Modelo de Decisin Cualitativo Multi-Atributo y Gestin de Inteligencia Acadmica para Apoyar la Planificacin Acadmica en la Retencin Estudiantil de la Escuela de Ingeniera

de Computacin y Sistemas de la UPAO usando la Metodologa DEXi. Qualitative Multi-Attribute Decision Model and Academic Intelligence Management to Support the Academic Planning of Student Retention in the School of Computing and Systems Engineering at UPAO using the DEXi Methodology. Elmer Hugo Gonzlez Herrera Universidad Privada Antenor Orrego, Apartado Postal 1075, Trujillo-PERU Resumen Uno de los hechos significativos en la institucin de educacin superior es el crecimiento explosivo de los datos educativos. Estos datos estn aumentando rpidamente sin casi ningn beneficio para la gestin gerencial. El objetivo principal de cualquier institucin privada de educacin superior es mejorar la calidad de las decisiones de gestin y de impartir educacin de calidad. Una buena prediccin del xito del estudiante en una institucin de enseanza superior es una forma de alcanzar el ms alto nivel de calidad en un sistema de educacin superior. La retencin de los estudiantes es un tema importante para todos los responsables de las polticas universitarias, debido al impacto potencial negativo en la imagen de la universidad y en la carrera profesional de donde provienen estas deserciones. Hay muchos modelos de prediccin disponibles con enfoques diferentes en el rendimiento del estudiante que siguen siendo reportados por los investigadores, pero no hay certeza de si hay predictores que determinan con precisin si un estudiante va a ser un genio acadmico, un desertor, o uno de rendimiento promedio. El objetivo de este estudio fue aplicar los mtodos de soporte a las decisiones y de la gestin de la inteligencia acadmica para apoyar a planificar la retencin estudiantil basado en la desercin habida desde el semestre 2000 I hasta el semestre 2012 I (casi 12 aos); esto es, analizar las relaciones entre el comportamiento acadmico, motivacional y circunstancial de los estudiantes y predecir su rendimiento final de fin de carrera; asimismo desarrollar un modelo de prediccin de desempeo del estudiante. Esto se hizo mediante el uso del programa de Toma de Decisiones Multi-atributo, DEXi. Los resultados de este estudio reportaron un modelo de decisin multi-atributo para predecir el rendimiento acadmico final universitario que d apoyo a la planificacin de la retencin estudiantil en la escuela profesional de Ingeniera de Computacin y Sistemas de la Universidad Privada Antenor Orrego de la ciudad de Trujillo- Per. Descriptores: toma de decisiones multi-atributo, DEXi, gestin de inteligencia acadmica, retencin estudiantil, mtodos de soporte a las decisiones, rendimiento predictivo final del estudiante. Abstract One of the significant facts in higher learning institution is the explosive growth of educational data. These data are increasing rapidly without any benefit to the management. The main objective of any higher educational institution is to improve the quality of managerial decisions and to impart quality education. Good prediction of students success in higher learning institution is one way to reach the highest level of quality in higher education system. Student retention is an important issue for all university policy makers due to the potential negative impact on the image of the university and the career path of the dropouts. There are many prediction model available with difference approach in student performance was reported by researcher, but there is no certainty if there are any predictors that accurately determine whether a student will be an academic genius, a drop out, or an average performer. The aim of this study was to apply the decision support methods and the Academic Intelligence Management to support the academic planning to decrease dropout rate of students between almost twelve years: 2,000 and 2012, it means to analyze the relationships between the academic behavior, personal motivation and circumstantial needs of the students and their success and to develop the model of student performance predictors. This is done by using DEXi, the Multi-Attribute Decision Making program. The results of this study reported a multi-attribute decision model for predicting student final achievement in the School of Computing and Systems Engineering at the Private University Antenor Orrego located in the north of Per in a city named Trujillo. Keywords: multi-attribute decision making, DEXi, academic intelligence management, students retention, decision support methods, predictive student final achievement. Introduccin Uno de los principales retos que enfrenta las gerencias de las universidades privadas en nuestro medio es mejorar la planificacin de la retencin estudiantil. La desercin estudiantil se ha convertido en un indicador del rendimiento acadmico y de la gestin del proceso de matrcula, principalmente de los estudiantes prospectos a una escuela profesional. Es deseable identificar en avance a los estudiantes quienes tienden a necesitar el mayor apoyo antes y en el primer ao del inicio de los estudios universitarios ya que los exmenes de

