978-1-5386-3057-0/17/$31.00 ©2017 IEEE

Abstract— Typologies of college graduates of the Faculty

of Exact, Physical and Natural Sciences (FCEFN) of the National University of San Juan, which have relevance in their academic performance and in the academic quality of the faculty were established. For that purpose we worked with college graduates of year 2014, by applying two data analysis approaches: the classical and the symbolic one. For the first approach, Multidimensional Data Analysis techniques which allow for a classification of the responses by means of the Multiple Correspondence Factor Analysis and subsequent Cluster Analysis were employed, by using SpaD-N software. For the second one, the concept and the creation of objects and symbolic tables were introduced and by using the SODAS (Symbolic Official Data Analysis System) software, exhaustive descriptions of the college graduates were obtained from each Academic Degree Unit of the Faculty.

Index Terms— Statistical Data Analysis, Higher Education, Graduates, Methods of Statistical Analysis.

I. INTRODUCCIÓN

L egresado universitario debe resolver de manera adecuada y oportuna los problemas, requerimientos y

necesidades del entorno, y así cumplir efectivamente con el principal encargo que la sociedad ha otorgado a la Universidad: formar ciudadanos con capacidad para tomar acertadas y apropiadas decisiones, construir una sociedad democrática, desarrollar conocimientos científicos y tecnológicos y ponerlos al servicio del país. La formación de profesionales competentes para el desempeño calificado, integral y ético es fundamental en el proceso de desarrollo nacional de cualquier país. La enseñanza superior actúa como agente que facilita el acceso a mayores oportunidades laborales cuando proporciona una formación completa y adecuada a las necesidades del egresado. De este modo se cumpliría con el requerimiento de la UNESCO

M.B.Herrera: Instituto de Informática, Fac. Ciencias Exactas, Físicas y

Naturales de la UNSJ, Argentina. E-mail: myriamhrrr@gmail.com. L.A.Mallea: Departamento de Matemática, Fac. Filosofía, Humanidades y

Artes de la UNSJ, Argentina. E-mail: lamallea@gmail.com. E.Torres: Departamento de Informática, Fac. Ciencias Exactas, Físicas y

Naturales de la UNSJ, Argentina. E-mail: etorres271@gmail.com.

que recomienda “la educación superior universitaria debe responder y anticiparse a las necesidades sociales, incluyendo la promoción de la investigación para el desarrollo, uso de las nuevas tecnologías y la garantía de la formación técnica y vocacional para emprendedores, para la educación a lo largo de toda la vida”.

Además el egresado es una fuente importante de retroalimentación, ya que permite a la Universidad conocer dónde y cómo está ubicado, su rol social y económico y la forma de reflejar los valores adquiridos durante su formación académica [1], aspectos a tener en cuenta respecto de la pertinencia de los programas y currículos de la Universidad Nacional de San Juan (UNSJ).

En la compilación presentada en [2] se sostiene que en los estudios sobre graduados universitarios se debe tener en cuenta cómo éstos perciben, retrospectivamente, las condiciones en que se desarrollaron sus estudios y lo que les aportaron. De esta forma, facilitan a las universidades una valiosa información sobre sus ideas y actuaciones vistas a la luz de la experiencia profesional. Además, son necesarios para poder analizar en qué sentido la enseñanza superior “es importante”; se puede determinar en qué medida las condiciones y provisiones concretas de cada institución universitaria y programa de estudios inciden en el empleo y en el trabajo de sus graduados.

Es de gran interés conocer las características sociales y culturales de los egresados universitarios pues este conocimiento es fundamental, tanto para la gestión académica como para las investigaciones que refieren a la Universidad como objeto de estudio. Siguiendo este propósito, en este trabajo, se determinan perfiles del egresado, a partir de la encuesta SIU-Kolla al recién graduado. Teniendo en cuenta que el diccionario de la Real Academia de la lengua define perfil como el "Conjunto de rasgos peculiares que caracterizan a alguien o algo", el perfil del egresado está conformado por aquellas características que se obtienen y las que se supone tendrían que estar desarrolladas en él, al concluir su proceso de aprendizaje. Los resultados de este estudio se pueden incorporar

I.F.Millán: Departamento de Informática, Fac. Ciencias Exactas, Físicas y Naturales de la UNSJ, Argentina. E-mail: flavia.millan@gmail.com.

M.I.Lund: Instituto de Informática, Fac. Ciencias Exactas, Físicas y Naturales de la UNSJ, Argentina. E-mail: mlund@iinfo.unsj.edu.ar.

Features of the recent college graduate of the Faculty of Exact, Physical and Natural Sciences

of the National University of San Juan

Myriam Beatriz Herrera, Lilian Adriana Mallea, Estela Torres, Ilda Flavia Millán, María Inés Lund, Universidad Nacional de San Juan

E

978-1-5386-3057-0/17/$31.00 ©2017 IEEE

como un insumo para la planeación de políticas tendientes a mejorar la eficiencia del servicio educativo que ofrece la institución.

Por todo lo expresado, es necesario desarrollar indicadores de calidad que reflejen, no sólo la contribución de la universidad al proceso de enseñanza-aprendizaje, sino también factores pertenecientes exclusivamente al ámbito del graduado, como el entorno socio-económico o el comportamiento en su inserción al mercado laboral. Se presenta a continuación los resultados del análisis de la encuesta SIU-Kolla al recién graduado, a fin de poder reflexionar, analizar y desarrollar estrategias político-pedagógicas que coadyuven en el ingreso, permanencia y egreso de los estudiantes. Los análisis que se han llevado a cabo en el presente trabajo son de tipo exploratorio, no inferencial, con el fin de mostrar una metodología óptima para el tratamiento clásico de estos datos y en forma complementaria, este nuevo enfoque de objeto simbólico.

