Revisión bibliográfica de los factores sociodemográficos y académicos que influyen en la elección de carrera de ingeniería: un análisis de datos de estudiantes universitarios privados.

Siro Tagliaferro

doi:10.62876/tekhne.v28i2.7521

Authors

Siro Tagliaferro Universidad Metropolitana de Caracas https://orcid.org/0000-0001-7501-3568

DOI:

https://doi.org/10.62876/tekhne.v28i2.7521

Keywords:

data mining, student profile, engineering, academic dropout, machine learning, career choice

Abstract

This literature review seeks to understand the characteristics and trends of engineering students in private universities, analyzing factors such as socioeconomic background, skills, motivations, expectations, and challenges. The objective is to characterize these profiles, compare them between institutions and specializations, and establish more effective pedagogical and guidance strategies. It is expected to identify gaps in knowledge and propose future research, contributing to SDGs 4 (Quality Education) and 8 (Decent Work and Economic Growth) by informing strategies to improve education and employment.

Downloads

Download data is not yet available.

References

L. Domínguez, A. Robles-Gómez y R. Pastor Vargas, "A Data-Driven Approach to Engineering Instruction: Exploring Learning Styles, Study Habits, and Machine Learning", IEEE Access, 2025. doi: 10.1109/ACCESS.2025.3528263 DOI: https://doi.org/10.1109/ACCESS.2025.3528263

B. L. R. Ruiz, M. M. Garzón y D. A. Trejos, "Evaluación de estrategias, motivos y enfoques de aprendizaje para la identificación del perfil de ingreso de estudiantes universitarios", Encuentros, vol. 9, no. 1, pp. 21-34, 2011.

M. A. Miranda y J. Guzmán, "Análisis de la deserción de estudiantes universitarios usando técnicas de minería de datos", Formación universitaria, vol. 10, no. 3, pp. 61-68, 2017. DOI: https://doi.org/10.4067/S0718-50062017000300007

E. Acosta-Gonzaga y A. Ramirez-Arellano, "Comparative study of learning analytics techniques to predict student academic performance in higher education", Ciencia UAT, vol. 15, no. 1, pp. 63-74, 2020.

J. A. Odukoya, S. I. Popoola, A. A. Atayero, D. O. Omole, J. A. Badejo, T. M. John y O. O. Olowo, "Learning analytics: Dataset for empirical evaluation of entry requirements into engineering undergraduate programs in a Nigerian university", Data in brief, vol. 17, pp. 998-1014, 2018. DOI: https://doi.org/10.1016/j.dib.2018.02.025

D. Ángeles, M. Báez y M. Ramírez, "Diseño del perfil de ingreso para la Ingeniería en Gestión Empresarial del Instituto Tecnológico Superior de Libres", Hitos de Ciencias Económico Administrativas, vol. 27, no. 79, pp. 328-344, 2021. doi: 10.19136/hitos.a27n79.4703 DOI: https://doi.org/10.19136/hitos.a27n79.4703

D. G. Thombare y M. M. Mirza, "Personality mapping of entry level Engineering students for assessment of Engineering Competencies", Journal of Engineering Education Transformations, vol. 28, no. 2, pp. 105-112, 2015.

G. M. Q. Fernández y W. R. J. Minaya, "Medición de la eficiencia técnica en las universidades autónomas del sistema universitario boliviano: Aplicación del análisis envolvente de datos (DEA)", Revista Espacios, vol. 38, no. 45, 2017.

S. Gradinaru, A. Aldea, L. Besir y A. Coser, "A Non-Parametric Efficiency Perspective on the Research-Active European Universities Performance", LUMEN Proceedings, vol. 9, pp. 371-385, 2019. DOI: https://doi.org/10.18662/lumproc.182

B. N. Silva-Gutiérrez, U. O. De la Cruz-Guzmán y E. Cruz-Barba, "Análisis no paramétrico de las condiciones laborales y psicosociales de estudiantes en un centro temático de la Universidad de Guadalajara", RICSH Revista Iberoamericana De Las Ciencias Sociales Y Humanísticas, vol. 6, no. 12, pp. 200-224, 2017. doi: 10.23913/ricsh.v6i12.130 DOI: https://doi.org/10.23913/ricsh.v6i12.130

F. Quiroga Martínez, "Medición de la eficiencia en universidades nacionales argentinas: Análisis de la variación en el periodo 2009-2011", en XXII Encuentro de Economía Pública: reformas y nuevos retos de los estados de bienestar, 2016.

J. E. Gamboa Unsihuay y J. W. Salinas Flores, "Predicción de la situación académica en alumnos de pregrado usando algoritmos de machine learning", Perfiles, vol. 1, no. 27, pp. 4-10, 2022. doi: 10.47187/perf.v1i27.142 DOI: https://doi.org/10.47187/perf.v1i27.142

P. Cichosz, Data Mining Algorithms: Explained Using R. New Jersey: John Wiley & Sons, Ltd., 2015. DOI: https://doi.org/10.1002/9781118950951

I. Witten, E. Frank, M. Hall y C. Pal, Data Mining: Practical Machine Learning Tools and Techniques, 4a ed. Massachusetts: Morgan Kauffman, 2019.

L. E. Contreras, H. J. Fuentes y J. I. Rodríguez, "Predicción del rendimiento académico como indicador de éxito/fracaso de los estudiantes de ingeniería, mediante aprendizaje automático", Formación universitaria, vol. 13, no. 5, pp. 233-246, 2020. DOI: https://doi.org/10.4067/S0718-50062020000500233

A. L. Dyckhoff, D. Zielke, M. Bültmann, M. A. Chatti y U. Schroeder, "Design and implementation of a learning analytics toolkit for teachers", Educational Technology and Society, vol. 15, no. 3, pp. 58-76, 2012.