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

Autores/as

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

DOI:

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

Palabras clave:

data mining, perfil de estudiantes, ingeniería, elección de carrera, deserción académica, machine learning

Resumen

Esta revisión bibliográfica busca comprender las características y tendencias de estudiantes de ingeniería en universidades privadas, analizando factores como origen socioeconómico, habilidades, motivaciones, expectativas y desafíos. El objetivo es caracterizar estos perfiles, compararlos entre instituciones y especializaciones, y fundamentar estrategias pedagógicas y de orientación más efectivas. Se espera identificar vacíos en el conocimiento y proponer futuras investigaciones, contribuyendo a los ODS 4 (Educación de Calidad) y 8 (Trabajo Decente y Crecimiento Económico) al informar mejoras en educación y empleo.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

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.