Modelado laboral de los egresados de la Facultad de Ciencias Informáticas de la Universidad Técnica de Manabí (Ecuador)

• Juan C. Cevallos ^[1] ; Martha C. Escobar ^[1] ; Jessenea E. Falcones ^[1] ; Wilson J. Cevallos ^[1]
  1. [1] Universidad Técnica de Manabí

     Universidad Técnica de Manabí

     Portoviejo, Ecuador

     
• Localización: Información tecnológica, ISSN-e 0718-0764, ISSN 0716-8756, Vol. 32, Nº. 6 (Diciembre), 2021, págs. 111-122
• Idioma: español
• Títulos paralelos:
  • Modeling of the labor market for graduates of the Faculty of Computer Science at the Technical University of Manabi (Ecuador)
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El objetivo de este estudio fue desarrollar un modelo de minería de datos para identificar patrones de empleabilidad de egresados, que contribuya a mejorar la tasa de inserción laboral afín a la formación profesional. Este estudio responde a la preocupación por la empleabilidad de profesionales. Se utilizó la metodología KDD (Knowledge Discovery in Databases) por etapas definidas y simplificadas, algoritmos y técnicas de árboles de decisión, redes neuronales y regresión para determinar la interacción de los egresados en un entorno laboral. Se identificó el algoritmo red neuronal que se ajustaba para resolver la problemática por exactitud, precisión, sensibilidad, tiempo de ejecución, rendimiento y facilidad para interpretación de datos y resultados del modelo generado. Se concluye que las variables predictoras significantes son: 1) uso de conocimientos y habilidades en su trabajo actual, 2) el año de graduación y si buscó trabajo al término de su carrera, y 3) labora actualmente (variable dependiente).

  • English

    The main objective of the present study was to develop a data mining model to identify employability patterns of graduates. The model aims to improve job placement rate related to vocational training. This study is in response to concerns about employability of professionals. The KDD (Knowledge Discovery in Databases) methodology was used with defined and simplified stages, algorithms, decision tree techniques, neural networks, and regressions to determine the interaction of graduates in the work environment. The neural network algorithm was adjusted for accuracy, precision, sensitivity, execution time, performance, and data and results interpretation for the generated model. In conclusion, the significant predictor variables were: 1) use of knowledge and skills in the current job, 2) the graduation year and if graduates searched for jobs after graduation, and 3) currently employed (dependent variable).