Dicha encuesta, al no ser obligatoria, fue únicamente respondida por 61 de los 130 egresados de la Facultad de Ciencias Exactas, Físicas y Naturales (FCEFN) que gestionaron su título en el año 2014. La finalidad es indagar sobre la imagen que el graduado tiene de la universidad pública, la valoración que realiza sobre distintos aspectos de su carrera (planes de estudio, bibliotecas, docentes, alumnos, instalaciones), su condición laboral actual, sus expectativas laborales y el deseo de continuar el contacto con la universidad a través de cursos de formación continua. La tipología se determina a través de herramientas que se encuadran en dos enfoques del análisis de datos: clásico y simbólico. Del primero se emplean técnicas del Análisis Multidimensional de Datos (AMD), que permiten una clasificación de las respuestas mediante el Análisis Factorial de Correspondencias Múltiples (AFCM) y posterior Análisis de Clúster (AC), usando el software SpaD-N. y, con el fin de realizar un enfoque simbólico de datos, se introduce el concepto y la creación de objetos y tablas simbólicas. Posteriormente, utilizando el software SODAS (Symbolic Official Data Analysis System), se obtienen descripciones exhaustivas de los egresados, por unidad académica de la facultad.

II. METODOLOGÍA

Como el propósito esencial es caracterizar el perfil del recién graduado de la FCEFN (año 2014), en principio se realizó un estudio exploratorio unidimensional de los datos. En él se advierte una evidente asociación entre las variables tratadas por lo cual se hace necesario la aplicación de técnicas del análisis multivariado.

En el Análisis de datos clásico, los datos proceden de observaciones únicas, de determinadas variables sobre individuos únicos. Pero cuando los elementos de interés son clases o grupos de algún tipo, como en este caso, grupo de egresados por Departamento de la FCEFN, hay variabilidad inherente en los datos. Reducir esta variabilidad mediante medidas de tendencia central lleva obviamente a una pérdida de información importante.

Los datos simbólicos, introducidos por E. Diday en los ochenta, proporcionan un marco que permite representar datos

con variabilidad mediante nuevos tipos de variables. Estos datos se pueden representar usando los arreglos usuales en forma de matrices, pero en los cuales los elementos de cada celda no son valores numéricos reales individuales, como es usual, sino conjuntos finitos de valores, intervalos o, de forma más general, distribuciones. En el caso de éste trabajo, las variables involucradas en el análisis son de tipo categórica, lo que da origen a variables simbólicas denominadas modales. Esto fundamenta el aporte de la teoría simbólica de datos, respecto de la clásica.

El AMD en la versión de la escuela francesa, surge en la década de los 70. Su objetivo general es la búsqueda de una estructura presente en los datos, en un contexto de tipo más inductivo que deductivo, que revaloriza el rol del individuo. Su naturaleza, fundamentalmente descriptiva y el acercamiento geométrico asignan un rol muy importante a las representaciones gráficas, sobre todo en una etapa exploratoria. En el campo de las Ciencias Sociales, este enfoque se revela como la opción ideal para el procesamiento de la información que, en la generalidad de los casos, es rica en categorías y no en continuos, de naturaleza ambigua, con grandes dificultades de diseño.

Una herramienta del AMD es el AFCM que permite estudiar una población de individuos descritos por varias variables cualitativas cuyos valores se denominan modalidades de la variable. Una de las aplicaciones más corrientes del AFCM es el tratamiento del conjunto de respuestas a una encuesta. Cada pregunta constituye una variable cuyas modalidades son las respuestas propuestas. El presente estudio ilustra una situación muy corriente: las variables definidas sobre un conjunto de individuos (en este caso egresados). La encuesta SIU-Kolla al recién graduado cuenta con más de setenta variables de naturaleza categórica. Entre ellas se encuentran las que se usaron para el AFCM que son las que miden el grado de satisfacción. Es por ello que con estos factores luego se hizo un Clustering que permitió obtener los tres grupos, que abarcan el grado de satisfacción de su paso por la universidad, de más a menos "satisfechos".

Una vez que se obtuvieron los factores que concentran la mayor proporción de inercia se aplicó un AC usando el software SpaD-N. Este análisis es un método estadístico multivariado de clasificación no supervisada que trata, a partir de una tabla de datos (individuos-variables), situar a los individuos en grupos homogéneos o conglomerados, de manera que los que se consideren similares sean asignados a un mismo clúster o grupo. AC es una técnica de clasificación post hoc pues el número de clúster no es conocido de antemano y los grupos se crean en función de la naturaleza de los datos.

III. DESARROLLO CLÁSICO

A. Análisis multidimensional de datos

En primer lugar se analizaron las variables de la encuesta, con el objeto de explorarlas y describirlas. Las carreras que se ofrecen en la FCEFN se agruparon en el presente estudio conforme a las unidades académicas de grado (Departamentos y la Escuela de Ciencias de la Salud) que forman parte de la

978-1-5386-3057-0/17/$31.00 ©2017 IEEE

institución, de la siguiente manera: 1. Dpto de Geofísica y Astronomía (DGA): Licenciatura

en Astronomía, Licenciatura en Geofísica. 2. Dpto de Biología (DB): Licenciatura en Biología,

Técnico Universitario en Biología. 3. Dpto de Geología (DG): Licenciatura en Ciencias

Geológicas, Doctorado en Ciencias Geológicas. 4. Dpto de Informática (DI): Licenciatura en Sistemas de

Información, Técnico Univ. en Sistemas de Información, Licenciatura en Ciencias de la Computación, Técnico Univ. en Programación.

