Modelado de desigualdad de género en carreras TIC argentinas mediante regresión múltiple

Abstract

Este trabajo presenta un análisis cuantitativo de la brecha de género en carreras de Computación, Sistemas e Informática (CSI) en universidades argentinas, en el período 2010-2015. A partir de un enfoque de Ciencia de Datos, se empleó aprendizaje automático supervisado, utilizando un modelo de regresión lineal múltiple, para identificar los principales factores que afectan la graduación de estudiantes. Los resultados muestran que ser estudiante mujer disminuye significativamente la probabilidad de egreso, mientras que estudiar en universidades privadas o en la provincia de Buenos Aires incrementa dicha probabilidad. Este estudio proporciona evidencia empírica relevante para el diseño de políticas públicas orientadas a reducir las desigualdades de género en carreras STEM. Como trabajo futuro, se propone analizar esta problemática incorporando técnicas de machine learning más avanzadas y extendiendo el análisis a otras carreras STEAM.

This paper presents a quantitative analysis of the gender gap in Computer Science, Information Systems, and Informatics (CSI) degree programs at Argentine universities during the 2010–2015 period. Using a Data Science approach, supervised machine learning was applied—specifically, a multiple linear regression model—to identify the main factors influencing student graduation. The results show that being a female student significantly decreases the probability of graduation, while studying at private universities or in the province of Buenos Aires increases this probability. This study provides relevant empirical evidence for the design of public policies aimed at reducing gender inequality in STEM fields. As future work, the analysis will be extended by incorporating more advanced machine learning techniques and including other STEAM-related degrees.