admisin no ameritan un filtro adecuado a las intenciones profesionales del estudiante prospecto. En este artculo, describo el proceso y los resultados de la generacin de un Modelo de Decisin Cualitativo Multi-Atributo, ver Figura 1, resultante del Anlisis de Decisiones que da el Soporte a las Decisiones humanas en el aspecto metodolgico de la Toma de Decisiones [1], ver Figura 2, todo en un escenario de Gestin de la Inteligencia Acadmica [2] (Academic Intelligence Management : adquisicin, generacin y difusin del conocimiento con el propsito de cumplir con los objetivos y estrategias organizacionales basado en la Tecnologa de la Informacin y de las Comunicaciones o TIC), ver Figura 3.

Figura 2. Aspectos Metodolgicos de la Toma de Decisiones. [1] Figura 1. Modelo de Decisin Multi-Atributo. Especficamente, describo un enfoque para modelar la toma de decisiones del estudiante prospecto; modelo que integra las tcnicas de toma de decisiones con los sistemas expertos. El enfoque se basa en la articulacin explcita del conocimiento de decisiones cualitativas el cual es representado por un rbol de atributos y las reglas de decisin (funciones de utilidad), ver Figura 4 y Figura 8. El proceso de toma de decisiones se apoya en el programa para la toma de decisiones multiatributo DEXi, un shell de sistema experto especializado para la construccin interactiva de la base de conocimiento, evaluacin de opciones o alternativas, y explicacin de los resultados. Todo lo expuesto previamente es aplicable a la escuela profesional de Ingeniera de Computacin y Sistemas de la Universidad Privada Antenor Orrego y responde al problema formulado: Cmo generar un modelo que integre los mtodos de toma de decisiones multi-atributos en la bsqueda de la retencin estudiantil y del respectivo Soporte a la Gestin de la Inteligencia Acadmica? Asimismo, el objetivo principal formulado para este artculo es utilizar los mtodos de soporte a la decisin y la gestin de la inteligencia acadmica y aplicarla a la bsqueda de un modelo que permita apoyar la retencin estudiantil.

Figura 3. Gestin de la Inteligencia Acadmica.

En lugar de atributos numricos, los cuales son usados en los modelos cuantitativos, el modelo cualitativo utiliza atributos cualitativos (cardinal u ordinal), valores de los cuales son usualmente palabras en lugar de nmeros En lugar de funciones de utilidad numricos, los cuales son representados analticamente, tales como la suma ponderada, los modelos cualitativos son funciones discretas que son definidas punto a punto en forma de tablas donde cada punto representa una decisin.

Figura 4. rbol Jerrquico de Atributos. Metodologa El dar soporte a las decisiones humanas o Decision Support es una disciplina amplia que es parte de la Ciencias de la Decisin, junto a los enfoques normativos y descriptivos de la toma de decisiones, ver Figura 2. El modelo de decisin Multi-atributo, ver Figura 1, es usado de la siguiente manera: [4] Primero, las opciones o alternativas son presentadas por valores bsicos de los atributos. Cada opcin es luego evaluada por una agregacin esto es llevado a cabo de abajo-arriba de acuerdo a su estructura jerrquica y definida las funciones de utilidad. La evaluacin resultante F(ai), ver Figura 1, se supone es igual a la funcin utilidad F*(x1,x2, . . . , xn). La evaluacin completa (utilidad) de una opcin es obtenida finalmente como el valor de uno o ms atributos races. Sobre esta base, las opciones son comparadas y jerarquizadas; la mayor de ellas puede ser eventualmente identificada y seleccionada por el tomador de decisiones. Actualmente, la mayora de mtodos y sistemas multi-atributos son usados para desarrollar lo que referimos como modelos de decisin cuantitativos. En tales modelos, todos los atributos son continuos y normalmente representan las preferencias del tomador de decisiones por funciones de utilidad lineal. Las funciones de utilidad son luego tpicamente definidas en trminos del pesaje o ponderaciones de los atributos. El modelo de esta investigacin tiene un enfoque basado en los modelos de decisin cualitativo. Estos modelos son tambin jerrquicos, pero difieren de los cuantitativos en dos aspectos importantes:

