Contribución del machine learning al análisis de la repetición escolar en España: un estudio con datos PISA
La repetición de curso tiene una excesiva incidencia en España a pesar de ser una medida controvertida. A fin de obtener evidencias que contribuyan a su reducción en la educación obligatoria, el presente trabajo profundiza en el estudio de los índices de contexto de PISA 2018 más vinculados con dich...
| Autores: | , , , |
|---|---|
| Formato: | artículo |
| Fecha de publicación: | 2024 |
| País: | España |
| Recursos: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/114006 |
| Acesso em linha: | https://hdl.handle.net/20.500.14352/114006 |
| Access Level: | acceso abierto |
| Palavra-chave: | 159.953.5 37.091.212.8 37.014.14 371.3 37.014 373.3 373.5 PISA Repetición escolar Aprendizaje automático Variables de contexto Regresión logística multinivel Educación obligatoria Grade repetition Machine learning Contextual variables Multilevel logistic regression Compulsory education Ciencias Sociales Aprendizaje Enseñanza primaria Enseñanza secundaria Métodos de investigación en educación Política educativa Métodos de enseñanza 58 Pedagogía 5801 Teoría y Métodos Educativos |
| Resumo: | La repetición de curso tiene una excesiva incidencia en España a pesar de ser una medida controvertida. A fin de obtener evidencias que contribuyan a su reducción en la educación obligatoria, el presente trabajo profundiza en el estudio de los índices de contexto de PISA 2018 más vinculados con dicho fenómeno. Con la muestra de estudiantes españoles (n = 35943), se utiliza un método de aprendizaje automático para seleccionar y ordenar los predictores, y una regresión logística multinivel (estudiantes y centros) para cuantificar la contribución de cada uno. Se obtienen las 30 variables de contexto más relevantes en cada etapa educativa, que explican el 65.5% de la varianza de la repetición en primaria y casi el 55.7% en secundaria. Los principales indicadores son sobre todo del nivel de estudiantes, lo que sugiere la idoneidad de intervenciones psicoeducativas basadas en el apoyo individualizado más que en políticas generalizadas. De ahí emergen medidas potencialmente más eficientes y equitativas que la repetición, centradas, por ejemplo, en la gestión del tiempo de aprendizaje o en la orientación académico-profesional, así como predictores con importancia específica diferencial en cada etapa. En el ámbito metodológico, el estudio hace una aportación a la mejora de la especificación de los modelos predictivos. |
|---|