑐 = 𝑜𝑏𝑗𝑟𝑒𝑐
(1)
|{𝑜𝑏𝑗𝑟𝑒𝑙 }∩{𝑜𝑏𝑗𝑟𝑒𝑐 }|
𝑒𝑥ℎ = 𝑜𝑏𝑗𝑟𝑒𝑙
(2)
Donde, 𝑜𝑏𝑗𝑟𝑒𝑙 corresponde a los objetos relevantes, 𝑜𝑏𝑗𝑟𝑒𝑐 corresponde a los objetos recuperados.
Con el objetivo de generar un conjunto de datos relacionado a los estudiantes, se diseñó y aplicó
una encuesta. Con el conjunto de datos se pueden encontrar patrones que nos permitan identificar
aspectos de los estudiantes tales como su opinión de la carrera o si pudieran desertar en algún
momento. El presente artículo se enfoca en el problema de la deserción escolar tomando como
variables las competencias de la Ingeniería de Software (IS). Aunque posteriores investigaciones
permitirán hacer otros análisis de la información recopilada.
Los alumnos cursan o cursaron la carrera en IS de la Facultad de Ingeniería Mochis (FIM), esta
Facultad pertenece a la Universidad Autónoma de Sinaloa. La FIM cuenta con otras carreras como
Ingeniería Civil, Ingeniería Geodésica, Ingeniería Industrial además de posgrados a nivel maestría y
doctorado. La FIM se ubica en la zona norte del estado de Sinaloa, recibe alumnos de la ciudad de
Los Mochis principalmente, aunque también recibe estudiantes de otros municipios como El fuerte,
Choix y Guasave.
El proceso KDD recomienda hacer un integración y recopilación de diversos sistemas como fuente
de datos [15], sin embargo, no hay un sistema que cuente con los datos que se quieren analizar en
esta investigación, por lo que se construyó un instrumento (encuesta) y se generó un procedimiento
para capturar la información.
3. Esta encuesta tuvo dos versiones, una para los estudiantes activos y otra versión para
estudiantes desertores. La segunda versión manejaba tiempo verbales en pasado y una
redacción diferente ya que los estudiantes ya no estudian la carrera de IS, sin embargo, se
mantenía la idea principal de la pregunta.
52 Un Modelo de minería de datos para predecir la deserción escolar
Instrumento aplicado
La encuesta inicia con preguntas básicas referentes a la edad, sexo, promedio de preparatoria, el
promedio de la carrera, el turno, el estado civil y si tiene hijos (ver Tabla 1). Posteriormente, se
aplican preguntas relacionadas con las competencias de un estudiante en IS (ver Tabla 2 en columna
pregunta). La encuesta fue aplicada de forma independiente al tipo de estudiante, por lo que se
tenía un registro de estudiantes activos y otro de estudiantes desertores.
¿Cuál es tu edad?
¿Cuál es tu sexo?
Cabe destacar que algunos atributos del estudiante desertor como el promedio, la carrera, el turno,
el estado civil y el número de hijos eran los que tenía el estudiante al momento de abandonar la
carrera (ver Tabla I).
Las respuestas a las preguntas relacionadas con competencias (Tabla 2) eran tipo Likert de 5 puntos
(Totalmente en desacuerdo, En desacuerdo, Neutral, De acuerdo, Totalmente de acuerdo), las
demás fueron tratadas como tipo numérico.
Antes de aplicar la encuesta se sometieron a pruebas para detectar errores de dedo, errores de
redacción, validación de respuestas, entre otros aspectos. La encuesta fue diseñada y aplicada a
través de Google Forms, aunque los datos fueron analizados con el software estadísticos SPSS (IBM
Corp., 2021).
Esta fase en general se refiere a la preparación de los datos previamente a ser explotados, la fase es
dividida en varias subfases, las cuales se describen a continuación.