5. Escuela de Ciencias de la Salud (ECS): Tecnicatura Universitaria en Enfermería.

La distribución de los egresados es: 6,6% corresponden al DGA, 18% al DG, 18% a la ECS, 21,3% al DI y 36,1% al DB.

Entre los graduados de la FCEFN de la UNSJ predominan las mujeres (63,9%); de éstas el 48,7% provienen de carreras del DB; el 17,9% de la ECS, el 15,4% del DI, 12,8% del DG y el 5,1% del DGA. Sin embargo los varones (36,1%) se distribuyen con un 31,8% en DI, el 27,3% en DG, el 18,2% ECS, 13,6 % en DB y 9,1% en DGA.

Numerosos trabajos de investigación han estudiado la incidencia del género vinculado a niveles de desempeño o rendimiento académico en la universidad. En Argentina, [3] estudiaron la transición de los estudiantes universitarios entre su ingreso a la universidad y la salida por graduación o abandono; dicha investigación concluye que: “las mujeres tienen un rendimiento superior a los varones, que ser argentino, no soltero, haber concurrido a un escuela de enseñanza media privada, haberse mudado para asistir a la universidad, tener padres con mayor instrucción, o destinar más horas al estudio son elementos también asociados a resultados superiores”. Los resultados obtenidos en el presente trabajo concuerdan con estas afirmaciones. Soria y Zúñiga [4] encontraron una relación directa con el rendimiento de los alumnos, siendo las mujeres quienes obtienen un mayor promedio.

Entre las principales determinantes del rendimiento académico, se encuentran los factores individuales y del entorno familiar, centralmente vinculados con el capital cultural y social de los estudiantes (especialmente, la formación académica previa y la educación de los padres), el género (mejor rendimiento de las mujeres) y la actividad económica de los alumnos [5].

Las investigaciones de Giovagnoli [6] encuentran que “una mayor instrucción en los padres reduce el riesgo de deserción del alumno e incrementa sus probabilidades de graduarse”. En [3] sostienen que la educación de la madre tiene un impacto positivo con vinculación al rendimiento académico de sus hijos. En el presente estudio, el 13,1% de los padres y de las madres de los graduados tienen formación universitaria completa, el 24,6% de las madres y el 6,6% de los padres tienen formación terciaria completa, lo que sugiere concluir que las madres de los egresados, en este estudio, han logrado acceder a mayores niveles educativos.

Si bien un alto porcentaje de padres y madres han concluido la educación secundaria (26,23% de padres y 11,48% de madres), es medianamente grande el porcentaje de los que

tienen secundario incompleto, o escolaridad primaria completa e incompleta (42,62% de padres y 39,34% de madres), lo cual permite inferir que esta generación de egresados ha logrado un salto cualitativo en el ámbito de la formación con relación a sus progenitores. Este resultado es altamente coincidente con las políticas de inclusión y acceso que promueve la FCEFN.

Según los datos obtenidos, la mayoría de los alumnos trabaja al momento de graduarse (82%) y un porcentaje importante de los que trabajan lo hacen en relación con su reciente formación (70,5%). El grueso de los jóvenes profesionales se muestra expectante con respecto al futuro laboral de los próximos meses, el 16,4% busca y cree que encontrará trabajo y un 19,7% cree que encontrará un trabajo mejor que el actual, mientras que el 54,1% seguirá con su trabajo actual. Además el 31,1% respondió que eligió estudiar en la UNSJ porque es la única institución que dictaba la carrera, mientras que el 18% lo hizo por su prestigio académico. Entre los motivos por los cuales los graduados eligen su carrera universitaria, los más mencionados fueron: una clara vocación (32,8%) y desarrollo profesional (21,3%). Estas razones enlazarían la posibilidad de acceso al mundo laboral con el gusto por la carrera y las posibilidades que ésta permite para, en un futuro, trabajar con gozo y estar satisfecho con la actividad laboral realizada.

Entre las Competencias valoradas y requeridas de los egresados que demanda el mercado de trabajo (empleadores) se destacan: “Capacidad para trabajar en equipo” que constituye un 24,6%, seguido por “Las habilidades adquiridas” con un 23% y "Capacidad de resolver problemas" que representa el 21,3%., porcentajes que se muestran en la Tabla 1.

TABLA 1 COMPETENCIAS VALORADAS Y REQUERIDAS

Competencias Frec Porc.

No responde 2 3,3

Capacidad trabajar en equipo 15 24,6

Habilidades adquiridas 14 23,0

Habilidades de organización 1 1,6

Uso técnicas informáticas 2 3,3

Capacidad de decisión 2 3,3

Expectativas de ascender rápidamente 1 1,6

Capacidad adecuación fines empresariales 2 3,3

Flexibilidad y adaptación al cambio 7 11,5

Capacidad de resolver problemas 13 21,3

Otras 2 3,3

Total 61 100

Un aspecto sobresaliente es que, tras haber finalizado los

estudios en la FCEFN, el 72,13% afirma estar totalmente acuerdo o de acuerdo en cuanto a que los contenidos aprendidos cumplieron con sus expectativas; el 73,77% está totalmente de acuerdo o de acuerdo en relación a que los contenidos fueron interesantes; un 65,58% sostiene que el nivel de exigencia de la carrera es elevado o muy elevado; y un 54,1% manifiesta que el plan de estudios debería ser más técnico.

