III International Scientific Conference "Challenges of Education 2023"

Predictive Modeling for School Attendance Prevention Using Machine Learning: A Focus on Innovation in Education

Non-attendance triggers adverse effects on students' academic performance and development. This study presents an innovative recommendation model based on machine learning to address this problem. The purpose is to anticipate key factors of non-attendance and provide preventive recommendations. Utilizing "Research in Design Science," we designed and rigorously evaluated this model. Data collection was combined with predictive processing and modeling to discern patterns and trends associated with truancy. These guidelines enabled the generation of personalized recommendations by reinforcing educational action. The efficacy of the model was evaluated through the Hamming distance metric, employing various machine learning algorithms such as neural networks, decision trees, random forests, and logistic regression. Outstanding results were obtained with the implementation of neural networks, validating the strength of the proposed approach. It is crucial to stress that this project not only proposes an effective solution to a persistent problem but also demonstrates how the integration of machine learning techniques in education can have a positive impact on informed decision-making and the implementation of preventive measures. However, we recognize the need to address ethical and generalization considerations when implementing the model in diverse educational settings. Our project demonstrates that the application of machine learning techniques in preventing school absences can catalyze informed decisions and the implementation of preventive measures, with a positive impact on the educational community.

La inasistencia escolar desencadena efectos adversos en el rendimiento académico y el desarrollo de los estudiantes. Este estudio presenta un modelo innovador de recomendación basado en aprendizaje automático para abordar esta problemática. El propósito es anticipar factores clave de inasistencia y brindar recomendaciones preventivas. Utilizando "Investigación en Ciencia del Diseño", hemos concebido y evaluado rigurosamente dicho modelo. La recopilación de datos se combinó con el procesamiento y modelado predictivo para discernir patrones y tendencias asociadas con la inasistencia escolar. Estas pautas permitieron generar recomendaciones personalizadas fortaleciendo la acción educativa. La eficacia del modelo se evaluó a través de la métrica de la distancia de Hamming, utilizando diversos algoritmos de aprendizaje automático, como redes neuronales, árboles de decisión, bosques aleatorios y regresión logística. Los resultados sobresalientes se obtuvieron con la implementación de redes neuronales, lo que valida la solidez del enfoque propuesto. Es crucial destacar que este proyecto no solo propone una solución efectiva para un problema persistente, sino que también demuestra cómo la integración de técnicas de aprendizaje automático en la educación puede generar un impacto positivo en la toma de decisiones informadas y en la implementación de medidas preventivas. No obstante, reconocemos la necesidad de abordar consideraciones éticas y de generalización al implementar el modelo en entornos educativos diversos. Nuestro proyecto demuestra que la aplicación de técnicas de aprendizaje automático en la prevención de la inasistencia escolar puede catalizar decisiones informadas y la implementación de medidas preventivas, con un impacto positivo en la comunidad educativa.