Model for Curriculum Analysis Based on Process and Data Mining
DOI:
https://doi.org/10.56294/saludcyt20251494Keywords:
Process mining, curriculum management, data analyticsAbstract
The article addressed the importance of curricular aspects in academic management, highlighting its role in learning and optimizing the curriculum. Student performance was analyzed by studying enrollment, academic progress and risk factors such as dropout, poor performance and failure of subjects. The application of process mining and data analysis made it possible to identify hidden patterns, facilitating pedagogical interventions to improve educational quality.
Key concepts were defined, differentiating between curricular management and data analysis. At the curricular level, successful graduation, student dropout, and strategic curriculum planning were detailed. Regarding data management, predictive analytics was highlighted as a tool for decision-making in higher education.
The study used a quantitative approach, structured in three phases: exploration, design and validation. In the exploratory phase, previous studies on graduation, curricular management and dropout were reviewed. During the design phase, process mining techniques were integrated to evaluate the student trajectory and detect bottlenecks. Finally, in the validation phase, the model was applied in an academic program, demonstrating its effectiveness in detecting curricular problems.
The results indicated that the CRISP-DM methodology was the most used in educational data mining, providing a structured framework for the identification and resolution of academic problems.
Keywords: Process mining, curriculum management, data analytics.
References
1. Quiñones Huatangari L, Jara DM, Alvarado N, Milla ME, Gamarra OA. Modelo para la estimación de la deserción estudiantil Awajún y Wampis empleando minería de datos. Rev Cienc Tecnol. 27 de noviembre de 2020;(34):45-50.
2. Aguirre Mayorga HS, Rincón García N. Minería de procesos: desarrollo, aplicaciones y factores críticos. Cuad Adm [Internet]. 26 de noviembre de 2015 [citado 4 de marzo de 2025];28(50). Disponible en: http://revistas.javeriana.edu.co/index.php/cuadernos_admon/article/view/14233
3. Treviño-Reyes R, Rivera-Rodríguez FS, Garza-Alonso JA. La analítica de datos como ventaja competitiva en las organizaciones. Vinculatégica EFAN. 18 de diciembre de 2020;6(2):1063-74.
4. 11 ideas clave: cómo aprender y enseñar competencias. 1a edición: septiembre 2007. Barcelona: Graó; 2007.
5. Completing College: Rethinking Institutional Action by Vincent Tinto.
6. Villegas BR, Núñez Lira LA. Factores asociados a la deserción estudiantil en el ámbito universitario. Una revisión sistemática 2018-2023. RIDE Rev Iberoam Para Investig El Desarro Educ [Internet]. 27 de mayo de 2024 [citado 4 de marzo de 2025];14(28). Disponible en: https://www.ride.org.mx/index.php/RIDE/article/view/1923
7. Novoa CAB. Investigación cuantitativa.
8. Aguilera Arévalo HE, Ramírez Contreras MG. Reproducibilidad, Replicación y Prácticas de Investigación Cuestionables en Estudios de Repositorios de Tesis de Maestría y Doctorado en México y Guatemala. Rev Académica CUNZAC. 5 de febrero de 2022;5(1):71-80.
9. Gorla DE. Reproducibilidad y replicabilidad en la investigación en ciencias naturales: ¿Hay una crisis?
10. Astin AW. Student Involvement: A Developmental Theory for Higher Education. octubre de 1999;VOL 40 NO 5:VOL 40 NO 5.
11. Fullan DM. INVESTIGACIÓN SOBRE EL CAMBIO EDUCATIVO: PRESENTE Y FUTURO. Revista Mexicana de Investigación Educativa. diciembre de 2010;15(núm. 47):1145.
12. Chiarino N, Rodríguez Enríquez C, Curione K, Machado A, Bonilla M, Aspirot L, et al. Abandono y permanencia estudiantil en universidades de Latinoamérica y el Caribe: Una revisión sistemática mixta. Actual Investig En Educ. 1 de mayo de 2024;24(2):1-37.
13. Schröer C, Kruse F, Gómez JM. A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Comput Sci. 2021;181:526-34.
14. Bird K. Predictive Analytics in Higher Education: The Promises and Challenges of Using Machine Learning to Improve Student Success. AIR Prof File [Internet]. 20 de diciembre de 2023 [citado 4 de marzo de 2025];(Fall 2023). Disponible en: https://www.airweb.org/publication/Article-161
15. Abdullah MA. SISTEM PEMBETUNGAN TERPUSAT: STRATEGI MELESTARIKAN PENGURUSAN KUMBAHAN. Environ Manage. 2001;
16. Kuz A, Morales R. Ciencia de Datos Educativos y aprendizaje automático: un caso de estudio sobre la deserción estudiantil universitaria en México. Educ Knowl Soc EKS. 26 de junio de 2023;24:e30080.
17. Ríos ZGD, Carrillo LCM, Rodríguez NCR. Territorios nómadas: nuevos lenguajes y subjetividades. Una experiencia sobre el lenguaje juvenil e infantil en la escuela. P .
18. Hurtado S, Suaza C, Aguilar J, Suescún E. Ciclo Autonómico de Análisis de Datos aplicado en la.
Published
Issue
Section
License
Copyright (c) 2025 Juan Camilo Herrera Franco , Darío Enrique Soto Duran , Aixa Eileen Villamizar Jaimes (Author)
This work is licensed under a Creative Commons Attribution 4.0 International License.
The article is distributed under the Creative Commons Attribution 4.0 License. Unless otherwise stated, associated published material is distributed under the same licence.