En dirección positiva se sitúa la opinión de los graduados (respuestas Bueno o Muy Bueno) vinculada a los servicios prestados por la facultad: Aulas: 78,7%, Biblioteca: 98,3%, Laboratorio: 52,5%, Administración: 70,5% y la relación con

978-1-5386-3057-0/17/$31.00 ©2017 IEEE

sus pares (Alumnos): 96,8%. Los datos obtenidos respecto a futuros estudios de posgrado

constatan que el 85,25% de los graduados piensa seguir estudiando, de ellos la mayoría (31,15%) optaría por el doctorado, seguida por especialización y maestría (26,23% y 14,75% respectivamente). El 24,59% espera realizar su posgrado en otras universidades del país, el 19,67% en la misma institución que los formó académicamente (FCEFN-UNSJ), 16,39% en otra unidad académica de la UNSJ, mientras que el 4,92% piensa realizarlo en el extranjero. En relación a aquellos que esperan continuar sus estudios en otra universidad o en el extranjero, el 44,44% lo hará porque cree que ampliará sus horizontes y el 33,33% indican que la razón es que la carrera de posgrado deseada no se dicta en la UNSJ.

El 95,08% de los encuestados volvería a estudiar en una universidad pública, de ellos el 70,49% lo haría en la UNSJ y el 24,59 lo haría en otra universidad pública. Los datos revelan que el 70,49% de los graduados está interesado en seguir perfeccionándose a través de cursos de formación continua.

En cuanto a los aspectos que los graduados más apreciaron de la carrera que estudiaron se destacan: relaciones de compañerismo 29,51%, el 19,67% pondera el nivel académico y el 16,39% el clima que se vive en la universidad.

A continuación se presenta Tabla 2, con las variables evaluadas, las modalidades y el porcentaje de cada una de ellas.

TABLA 2 PESO DE LAS VARIABLES ANALIZADAS EN LOS EGRESADOS

Variable Modalidad Frec. Porc.

Egresados por

Unidad

Académica

(Departamentos)

