Desde procesos de información dinámicos a un modelo de AI

Desde procesos de información dinámicos a un modelo de Inteligencia Artificial

El camino que un alumno atraviesa en una institución educativa se compone de diferentes etapas. De hecho, ese camino no comienza en la inscripción, sino en el momento en que la persona comienza a analizar qué estudiar y dedica parte de su tiempo a informarse sobre sus opciones. Del mismo modo, habrá un porcentaje de alumnos que abandonen sus estudios antes de culminar la carrera. Esta es una de las problemáticas más comunes dentro de cualquier institución académica y, por eso, nuestro interés radica en hacer uso de inteligencia artificial para plasmar una solución eficaz.

Para conseguirlo, en Ed Machina nos enfocamos en analizar todo el recorrido de cada estudiante. Entendemos que es la única manera de visualizar el panorama real e implementar estrategias realmente resolutivas.

Es necesario, entonces, utilizar un modelo predictivo que sea funcional a todo tipo de institución universitaria. El enfoque no está en la metodología de base, sino en la información de la población estudiantil. De este modo, al llegar a la etapa de toma de decisiones se tendrá una mejor idea de cuáles son los puntos por modificar o las acciones que pueden tomarse de manera anticipada.

Algunas de las preguntas más comunes que surgen frente a esta problemática son:

¿Qué sucede una vez que el alumno se inscribió? ¿Es posible adelantarse a una posible deserción estudiantil? ¿Es realmente factible apoyarse en AI para encontrar una solución real? La respuesta es sí. Pero, para lograrlo, es esencial analizar y entender muy bien la información que el alumno brinda desde que comienza el recorrido en la institución académica. Desde allí es posible entender y detectar posibles factores que generan deserción estudiantil.

Para explicarlo, hablaremos de nuestro modelo enfocado en aumentar la retención estudiantil, Stay Around.

Las variables que llevan a un alumno a abandonar sus estudios pueden ser de tipo académico y no académico. Por variables académicas entendemos algunos factores como el rendimiento del alumno, su responsabilidad frente al estudio, la calificación del docente y el sentimiento general de satisfacción frente a la institución o la carrera elegida. Por otro lado, dentro de las no académicas, podemos nombrar el estado civil del alumno, su situación económica y laboral, entre otras.

Ya que ambas variables influyen en la deserción estudiantil, la clave es saber leer e interpretar los dos tipos de variables, con fuentes internas o incluso externas a la institución educativa, para poder armar estrategias eficaces de retención estudiantil.

Por supuesto, esos factores pueden ser tan variados y, además, depender de tantas áreas, departamentos, direcciones (y sus respectivas fuentes de información) que es precisamente aquí donde radica la importancia de preguntarse: ¿entendemos la dinámica de sistemas? ¿Sabemos de dónde proviene la información y hacia dónde va? ¿Comprendemos en qué instancia del proceso estamos parados?

Recabar un sinfín de datos no servirá de mucho si no logramos entender la dinámica del sistema. Sería similar a invertir en una maquinaria de avanzada y no saber cómo se utiliza. Es necesario, por un lado, identificar a todos los protagonistas en la gestión estudiantil y, por el otro, entender cómo se relacionan entre sí para aprovechar la ventaja que esa información nos da.

Para entenderlo mejor: es fundamental mirar el contexto general en que el proceso estudiantil se lleva a cabo. Como dijimos, el estudiante inicia su recorrido cuando comienza con la búsqueda de información sobre determinada carrera (años de cursado, modalidad, valor, salida laboral, etcétera). Desde ese momento en adelante, se debe tener en mente que hay diferentes áreas en la institución que se relacionan con el estudiante. Es decir, para ayudar a la retención estudiantil hay que saber manejar el flujo de información que se reúne a través de los diferentes canales. Cada interacción que los estudiantes tienen con cada área de la universidad será una oportunidad para entender su situación, tanto académica, como personal.

Pero veámoslo detenidamente: logramos obtener información sobre cada persona interesada en inscribirse a alguna de nuestras carreras y sobre aquellas que decidieron inscribirse, sin importar hasta qué etapa llegaron. Debido a que el dilema es saber si esos datos se están analizando correctamente, es aquí donde nos apoyamos en AI para asegurarnos de que así sea. Considerando el gran volumen de datos que se recibe, resulta necesario que un buen modelo predictivo trabaje a la par nuestro.

Veamos la variable de estado y su relevancia

Siguiendo la idea que ya mencionamos sobre el flujo de información que una institución recibe y todas las áreas que se involucran en la gestión estudiantil, podemos detectar la importancia de organizar y coordinar todo el proceso. En palabras simples, integrar de manera organizada y precisa cada dato proveniente del estudiante con cada una de las áreas que corresponda. Cabe recordar que dentro de “datos”, se encuentran las diferentes variables que mencionamos y que probablemente, al menos en algunos puntos, difieran en cada institución.

¿En dónde radica la importancia de entender esto? En dimensionar la diversidad de motivos que pueden impulsar a un alumno a abandonar sus estudios y, entonces así, poder brindarle soluciones que le sean realmente funcionales para que decida continuar.

Vemos de esta manera, que la clave será conseguir y mantener fluidez en ese caudal de información entre cada área para agilizar el proceso de análisis. Con esto, nos acercamos cada vez más a soluciones personalizadas y efectivas.

Para visualizarlo bien, imaginemos una bañera con un grifo que le agrega contenido, y otro que la vacía. El recipiente que contiene el fluido, es decir la bañera, representa la variable de estado del sistema. Los grifos de entrada y salida son las variables de flujo. Ambos grifos deben estar constantemente abiertos para conseguir esa fluidez de información que necesitamos, pero recordando siempre la necesidad de organización en ese proceso. Solo así, esa fluidez será efectiva.

Entender sus principales características (dinamismo, interconexión y causalidad), entonces, resulta primordial a la hora de analizar la deserción estudiantil, tanto como las posibles estrategias de retención.

Además, otro punto importante a mencionar es el sub modelo Heads-Up, que también se enfoca en la alerta temprana, pero en este caso, está destinado a los estudiantes que recién ingresan (primera cohorte). En este caso, se identifica durante el semestre en curso el riesgo de deserción, especialmente en la población estudiantil más vulnerable. Mediante esta alerta temprana, es posible tomar decisiones en tiempo real que incentiven la reinscripción de esos estudiantes.