Para el modelado multi-atributo, uso la tcnica especfica referida como Modelado Jerrquico Cualitativo para lo cual utilic el software educativo para la toma de decisiones multi-atributo DEXi. [3] Las etapas formales tomadas en cuenta en esta investigacin de soporte de decisiones [4] se describen a continuacin: Etapa 1: Identificacin del Problema Interpret que viabilizar la retencin estudiantil es un problema de toma de decisiones del estudiante prospecto y del estudiante del primer ao de estudios y por supuesto de la escuela de Ingeniera de Computacin y Sistemas; esto es dificultoso para ambas partes; pero muy importante de resolverlo debido a la tendencia demostrada y a la prdida de costo de oportunidad habida desde el ao 2000. Etapa 2: Instalacin del Proyecto Adicionalmente a las actividades tpicas de instalacin, como por ejemplo el planeamiento de los recursos, existen dos asuntos especficos en el soporte de decisiones: quin ser miembro del equipo, y cual metodologa de modelado escoger. En general, las investigaciones llevadas a cabo en soporte a las decisiones incluyen cuatro tipos de colaboradores, ya sean individuos o grupos: Propietarios del Problema: individuos o representativos de las organizaciones quienes necesitan tomar la decisin final. Expertos: personas con conocimiento en el campo de la decisin. Ellos no necesitan tomar la decisin, pero se espera que sepan el tema, por ejemplo, las propiedades de una buena decisin, formula las caractersticas bsicas de las opciones o alternativas, y contribuye a disear los modelos sugiriendo descomposiciones adecuadas del problema y de las funciones de utilidad. Analista de Decisiones: Metodlogos con conocimiento y experiencia en el anlisis de decisiones. Ellos deben saber cmo aplicar la metodologa de soporte a las decisiones y manejar las herramientas correspondientes. Frecuentemente, toman el rol de moderadores o an lderes del equipo. Usuarios: Los que estn afectados por la decisin. En teora, estos grupos son distintos pero en la prctica frecuentemente se entremezclan a un nivel de individuo o grupo. Por ejemplo, no es raro que un

propietario de un problema tomar el rol de un experto, usuario, o ambos. A veces, los analistas de decisiones pueden tomar tambin el rol de los expertos (pero deben evitar ser considerados expertos en funcin de las expectativas razonables del propietario del problema). Etapa 3: Modelado En esta etapa un modelo cualitativo multi-atributo es desarrollado. El desarrollo fue hecho a mano, basado en la colaboracin del equipo de solucin de problemas. Se incluyen brainstorming, discusiones, entrevistas y argumentacin. Los propietarios de decisiones proporcionaron metas y restricciones, los expertos sugirieron atributos y criterios, mientras que los analistas de decisiones condujeron el proceso y formalizaron los resultados en trminos de un modelo. La etapa de modelado tpicamente procedi en cuatro sub-etapas consecutivas: 1. Identificacin de atributos: la meta es identificar todos los atributos relevantes y especialmente no olvidarse de cualquier otro importante. 2. Estructuracin de atributos: la meta es desarrollar una jerarqua de atributos basado en sus interrelaciones e influencia anticipada en la decisin final. El proceso consiste de un nmero de tcnicas: estructuracin, comparacin y limpieza de lista de atributos. agregacin de abajo-arriba, descomposicin de arriba-abajo, y e incluso una mixtura media de tcnicas. Con el propsito de evitar una explosin combinatoria en la etapa cuarta, es requerido por DEXi que cada atributo agregado dependa de pocos niveles ms bajos de atributos como sea posible, i.e., normalmente dos o tres, pero no ms de cuatro. 3. Definicin de escalas de atributos: en esta sub-etapa, los atributos se definen en trminos del tipo (i.e., nominal, ordinal o continuos) y los valores que podran tomar (intervalos especficos, valores discretos, etc.) 4. Las Funciones de Utilidad: el rol de la funcin utilidad es definir un mapeo desde los valores de los atributos del ms bajo nivel hacia el valor del atributo agregado de ms alto nivel. Es conveniente iniciar el proceso de traspaso a la funcin de utilidad denotando pesos de importancia de cada atributo. Esto significa que al principio la superficie lineal es aceptada como una funcin de utilidad. Es conocido que, en general, un peso de un atributo es una funcin de su propio valor. En la prctica, esto significa que por lo menos en los bordes del espacio de atributos algunos cambios son necesarios

