Los grupos de investigación WSSC y TIDE (unidad de investigación TESI) de la UPF han estudiado los efectos de la carga de trabajo de los estudiantes de primer año de grado en la tasa de abandono. El trabajo ha sido presentado en el congreso internacional de Inteligencia Artificial en Educación, donde estuvo entre los nominados a mejor artículo.

La investigación evalúa el riesgo de abandono temprano en los estudios de grado utilizando métodos de inferencia causal y centrándose en grupos de estudiantes que tienen un riesgo de abandono relativamente mayor. En el estudio se consideran todos los estudios de grado de las ocho facultades/escuelas de la UPF.

El estudio aplica métodos de aprendizaje automático para predecir la deserción universitaria y el bajo rendimiento. El estudio ha encontrado que entre los factores importantes de abandono sobre los cuales los estudiantes de primer año tienen cierto control, la carga de trabajo del primer año (es decir, la cantidad de créditos cursados) es clave. Además, el estudio determina el efecto de asumir una carga de trabajo relativamente más ligera en el primer año sobre el riesgo de abandono mediante métodos de inferencia causal. Los resultados muestran que una reducción en la carga de trabajo reduce el riesgo de abandono.

Karimi-Haghighi, M., Castillo, C., Hernández-Leo, D. (2022). A Causal Inference Study on the Effects of First Year Workload on the Dropout Rate of Undergraduates. In: Rodrigo, M.M., Matsuda, N., Cristea, A.I., Dimitrova, V. (eds) Artificial Intelligence in Education. AIED 2022. Lecture Notes in Computer Science, vol 13355. Springer, Cham. https://doi.org/10.1007/978-3-031-11644-5_2 Best paper nominee