3.2.1 Selección
Debido a que se consideraron más atributos con los estudiantes desertores, algunos atributos no
coincidían con los estudiantes activos, por tanto, los datos fueron analizados por separado y luego
integrados en un solo conjunto de datos. Por ejemplo, en los estudiantes desertores se consideraron
cuestiones como las siguientes:
2. Si la respuesta anterior es afirmativa (si no déjala en blanco) ¿Cómo te fue o está yendo en
tus estudios?
Todos estos aspectos no se aplican a los estudiantes activos, por lo que se omitieron del conjunto
de datos final. Por otra parte, se integró un campo para diferenciar a los estudiantes activos y
desertores.
Al finalizar esta fase, se generó un conjunto de datos con 136 registros (75 estudiantes desertores y
61 estudiantes activos) y 26 atributos.
A. Ramírez et al. / Abstraction & Application 36 (2022) 46 - 62 55
3.2.2 Limpieza
Para mantener el conjunto de datos con información fiable, algunos registros tuvieron que ser
eliminados, las causas principales fueron:
1. Los encuestados pusieron todas las respuestas en 1 o en 5, claramente hay un sesgo en sus
respuestas
Toda esta información produce sesgos en los resultados finales, por lo que se prescindió de esos
registros. Al finalizar el proceso de limpieza quedaron 68 (54.8) estudiantes activos y 56 (45.2)
estudiantes desertores, para un total de 124 registros o instancias y 26 atributos.
3.2.3 Transformación
Por otra parte, en el proceso de captura de la información con Google Forms hasta tener los datos
en SPSS, se numerizaron las respuestas que estaban con base en Likert y otros atributos, esto con
el objetivo que los algoritmos de minería pudieran realizar un procesamiento más eficiente al
trabajar con números.
A pesar de esto, se tuvo que seleccionar las preguntas más representativas de ambos grupos para
favorecer el trabajo de los algoritmos. Para esto, se analizaron las 16 preguntas categorizándolas
entre estudiantes activos y desertores. Algunas preguntas fueron más representativas para un tipo
de estudiante que otros, por lo que se realizó un proceso para determinar cuáles preguntas son más
significativas:
1. Los estudiantes fueron divididos en 2 grupos (activos y desertores, línea azul y naranja de
la Fig. 1).
2. Por cada grupo se obtuvo un promedio por pregunta, los valores están representados de 1
a 5, de acuerdo con la escala de Likert empleada. Este promedio representa la afinidad
general del grupo para una competencia dada (Eje y de la Figura 1).
56 Un Modelo de minería de datos para predecir la deserción escolar
3. El valor de las preguntas de cada grupo fue comparado, para todos los casos los valores de
los estudiantes activos fueron mayores que los desertores, sin embargo, había valores con
una diferencia muy baja.
4. Las competencias seleccionadas fueron aquellas donde la diferencia entre los valores era
mayor. Entre más diferencia había entre los valores, más representativo es la competencia
para los estudiantes.
Los resultados de este proceso están representados la Figura 1. El proceso de selección se basó en
encontrar los atributos que tenían mayor diferencia en la opinión generalizada del atributo. De esta
forma, el atributo 7 representa el caso con mayor diferencia entre la opinión de los estudiantes
activos y desertores. Mientras que el atributo 9 no hay mucha diferencia entre sus opiniones,
tomando casi el mismo valor. Por tanto, algunas competencias obtuvieron una diferencia mayor
entre grupos porque representan mejor al grupo (activos o desertores), otras competencias tenían
promedios muy similares por lo que no son representativas de los grupos.
3. Me gusta (ría) saber cómo se desarrollan las aplicaciones que uso en mi celular o
computadora (atributo 7)
Estas 8 preguntas relacionadas a las competencias diferencian en mejor forma a los grupos. Por lo
que el conjunto de datos finalmente quedo con 8 atributos y una clase (activos y desertores) y 124
instancias.
Antes de iniciar con el proceso de minería, se procede a analizar los datos de forma descriptiva
tratando de encontrar información importante en los datos. Como lo muestra la Tabla 3, los
estudiantes activos corresponden al 54.8% y los desertores al 45.2%.