Etapa 4: Identificacin de opciones o alternativas En esta etapa la mejor opcin o alternativa deber ser escogida, mejor si estas se encuentran jerarquizadas y en un ordenamiento preferencial. En consecuencia, esto implica la identificacin y descripcin de opciones. Las opciones o alternativas se coleccionan y se crea una base de datos de opciones. Etapa 5: Evaluacin y Anlisis de Opciones. En esta etapa el modelo y los datos acerca de las opciones se utilizan en su totalidad con el propsito de buscar la solucin al problema. Esto envuelve dos sub-etapas: la evaluacin y el anlisis de la opcin, las cuales se ejecutan usualmente en forma iterativa, simultnea, o en una combinacin hasta que una evidencia suficiente se obtenga para ir a la siguiente etapa. Etapa 6: Decisin La decisin actual o seleccin se basa en la evidencia coleccionada en las etapas previas. Esto envuelve ya sea la seleccin de la mejor opcin o hacer algn orden preferencial de opciones, lo cual incluye a menudo alguna lnea de corte que divide las opciones en aceptable de las rechazadas. Etapa 7: Despliegue En esta etapa se documenta la decisin y se comunica a las partes que no hayan estado involucrados en el proceso de toma de decisiones. Para la mayora de los casos es esencial hacer esto en una manera comprensible y transparente, incluyendo una descripcin detallada del problema de decisin, componentes del modelo (i.e., atributos, sus relaciones y valores), opciones, y los resultados de la evaluacin. Lo ms importante, la decisin final debe ser cuidadosamente justificada y explicada, tpicamente basndose en los resultados de un extensivo anlisis de opciones. Etapa 8: Implementacin Esta etapa se refiere a cmo la decisin se materializa o en otras palabras como pasa a formar parte de la vida real. Podra o no ser considerado como parte del proceso de toma de decisiones, pero sin embargo, puede beneficiar significativamente que todo un proceso de toma de decisin ha sido conducido apropiadamente. Resultados y discusin Etapa 1: Identificacin del Problema El problema enfrentado es uno apropiado para un escenario de modelado de soporte de decisiones ya que debe apoyar a la planificacin acadmica de la escuela de Ingeniera de Computacin y Sistemas de la UPAO para retener a los estudiantes prospectos y del primer ao dada los hechos y las tendencias observadas desde el semestre 2000-I hasta el 2012-I en las Figuras 5 y 6 y Tabla 1 respectivamente. En la Figura 5 se observa que el software SPSS da como resultado una pendiente negativa y un coeficiente de correlacin lineal de 0.891 lo cual nos

demuestra que enfrentamos un grave problema de desercin estudiantil. En la Figura 6 se postula que histricamente la tendencia del rendimiento acadmico universitario en la escuela de Ingeniera de Computacin y Sistemas se acomoda fcilmente a la grfica mostrada.

Usuarios: son los estudiantes seleccionados para la puesta en marcha del modelo resultante de sta investigacin. Etapa 3: Modelado El Mtodo DEXi fue seleccionado [3]: Tabla 1. Costo de Oportunidad por Ciclo Durante el Periodo 2000-2012

Figura 5. Matriculados por semestre desde el ao 2,000 al 2012-I.

