Segmentación de Estudiantes Universitarios mediante Análisis de Conglomerados para la Implementación de Estrategias Educativas Personalizadas - Perez de Vargas Belmonte, Belen

Abstract

En el contexto actual cambiante donde las universidades enfrentan desafíos como la diversidad de perfiles estudiantiles y la presión por mejorar las tasas de éxito, el análisis avanzado de datos se convierte en una herramienta esencial para mantenerse actualizadas. Por tanto, las instituciones de educación superior enfrentan el reto de adaptar sus estrategias a las necesidades reales de sus alumnos. Este Trabajo de Fin de Grado surge de dicha necesidad y propone la aplicación de técnicas de análisis de datos para segmentar a los estudiantes en perfiles homogéneos, permitiendo así el diseño de estrategias educativas personalizadas. La investigación cobra especial relevancia debido a la propia experiencia del autor como estudiante universitario, directamente implicado en la problemática abordada. El principal objetivo del trabajo ha sido identificar grupos diferenciados de estudiantes a partir de variables académicas, con el fin de proponer acciones específicas para cada perfil. Para ello, se ha utilizado una metodología basada en el Análisis de Componentes Principales para reducir la dimensionalidad de las variables, seguida de la aplicación del algoritmo K-Means como técnica de Análisis de Conglomerados. El número óptimo de agrupaciones se ha determinado analizando el método del codo, el índice de silueta y el análisis de dendrogramas, estableciéndose finalmente una solución de cuatro grupos bien definidos. Los resultados han permitido la propuesta de estrategias de enseñanza bien diferenciadas para cada conglomerado, con el objetivo de mejorar la retención, el acompañamiento del estudiante a lo largo de su grado universitario y el rendimiento. El estudio concluye con una reflexión sobre el valor institucional de la analítica educativa, así como recomendaciones y posibles líneas futuras de investigación.

In today's changing context where universities face challenges such as the diversity of student profiles and the pressure to improve success rates, advanced data analysis becomes an essential tool to stay updated. Therefore, higher education institutions face the challenge of adapting their strategies to the real needs of their students. This Final Project arises from this need and proposes the application of data analysis techniques to segment students into homogeneous profiles, thus allowing the design of personalized educational strategies. The research is particularly relevant due to the author's own experience as a university student, directly involved in the problems addressed. The main objective of the project has been to identify differentiated groups of students based on academic variables, in order to propose specific actions for each profile. For this purpose, a methodology based on Principal Component Analysis has been used to reduce the dimensionality of the data, followed by the application of the K-Means algorithm as a cluster analysis technique. The optimal number of clusters has been determined using the elbow method, the silhouette index and dendrogram analysis, finally establishing a solution of four well-defined groups. The results have allowed the proposal of well-differentiated teaching strategies for each cluster, with the objective of improving retention, student accompaniment throughout their university degree and final performance. The study concludes with a reflection on the institutional value of educational analytics, as well as recommendations and possible future lines of research.