Frecuencia Porcentaje
Desertor 56 45.2
Activo 68 54.8
El promedio de edad de los participantes es 22.42 años (ds 2.76, min. =19, máx.=35), aunque este
promedio es solo un dato, ya que algunos desertaron hace uno o más años por lo que no tienen el
promedio de los estudiantes activos. Los estudiantes activos tienen un promedio de edad de 21.86
y los desertores 23.14 años.
Por otra parte, la carrera de IS principalmente es cursada por hombres, esto concuerda con los
porcentajes de esta investigación, 83.1% de hombres (103) y 16.9% (21) de mujeres.
Las calificaciones de los estudiantes desertores son menores que las calificaciones de los estudiantes
activos, esto considerando las calificaciones de la preparatoria (desertor 8.6 y activos 8.9). La Fig. 2
muestra una menor dispersión de datos en los estudiantes activos al estar más cercanos a la media.
Un porcentaje muy bajo de estudiantes están casados mientras estudia la carrera (4.4%) (3)
mientras que los estudiantes desertores tienen un ligero porcentaje más alto (7.1%) (4)
comparándolo cuando estudiaban la carrera. Por otro lado, un 2.9% (2) de los estudiantes activos
tienen hijos mientras estudian, mientras un 7.1% (4) de estudiantes desertores tenían hijos mientras
estudiaban la carrera. Realmente no hay una diferencia importante considerando si los estudiantes
tienen esposa y/o tiene hijos.
Existen diferentes tareas de la minería de datos tales como clasificación, regresión, agrupamiento,
correlación y reglas de asociación [12], [16]. Esta investigación se enfoca en la clasificación, es decir,
con base a las competencias en IS (atributos) se pretende clasificar nuevos estudiantes, para
determinar si un estudiante podría desertar de la carrera. La técnica de minería elegida es la
máquina de soporte vectorial.
Aunque finalmente se empleó la técnica de MSV, se probaron varias técnicas como: redes
neuronales, el algoritmo del vecino más cercano, arboles de decisión y Bayes ingenuo. Sin embargo,
La MSV obtuvo mejores resultados que las otras técnicas mencionadas.
A. Ramírez et al. / Abstraction & Application 36 (2022) 46 - 62 59
Los resultados de la validación con 5 pliegues esta descrito en la Tabla 4. La MSV tuvo un
rendimiento (accuracy) de 0.75 en promedio.
Iteración
1 2 3 4 5
Para brindar más detalles de los resultados, se describe la precisión, la exhaustividad y la medida f1.
La precisión fue similar para ambas clases al tener un porcentaje de acierto cercano. La
exhaustividad tuvo una mayor diferencia en sus resultados, teniendo un mejor rendimiento para la
clase de estudiantes activos. Por lo que la medida F1 también fue más alta.
Desertor 7 4 11
Activo 2 12 14
Total 11 16 25
60 Un Modelo de minería de datos para predecir la deserción escolar
25
El proyecto está en fase de prueba y la aplicación aun en desarrollo, por lo que su difusión aun no
puede ser posible, sin embargo, podemos mejorar en diversos aspectos la investigación como
incrementar las instancias del conjunto de datos o aplicar otro algoritmo de reducción de
dimensionalidad.
4 Discusión y conclusiones
Es complicado generar un conjunto de datos preciso que permita la predicción cercana al 100%, ya
que la deserción escolar un es tema multifactorial [4], [5]. En esta investigación se aborda desde el
punto de las competencias de la IS, dejando a un lado otros aspectos. Aunque es cierto que muchos
estudiantes desertan porque las competencias requeridas en la IS no son de su agrado, también hay
un porcentaje de estudiantes que cumplen con dichas competencias y aun desertan, dado que hay
otros factores que impactan su permanencia en la carrera. Esto factores pueden ser [4], [17]:
personales, sociales, económicos, familiares, docentes, entre otros, aunque para los fines de esta
investigación no se analizaron esos factores.