Figura 6. Tendencia Predictiva del Rendimiento Acadmico. La tabla 1 nos demuestra que es muy alto el costo de oportunidad de no hacer nada ante esta realidad. Etapa 2: Instalacin del Proyecto Propietarios del Problema: Escuela Profesional de Ingeniera de Computacin y Sistemas de la Universidad Privada Antenor Orrego. Expertos: En este proyecto, el rol lo tom el autor de ste artculo como profesor a nivel de pre-grado y postgrado de las materias de Investigacin de Operaciones, Base de Datos, Minera de Datos y de Inteligencia de Negocios. Analista de Decisiones: El rol lo asum como autor de ste artculo como investigador y como ex Director en dos oportunidades de la escuela profesional antes mencionada.

Identificacin de atributos: esto fue hecho en varias sesiones de brainstorming apoyados por el Plan de Estudios de Educacin Bsica Regular: Educacin Secundaria [6] y el Plan de estudios de la Escuela de Ingeniera de Computacin y Sistemas. [7]. El resultado fue una lista desordenada de 52 atributos incluyendo duplicados y algunos redundantes. Estructuracin de atributos: El resultado de esta etapa fue un rbol de atributos (vase el Apndice). Definicin de escalas de atributos: DEXi restringe a que los atributos sean nominales u ordinales, cuyos valores estn representados por palabras, tal como, regular, bueno, o excelente. El nmero de valores debera mantenerse pequeo, pero al mismo tiempo lo suficientemente grande para distinguir entre diferentes situaciones cualitativas. En el caso de esta investigacin el tamao de las escalas de atributos gradualmente se increment de abajoarriba, al usar dos valores al nivel bsico y cinco valores para el atributo raz. Ver Figura 7. Las Funciones de Utilidad: En DEXi la funcin de utilidad de cada atributo agregado es presentado punto a punto como una tabla donde las filas pueden ser ledas como expresiones lgicas. Por ejemplo, en la Figura 8, se lee en la fila 10 que histricamente los estudiantes que tuvieron un rendimiento pobre en el colegio, en la universidad rendimiento regular y las

capacidades motivacionales y circunstanciales fueron regulares entonces se espera que su rendimiento final acadmico sea un fracaso tardo, ver Figura 6, sumndose a la desercin estudiantil y sin haberse podido hacer nada para retener al estudiante durante los aos de estudio de esta investigacin.

Figura 8. Un Fragmento de la Funcin Utilidad para el atributo agregado Rendimiento. Etapa 5: Evaluacin y Anlisis de Opciones. La evaluacin de la opcin fue llevado a cabo. Cada opcin (estudiante prospecto o persona) fue evaluado en una forma de abajo-arriba: sus valores bsicos fueron agregados de abajo hacia arriba de la jerarqua de acuerdo a las reglas de decisin. Como resultado, a cada opcin se le asign un valor de evaluacin de cdigo numrico [1,2,3,4,5], pero de caracterstica cualitativa, ver Figura 6. La evaluacin resultante se muestra en la Figura 9 donde la persona 1 tuvo un rendimiento acadmico 4, la persona 2 tuvo un rendimiento 2 y as sucesivamente.

Figura 7. Escalas para el Rendimiento Final Universitario Etapa 4: Identificacin de opciones. Esta etapa consiste en la identificacin y descripcin de la opcin (ejemplo, elegir un estudiante entre los prospectos). Si son muchas opciones, estas pueden coleccionarse en una base de datos. En este estudio son cinco los candidatos para ser evaluados y analizados. Note que en DEXi las opciones no necesitan ser totalmente descritas y pueden por lo tanto an contener valores faltantes. Sin embargo, es deseable definir totalmente las opciones cuando sea posible.

Figura 9. Diagrama Radar de Prediccin del Rendimiento Acadmico de la Persona 1. Luego sigue el anlisis de la opcin. Esta etapa abarc un nmero de diferentes tcnicas, ejemplo, ver Figura 9 encaminadas a una mejor comprensin, justificacin y explicacin del proceso de evaluacin Anlisis What-if (qu sucede si?) evala el efecto de cambiar el valor(es) de un atributo bsico con respecto a la evaluacin parcial o completa de una opcin escogida. Anlisis de Sensibilidad, similarmente al anlisis What-if evala el efecto de cambiar las funciones de utilidad. Explicacin Selectiva identifica las ms importantes ventajas y desventajas (pros y

cons) de las opciones, las cuales son importantes para la justificacin de la decisin.