Departamento de Geofísica y

Astronomía

4 6,56

Departamento de Biología 22 36,06

Departamento de Geología 11 18,03

Departamento de Informática 13 21,32

Escuela de Ciencias de la

Salud

11 18,03

Sexo Mujer 39 63,94

Hombre 22 36,06

Nivel Educa- No responde 2 3,28

tivo del padre Universitario completo 8 13,11

Universitario incompleto 5 8,2

Terciario completo 4 6,56

Terciario incompleto 0 0

Secundario completo 16 26,22

Secundario incompleto 8 13,11

Primario completo 15 24,59

Primario incompleto 3 4,93

Nivel Educ. No responde 1 1,64

de la madre Universitario completo 8 13,11

Universitario incompleto 5 8,2

Terciario completo 15 24,59

Terciario incompleto 1 1,64

Secundario completo 7 11,47

Secundario incompleto 8 13,11

Primario completo 12 19,68

Primario incompleto 4 6,56

Situación No responde 1 1,64

Laboral Trabaja en relación con la 43 70,49

profesión

Trabaja sin relación con la

profesión

7 11,47

No trabaja 10 16,4

Expectativas No responde 2 3,28

Laborales Seguiré con el trabajo actual 33 54,1

Encontraré trabajo mejor 12 19,67

Seguiré estudiando sin trabajar 3 4,93

Busco y creo no encontraré

trabajo

10 16,38

Busco y no creo encontrar

trabajo

1 1,64

Característi- No responde 2 3,28

cas Valoradas Capacidad trabajar en equipo 15 24,59

Habilidades adquiridas 14 22,95

Habilidades de organización 1 1,64

Uso técnicas informáticas 2 3,28

Capacidad de decisión 2 3,28

Expectativas de ascender

rápidamente

1 1,64

Capacidad adecuación fines

empresariales

2 3,28

Flexibilidad y adaptación al

cambio

7 11,47

Capacidad de resolver

problemas

13 21,31

Otras 2 3,28

Contenidos No responde 2 3,28

cumplieron Totalmente de acuerdo 3 4,93

con sus De acuerdo 41 67,2

expectativas Ni acuerdo ni desacuerdo 11 18,03

Desacuerdo 4 6,56

Contenidos No responde 1 1,64

interesantes Totalmente de acuerdo 14 22,95

De acuerdo 31 50,82

Ni acuerdo ni en desacuerdo 15 24,59

Desacuerdo 0 0

Nivel de No responde 1 1,64

exigencia de Totalmente elevado 3 4,93

la carrera Elevado 37 60,65

Ni elevado ni bajo 18 29,5

Bajo 2 3,28

Se desea plan No responde 8 13,11

más técnico Si 33 54,1

No 20 32,79

Estado No responde 0 0

de las Aulas Muy buena 42 68,85

Buena 17 27,87

Regular 1 1,64

Mala 0 0

Muy mala 1 1,64

Estado o No responde 0 0

Servicios de la Muy buena 34 55,74

Biblioteca Buena 26 42,62

Regular 1 1,64

Mala 0 0

Muy mala 0 0

Estado o No responde 8 13,11

Servicios del Muy buena 9 14,75

978-1-5386-3057-0/17/$31.00 ©2017 IEEE

Laboratorio Buena 23 37,7

Regular 17 27,87

Mala 3 4,93

Muy mala 1 1,64

Relación No responde 0 0

con sus pares Muy buena 42 68,85

(alumnos) Buena 17 27,87

Regular 1 1,64

Mala 0 0

Muy mala 1 1,64

Servicios de No responde 4 6,56

Administra- Muy buena 15 24,59

ción Buena 28 45,89

Regular 10 16,39

Mala 3 4,93

Muy mala 1 1,64

Expectativas No responde 2 3,28

por seguir Si 52 85,24

Estudiando No 0 0

No sabe 7 11,48

Estudios que No responde 10 16,39

continuarían 0tra carrera de grado 6 9,86

Especialización 16 26,23

Maestría 9 14,75

Doctorado 19 31,13

No sabe 1 1,64

Lugar donde No responde 12 19,67

continuarían Esta facultad 12 19,67

sus estudios Esta universidad 10 16,39

Otra universidad del país 15 24,59

Extranjero 3 4,93

No sabe 8 14,75

Motivos para No responde 43 70,5

estudiar en otra

Univer-

Carrera no se dicta en esta

universidad

7 11,47

sidad o en el Tiene beca en otra U. 1 1,64

Extranjero ampliará sus horizontes 10 16,39

Intención de No responde 3 4,93

continuar en

Univ. Pública

Si, en la misma universidad 43 70,48

Si, en otra universidad 15 24,59

Intención de No responde 16 26,23

cursos de F. Si 43 70,49

contínua No 2 3,28

Aspectos más No responde 4 6,56

apreciados de Nivel académico 12 19,67

la carrera Planes de estudio 2 3,28

Equipo de profesores 4 6,56

Compañerismo 18 29,51

Interés de la Univ. por la

inserción de egresados

2 3,28

Clima que se vive en la U. 10 16,39

Otros 9 14,75

IV. DESARROLLO DEL ANÁLISIS MULTIVARIADO Y

SIMBÓLICO

Posteriormente, se realizó una clasificación de las respuestas mediante AFCM [7] usando el software SpaD-N. Este análisis considera simultáneamente todas las respuestas de un individuo

y clasifica “perfiles de respuestas”, de manera tal que individuos en un mismo grupo muestran características más similares que aquellas correspondientes a individuos de distintos grupos. Esta técnica permite identificar las respuestas más comunes en cada uno de los grupos.

Al trabajar en el AFCM las variables incluidas fueron aquellas que, a través del análisis univariado, mostraron una distribución adecuada para reconocer grupos al momento de clasificar, como así también variables que revelaran características que hacen a la calidad institucional.

A continuación se presentan las Tablas 3, 4 y 5, en donde se visualizan las modalidades de respuestas compartidas, clasificadas en un mismo grupo con valores del estadístico del test superiores a 2 (en valor absoluto), que determina la importancia relativa de una respuesta. Se observan también los porcentajes de cada una de estas modalidades de respuesta en el grupo o clase conformada y en el total de la población para poner de manifiesto porqué los grupos obtenidos se han rotulado como: “Medianamente Satisfechos”, “Indecisos”, “Indiferentes”; reuniendo el 78,69%, 11,48% y el 9,847% de los egresados, respectivamente.

TABLA 3 GRUPO MEDIANAMENTE SATISFECHOS

Variable Lavel Caracteristic

Categories

% of

category in

group

% of

category

in set

Test-

value

Reconocim.a

Universidad

Satisfactoria

Satisfactoria

Buena

100,00* 83,61* 5,81

Percepc. de

reconocim de

sociedad a U.

75,00 63,93 3,10

Opinion S.

Administración 79,17 70,49 2,44

Group: CLUSTER 1 / 3 (Count: 48 - Percentage: 78.69)

En la Tabla 3, el 100% de los egresados que pertenecen al clúster opinan Satisfactoriamente respecto al reconocimiento a la UNSJ. El 83,61% del total de los encuestados opinaron satisfactoriamente en esta variable.

TABLA 4 GRUPO INDECISOS

Variable Lavel Caracteristic

Categories

% of

category in

group

% of

category

in set

Test-

value

Reconocim.a

Universidad

Ni satisfecho Ni

instatisfecho

Ni satisfecho Ni

instatisfecho

100,00* 11,48* 5,86

Percepc. de

reconocim de

sociedad a U.

100,00 11,48 5,86

Group: CLUSTER 2 / 3 (Count: 7 - Percentage: 11.48)

En la Tabla 4, el 100% de egresados que pertenecen a este grupo respondió ni satisfecho ni insatisfecho a la variable Reconocimiento a la Universidad. De todos los egresados, sólo el 11,48% respondió de esa manera.

978-1-5386-3057-0/17/$31.00 ©2017 IEEE

TABLA 5 GRUPO INDIFERENTES

Variable Lavel Caracteristic

Categories

% of

category in

group

% of

category

in set

Test-

value

Volvería a

estudiar en UP

No Responde

No Responde

No Responde

50,00

4,92

3,26

Percepción

reconoc de soc

hacia Univ

50,00

4,92

3,26

Reconoc.a

Universidad 50,00

4,92

3,26

Plan Estudio

más técnico

No Responde

66,67

13,11

2,91

Aspectos de la

U. que más

aprecia

No Responde

50,00

6,56

2,86

Opinión S.

Administración

No Responde

50,00

6,56

2,86

Plan Estudio

más generalista

No Responde

66,67

14,75

2,73

Group: CLUSTER 3 / 3 (Count: 6 - Percentage: 9.84)

En la Tabla 5, el 50% de los egresados que pertenecen a este grupo no respondieron a la variable Volvería a estudiar en una Universidad Pública. El 4,92% de todos los encuestados no respondió este ítem.