Todos los estudiantes mal clasificados por el algoritmo de predicción son estudiantes que no encajan
con el patrón que indican sus respuestas, de acuerdo con el algoritmo empleado, lo que indica que
estos estudiantes desertaron por otras causas diferentes a las estudiadas en este artículo.
Además, hay un grupo de estudiantes activos que son clasificados como desertores, esto permite
identificar posibles casos de deserción al no cumplir con las competencias de la carrera. Estos
estudiantes deberían ser canalizados para tratar de remediar las deficiencias o apatías que muestran
para evitar deserciones. Aun así, podrían no salvarse todos los casos, pero si es posible disminuir el
grado de deserción escolar.
Por otra parte, se ha detectado que hay algunas competencias que destacan más que otras. De
acuerdo con el método empleado en la sección de transformación de datos, podemos definir que
las características principales de los estudiantes activos son: 1) Gustan de jugar videojuegos, además
que les gusta o gustaría desarrollar su propio videojuego, aunque el desarrollo se expande a otras
áreas como aplicaciones del celular o de la computadora. 2) Tienen facilidad por manejar las
tecnologías de cómputo, ya sea hardware o software.
Las características anteriores están asociadas a la programación, aunque también sobresale otras
competencias como: 1) Resolver problemas capciosos o complejos, lo que implica un análisis previo
del problema antes de implementar la solución. 2) Aprender por iniciativa propia. 3) Preferencia por
explicar ideas a través de esquemas.
A. Ramírez et al. / Abstraction & Application 36 (2022) 46 - 62 61
De esta forma, podemos afirmar que, de acuerdo a la opinión de los estudiantes que participaron
en este estudio, las competencias de los estudiantes que desertan de la carrera son
cuantitativamente más bajas que las de los estudiantes activos, por lo que se pudo generar un
modelo predictivo basado en esta característica.
Como trabajo futuro, el artículo considera hacer ajustes a las preguntas que generan el conjunto de
datos para aplicar a nuevas generaciones de alumnos, de esta forma se podrán obtener nuevos
datos para ser explotados tratando de superar el rendimiento actualmente mostrado.
Referencias
[1] J. Chulilla Alcalde, “Análisis de sentimiento de textos basado en opiniones de
películas usando algoritmos de aprendizaje computacional,” Universitat Oberta de
Catalunya, 2021.
[2] M. Misuraca, G. Scepi, and M. Spano, “Using Opinion Mining as an educational
analytic: An integrated strategy for the analysis of students’ feedback,” Stud. Educ.
Eval., vol. 68, no. March, 2021, doi: 10.1016/j.stueduc.2021.100979.
[3] C. D. Algecira Arbelaez, “Arquitectura de Big Data para el análisis de sentimientos
multimodales en el sector turístico del Departamento de Boyacá,Colombia.,”
Universidad Santo Tomás, 2021.
[4] F. J. López Pedraza, M. del C. González Macías, and Sandoval García Edgar R.,
“Minería de Datos: Identificando causas de deserción en las Instituciones Públicas
de Educación Superior de México,” TiES, Rev. Tecnol. e Innovación en Educ. Super.,
vol. 1, no. 2, pp. 1–12, 2019, [Online]. Available: http://www.ties.unam.mx/.
[5] A. Matheu Pérez, C. Ruff Escobar, M. Ruiz Toledo, L. Benites Gutierrez, and G.
Morong Reyes, “Modelo de predicción de la deserción estudiantil de primer año en
la Universidad Bernardo O´Higgins,” Educ. e Pesqui., vol. 44, no. 0, pp. 1–23, 2018,
[Online]. Available: http://dx.doi.org/10.1590/S1678-4634201844172094.
[6] A. B. Bernardo, E. Tuero, A. Cervero, A. Dobarro, and C. Galve-González, “Acoso y
ciberacoso: Variables de influencia en el abandono universitario,” Comunicar, vol.
28, no. 64, pp. 63–72, 2020, doi: 10.3916/C64-2020-06 |.
[7] R. Pressman, Software Engineering: A Practitioner’s Approach, 7th ed. New York,
62 Un Modelo de minería de datos para predecir la deserción escolar