La etapa del desarrollo del modelo es central para el enfoque de soporte a la decisin usado y crucial para el xito de la investigacin. Entre todas las etapas es la de ms dificultad, lo cual implica mayor experiencia, un activo compromiso requerido de todos los miembros del equipo y tpicamente ms tiempo y otros recursos. El modelo de decisin cualitativo multi-atributo muestra lo til que puede ser en la educacin universitaria particularmente para predecir el rendimiento acadmico del estudiante con el fin de retener su temprana salida de la escuela profesional. El uso del programa para tomar decisiones multiatributo DEXi, ha probado ser amigable, fcil de operar y sorpresivamente muy til en el problema de generacin del modelo. Agradecimientos Muchas personas han contribuido en el proceso de escribir y publicar este artculo por lo que quiero darles las gracias a todas ellas; pero en particular a mi familia Gonzlez-Cadenillas por darme su apoyo personal y espiritual. Ha sido un placer estar y trabajar con todos ustedes. Referencias

Figura 10. Las opciones de Evaluacin para DEXi. Etapa 6: Decisin Con la idea de apoyar la retencin estudiantil se escoge a la persona 5, la persona 2 y la persona 3, ver Figura 10 y en ese orden asignarle una tutora personalizada en los cursos contenidos en los patrones histricos de rendimiento acadmico deficiente. Etapa 7: Despliegue El informe final de esta investigacin forma parte del despliegue requerido pues contiene la descripcin detallada del problema de decisin, los componentes del modelo (i.e., atributos, sus relaciones y valores), las opciones, y los resultados de la evaluacin. Etapa 8: Implementacin La puesta en marcha del modelo de decisin se lleva a cabo interactivamente o por lotes de datos de prospectos. En esta vez, se requerir una interaccin con cada persona para que conteste cualitativamente su rendimiento acadmico en el colegio, ver Figura 10, para predecirle una perspectiva de rendimiento acadmico al terminar su carrera y de ese modo prestarle una atencin especial para disminuir la tasa de desercin. Conclusiones

[1] M. Bohanec, Decision Making: A Computer1 Science and Information-Technology ViewPoint, Interdisciplinary Description of Complex Systems, pp. 22-23, 9 Diciembre 2009. [2] V. P. Bresfelean, Data Mining Applications in Higher Education and Academic Intelligence Management, 25 June 2008. [En lnea]. Available: http://mpra.ub.unimuenchen.de/21235/. [ltimo acceso: 14 October 2011]. [3] M. Bohanec, DEXi: Program for Multi-Attribute Decision Making, 16 March 2011. [En lnea]. Available: http://kt.ijs.si/MarkoBohanec/dexi.html. [ltimo acceso: 21 December 2011]. [4] E. Jereb, U. Rajkovic y V. Rajkovic, A Hierarchical Multi-Attribute System Approach to Personnel Selection, International Journal of Selection and Assessment, vol. 13, n 3, pp. 198205, September 2005. [5] M. Bohanec, videolectures.net, 23 May 2007. [En lnea]. Available: http://videolectures.net/mps07_bohanec_stds/. [ltimo acceso: 12 January 2012]. [6] Ministerio de Educacin del Per, Per Ministerio de Educacin, 2011. [En lnea]. Available: http://www.minedu.gob.pe/. [ltimo acceso: 16 January 2012]. [7] UNIVERSIDAD PRIVADA ANTENOR ORREGO, UPAO, Imagen Institucional UPAO, 2012. [En lnea]. Available: http://www.upao.edu.pe/facultades/index.aspx?m od=mod_esc&e=ICSI. [ltimo acceso: 12

February 2012]. e-mail: elmer.gonzalez@fulbrightmail.org

Apndice:

Figura 11. rbol de Atributos