El grupo de egresados denominados “Medianamente Satisfechos”, corresponde al 78,69% de los graduados encuestados de la FCEFN y se caracteriza por reconocer satisfactoriamente a la UNSJ en primer término y sostienen que el Servicio de la parte administrativa de la Universidad es Buena. El Departamento de Alumnos es el área administrativa que centraliza la información de los estudiantes y donde ellos realizan los principales trámites referentes a su vida universitaria. Tiene como misión brindar el soporte de gestión e información administrativa necesaria a los alumnos.

El grupo denominado Indecisos reúne a un 11,48% del total de graduados. Sus integrantes también valoran positivamente su paso por la UNSJ pero lo hace de una manera más moderada que el grupo anterior.

Por último, el 9,84% de los graduados conforman la clase denominada Indiferentes por no contestar los enunciados en referencia a la universidad, en general.

Los valores obtenidos no han sido los esperados, una posible causa podría ser que no han sido muchos los egresados que respondieron la encuesta (61). Tener pocos datos influye en la obtención de grupos que no son lo suficientemente claros. Se puede afirmar que si no se conocen los problemas concretos no se podrán encontrar las soluciones adecuadas y aproximadas a la realidad. Por lo tanto es necesario generar más información para que la FCEFN pueda reformar propuestas, reforzar sus servicios y definir estrategias tendientes a la eficiencia educativa.

Entrado el siglo XXI el seguimiento de graduados se debe contemplar como una de las estrategias necesarias para el mejoramiento de la educación superior. Actualmente es de vital importancia para las universidades aumentar el grado de competencia de los graduados, incrementar su índice laboral y

de empleabilidad, como así también adaptar sus programas a las exigencias de este siglo. Esto será posible llevarlo adelante, entre otros aspectos, si se realiza un adecuado seguimiento de egresados. Este último ha de evaluar la eficiencia profesional en función de la formación recibida, la aceptación en el mercado laboral y la correspondencia entre las áreas de especialización y las necesidades del medio; ha de dar cuenta del cumplimiento de las funciones de la Universidad, es decir, determinar en qué medida se están alcanzando los fines de la educación y si los objetivos institucionales y curriculares se cumplen [1].

Por lo expresado precedentemente, es necesario estimular e impulsar este tipo de investigaciones que promueven un mejoramiento de la universidad. Mediante este tipo de análisis se conoce información relevante de los graduados que puede conducir a formular políticas de mejoramiento o direccionamiento institucional. El estudio de los egresados reviste importancia para las instituciones de educación superior como estrategia de evaluación y retroalimentación y además cumple una doble función: de autoconocimiento de la institución para realizar acciones de mejoramiento de la calidad académica y de apoyo para la apropiación de recursos orientados a impulsar proyectos que involucren a los egresados y mejoren la formación de nuevos profesionales.

A. Enfoque Simbólico de Datos: Creación de Objetos Simbólicos

Con el fin de hacer una descripción de todos los egresados a un nivel superior, en el sentido de no trabajar con el individuo sino con un grupo de ellos; se aplican técnicas de visualización del Análisis de Objetos Simbólico (OS) [8], [9]. Este método parte de una pregunta: ¿Por qué no se aprovechan en el procesamiento y análisis mismo, los valiosos conocimientos de los expertos? Estos objetos, que constituyen las filas de una matriz de datos en el Análisis de Datos Simbólicos, (ADS) permiten representar los individuos complejos o las clases de individuos a través de conjunciones de propiedades o de descriptores pudiendo tomar valores múltiples y ponderados (según diferentes semánticas) y están a veces relacionados entre ellos por relaciones de orden lógico.

Se plantea en la actualidad el desafío de representarlos por expresiones a la vez simbólicas y numéricas, saber manipularlos y utilizar estas expresiones a los fines de ayudar a decidir, de mejorar el análisis, de sintetizar y de organizar nuestra experiencia y nuestras observaciones respetando más acabadamente su complejidad.

Los objetos simbólicos (OS) son especies de átomos de conocimiento, comprenden un campo tan vasto como los conocimientos mismos [10], [11]. En la práctica los OS se plantean como nuevas unidades de análisis que pretenden resumir grandes cantidades de información almacenada en bases de datos relacionales y describir tanto individuos como grupos [12].

Los OS, en el presente trabajo, se han obtenido mediante el software SODAS, que provee muy buenas posibilidades de aplicación para la manipulación de tablas simbólicas. Se utilizó la base de datos obtenida al procesar la encuesta Kolla al recién graduado de la FCEFN de la UNSJ (año 2014). A partir de esa

978-1-5386-3057-0/17/$31.00 ©2017 IEEE

matriz de datos y definiendo como objetos simbólicos a la Escuela de Ciencias de la Salud y a los cuatro Departamentos de la FCEFN: Geofísica y Astronomía, Biología, Geología e Informática, se obtuvo una tabla simbólica cuya semántica utilizada es la de probabilidades basadas en la frecuencia.

B. Visualización de Objetos Simbólicos

La visualización de un objeto simbólico se hace mediante un gráfico llamado Zoom Star. Esta representación está basada en los diagramas de Kiviat donde cada eje representa una variable. En el mismo gráfico pueden representarse variables: categóricas, intervalo, con pesos, taxonomías, etc., sin sobrecargarlo. Hay dos tipos de representación, en 2D y 3D, que muestran diferentes niveles de detalle. La representación en 2D permite una impresión global del objeto, mientras que la 3D proporciona información más detallada. En 2D los ejes están unidos por una línea que conecta los valores más frecuentes de cada variable. Si hubiera un empate del valor más frecuente en varias modalidades, la línea uniría las dos. Cuando existe una variable intervalo la línea se une a los límites mínimo y máximo y el área entera se rellena [12].

Fig 1. Gráfico de Visualización 2D del OS del DGA.

El gráfico Zoom Star que se exhibe en la figura 1 informa que la mayoría de los egresados del DGA no buscan trabajo pero los que trabajan lo hacen con relación a lo que estudiaron. Eligieron la carrera por el desarrollo profesional y a la UNSJ por su cercanía con su domicilio. Calificaron como regular el laboratorio y su percepción acerca de la biblioteca, las aulas, la relación con sus pares (alumnos) de la facultad y la atención administrativa es Buena.

Analizando la figura 2, se puede afirmar que la mayoría de los egresados del DI buscan trabajo y los que trabajan lo hacen en relación a la carrera que estudiaron. Eligieron la carrera porque piensan que conseguirán trabajo y a la UNSJ por su cercanía. Calificaron como bueno al Laboratorio y acerca de la biblioteca opinan que ha sido regular. La opinión acerca de las aulas y la relación con sus pares de la facultad y la atención

Administrativa es buena.

Fig 2. Gráfico de Visualización 2D del OS del DI.

Fig 3. Gráfico de Visualización 2D del OS de la ECS.

Observando la figura 3 se concluye que la mayoría de los egresados de la ECS no buscan trabajo y los que trabajan lo hacen en relación a la carrera. Optaron por ésta por Vocación y por la UNSJ por su prestigio. No opinaron respecto al Laboratorio y consideran regular la atención de la Biblioteca. Respecto a las Aulas no están conformes con las mismas, afirman que la relación con sus pares de la facultad y la atención administrativa es buena.

Se observa en la figura 4 que la mayoría de los egresados del DG buscan trabajo y los que trabajan lo hacen en relación a la carrera. El motivo de elección de la misma es el Interés por el avance científico y tecnológico y de la UNSJ por ser la única institución que dicta la carrera en la provincia. Calificaron como bueno al Laboratorio. Respecto a la biblioteca, las aulas, la relación con sus pares y la administración afirmaron que son buenas.

978-1-5386-3057-0/17/$31.00 ©2017 IEEE

Fig 4. Gráfico de Visualización 2D del OS del DG.

Fig 5. Gráfico de Visualización 2D del OS del DB.

La figura 5 muestra que la mayoría de los egresados del DB no buscan trabajo y los que trabajan lo hacen en relación a la carrera que han cursado. Eligieron la carrera por Vocación y a la UNSJ por ser la única institución que dicta la carrera en la provincia. Calificaron como bueno al laboratorio, la biblioteca, las aulas, la relación con sus pares y la administración.

V. CONCLUSIONES

Mediante este tipo de análisis se conoce información relevante de los graduados que puede conducir a formular políticas de mejoramiento o direccionamiento institucional. El estudio de los egresados reviste importancia para las instituciones de educación superior como estrategia de evaluación y retroalimentación y además cumple una doble función: de autoconocimiento de la institución para realizar acciones de mejoramiento de la calidad académica y de apoyo para la apropiación de recursos orientados a impulsar proyectos que involucren a los egresados y mejoren la formación de nuevos profesionales.

Por lo expresado es que se ha expuesto una caracterización del egresado de la FCEFN de la UNSJ utilizando técnicas del análisis multidimensional de datos mediante el software

SPADN tales como el Análisis Factorial de Correspondencias Múltiples y posterior clustering, basado en los factores principales. Para resumir la tabla multidimensional a un nivel superior y analizar los datos desde un enfoque simbólico, se utilizó el software SODAS para crear una tabla simbólica cuyas filas son las descripciones de los egresados de cada departamento de la facultad, logrando una eficiente forma de presentación y visualización de los datos.

La visión sobre los egresados brinda la posibilidad de contar con un escenario estratégico en el que se determine cómo la UNSJ puede contribuir con el aumento de los niveles de desarrollo humano y equidad social.

Las instituciones de educación superior necesitan realizar un seguimiento continuo del desempeño de sus egresados para determinar si los niveles de pertinencia de la formación ofrecida, la salida laboral, las prácticas profesionales y la calidad de las actividades que se desarrollan, se correlacionan con los fines institucionales en su proyecto educativo.

AGRADECIMIENTOS

Se agradece la colaboración de la Mg. Adriana Martín por la traducción. Este trabajo se enmarca en el proyecto “Técnicas de clasificación aplicadas al rendimiento académico”, financiado por la Universidad Nacional de San Juan,

REFERENCIAS

[1] G. M. Aldana de Becerra, F. A. Morales González, J. E. Aldana Reyes, F. J. Sabogal Camargo, and Á. R. Ospina Alfonso, Teoría y praxis investigativa, vol. 3, no. 2. Fundación Universitaria del Área Andina, 2008.

[2] J.-G. Mora, H. Schomburg, and U. Teichler, Eds., Empleo y trabajo de los graduados universitarios. Conclusiones de diferentes estudios., Edicionesl. Editoral Octaedro, 2013.

[3] L. Di Gresia, M. Fazio, A. Porto, L. Ripani, and W. S. Escudero, ‘‘Rendimiento y productividad de los estudiantes. El caso de las universidades públicas argentinas,’’ Departamento de Economía, Facultad de Ciencias Económicas, Universidad Nacional de La Plata, La Plata, 2004.

[4] K. Soria-Barreto and S. Zúñiga-Jara, ‘‘Aspectos Determinantes del Éxito Académico de Estudiantes Universitarios,’’ Form. Univ. Aceptado Jul, vol. 23, no. 13, 2014.

[5] A. Fanelli, ‘‘Abandono y rendimiento académico en las universidades nacionales argentinas: Un análisis integrador de la producción científica,’’ in Congreso 2012 de la Asociación de Estudios Latinoamericanos, (Latin Ameri can Studies Association), 2012, p. 24.

[6] P. I. Giovagnoli, ‘‘Determinantes de la deserción y graduación universitaria: una aplicación utilizando modelos de duración,’’ Doc. Trab., vol. no. 37, 2002.

[7] J. P. BENZÉCRI, L´Analyse des données, T.I La taxonomie T.II L´Analyse des correspondances. Dunod, París, 1976.

[8] E. Diday and Y. Lechevallier, Symbolic-numeric data analysis and learning•: proceedings of the conference, Versailles, September 18-20, 1991. Nova Science Publishers, 1991.

[9] E. Diday, Analyse des donnees et classification automatique numerique et symbolique = Datuen analisia eta zenbaki eta sinboloen sailkapen automatikoa = Análisis de datos y clasificación automática numérica y simbólica, Vol 027. Vittoria: Instituto Vasco de Estadística, 1992.

[10] M. Noirhomme-Fraiture and P. Brito, ‘‘Far beyond the classical data models: symbolic data analysis,’’ Stat. Anal. Data Min., vol. 4, no. 2, pp. 157---170, Apr. 2011.

[11] P. Brito, ‘‘Symbolic Data Analysis: another look at the interaction of Data Mining and Statistics,’’ Wiley Interdiscip. Rev. Data Min. Knowl. Discov., vol. 4, no. 4, pp. 281---295, Jul. 2014.

[12] H.-H. Bock and E. Diday, Analysis of Symbolic Data•: Exploratory Methods for Extracting Statistical Information from Complex Data.

978-1-5386-3057-0/17/$31.00 ©2017 IEEE

Springer Berlin Heidelberg, 2000.

Myriam Beatriz Herrera. Es Prof. de Matemática, Magíster (2000) y Doctor en Cs Matemáticas, en la Universidad Nacional de San Luis. (2007). Desde el año 1988 es docente Prof Adjunta Exclusiva en las asignturas Probabilidades y Estadísticas y Matemática Básica y desde 2014 Prof. Titular Exclusiva, en el Departamento de

Informática de la UNSJ. Ha publicado trabajos en revistas especializadas y Congresos nacionales e internacionales, y ha dictado cursos abordando temáticas referidas a educación en estadística, estadística teórica y sus aplicaciones. Es autora de libros en el área estadística. Investigaciones en: Reconocimiento de patrones. Procesamiento Estadístico de Imágenes y Estadística Espacial. Minería de datos.

Lilian Adriana Mallea. Es Prof. Titular Exclusivo, desde el año 2000, en la cátedra Probabilidades y Estadística del Departamento de Matemática-FFHA. Realizó sus estudios de grado en la UNSJ y sus estudios de posgrado, Magíster (2000) y Doctor en Cs Matemáticas (2007), en la Universidad Nacional de San Luis. Ha

publicado trabajos en revistas especializadas, nacionales e internacionales, y ha dictado numerosos cursos en congresos, abordando temáticas referidas a educación en estadística, estadística teórica y sus aplicaciones. Es autora de libros en el área estadística. Investigaciones en: Procesos Estocásticos. Procesamiento Estadístico de Imágenes y Estadística Espacial. Minería de datos.

Estela Liliana Torres. Prof. de Enseñanza Media y Superior en Matemática (1987, UNSJ). Master en Matemática (Universidad Estatal de Ingeniería Física de Moscú (Moscow State Enginering Physics (2001, MEPhI)). Actualmente es Prof. Adjunto dedicación Exclusiva (FCEFN-UNSJ).

Coordinadora General del Curso de Ingreso de la FCEFN desde el año 2013. Ha participado en proyectos de investigación y publicaciones relacionadas al área de estudio.

Ilda Flavia Millán Tejada. Lic. en Informática (2000), Magister en Procesos Educativos Mediados por Tecnologías (2015). Actualmente es Prof. Adjunto dedicación Exclusiva, Encargada del Laboratorio de Informática Aplicada del Departamento de Informática y docente en la Cátedra: Teoría de Autómatas y

Computabilidad. Ha participado en proyectos de investigación y publicaciones relacionadas al área de estudio.

María Inés Lund. Lic. en Informática (1991), Esp. en Sistemas de Información para Intranets (2002), Mag. en Informática (2012). Ha sido becaria de investigación de CONICET y Consultora profesional externa. En el año 1991 ingresó como profesora en la UNSJ y desde 2005 es Prof. Adjunto Exclusivo en el Instituto de Informática con

extensión a la docencia universitaria. Es Directora de la carrera Licenciatura en Sistemas de Información del Dpto de Informática desde el año 2012 y Coordinadora del Gabinete de Ingeniería de Software del Inst de Informática desde el año 2002. Ha dirigido y dirige proyectos de investigación, becarios de investigación, alumnos tesistas de grado y posgrado. Ha realizado presentaciones en congresos nacionales e internacionales, artículos en revistas.