Modelo predictivo del riesgo de abandono escolar en educación básica: análisis de factores socioeconómicos y rendimiento académico en niños de 7 a 11 años
DOI:
https://doi.org/10.55204/trc.v6i1.e647Palabras clave:
Deserción escolar; modelos predictivos; regresión logística; machine learning; inteligencia artificial; analítica educativa.Resumen
La deserción escolar constituye un fenómeno multidimensional asociado a factores académicos, socioeconómicos, familiares, institucionales y contextuales. El presente artículo tiene como objetivo analizar la literatura científica reciente sobre la aplicación de modelos predictivos, regresión logística y técnicas de machine learning en la predicción del abandono escolar. La investigación se desarrolló mediante una revisión bibliográfica narrativa con orientación sistemática, considerando estudios publicados en bases académicas relacionadas con educación, analítica del aprendizaje e inteligencia artificial. Los hallazgos evidencian que la regresión logística destaca por su interpretabilidad, mientras que algoritmos como Random Forest, XGBoost, redes neuronales y máquinas de soporte vectorial presentan alto potencial predictivo. Se concluye que estos modelos pueden fortalecer la detección temprana del riesgo de deserción, siempre que sean aplicados con criterios éticos, explicabilidad y orientación pedagógica.
Descargas
Referencias
Berens, J., Schneider, K., Görtz, S., Oster, S., & Burghoff, J. (2019). Early detection of students at risk: Predicting student dropouts using administrative student data from German universities and machine learning methods. Journal of Educational Data Mining, 11(3), 1–41.
Bowers, A. J., Sprott, R., & Taff, S. A. (2013). Do we know who will drop out? A review of the predictors of dropping out of high school: Precision, sensitivity, and specificity. The High School Journal, 96(2), 77–100. https://doi.org/10.1353/hsj.2013.0000
Bustamante Neira, G. J., & Cabrera Berrezueta, L. B. (2022). Factores que inciden en el rendimiento académico de los estudiantes de bachillerato en el cantón Sucúa-Ecuador. Ciencia Digital, 6(4), 97–115. https://doi.org/10.33262/cienciadigital.v6i4.2338
Comisión Económica para América Latina y el Caribe. (2023). Panorama Social de América Latina y el Caribe 2023: La inclusión laboral como eje central para el desarrollo social inclusivo. Naciones Unidas.
Delgado Aguilar, R. C., Gutiérrez Reynoso, M. R., & Dueñas Bejar, J. (2014). Predicción del rendimiento académico en la asignatura de Matemática Básica en la UNALM utilizando la técnica de regresión logística binaria. Anales Científicos, 75(2), 310–315.
Freeman, J., & Simonsen, B. (2015). Examining the impact of policy and practice interventions on high school dropout and school completion rates: A systematic review of the literature. Review of Educational Research, 85(2), 205–248. https://doi.org/10.3102/0034654314554431
González-Nucamendi, A., Noguez, J., Neri, L., Robledo-Rella, V., & García-Castelán, R. M. G. (2023). Predictive analytics study to determine undergraduate students at risk of dropout. Frontiers in Education, 8, 1244686. https://doi.org/10.3389/feduc.2023.1244686
Grant, M. J., & Booth, A. (2009). A typology of reviews: An analysis of 14 review types and associated methodologies. Health Information & Libraries Journal, 26(2), 91–108. https://doi.org/10.1111/j.1471-1842.2009.00848.x
Hernández-Sampieri, R., & Mendoza, C. P. (2021). Metodología de la investigación: Las rutas cuantitativa, cualitativa y mixta (2.ª ed.). McGraw-Hill.
Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). Wiley. https://doi.org/10.1002/9781118548387
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: With applications in R (2nd ed.). Springer. https://doi.org/10.1007/978-1-0716-1418-1
Jiménez-Gutiérrez, A. L., Mota-Hernández, C. I., Mezura-Montes, E., & Alvarado-Corona, R. (2024). Application of the performance of machine learning techniques as support in the prediction of school dropout. Scientific Reports, 14, 3957. https://doi.org/10.1038/s41598-024-53576-1
Khatun, M. R., Mim, M. A., Tasin, M. M., & Hossain, M. M. (2025). A hybrid framework of statistical, machine learning, and explainable AI methods for school dropout prediction. PLOS ONE, 20(9), e0331917. https://doi.org/10.1371/journal.pone.0331917
Krüger, J. G. C., Britto, A. S., Jr., & Barddal, J. P. (2023). An explainable machine learning approach for student dropout prediction. Expert Systems with Applications, 233, 120933. https://doi.org/10.1016/j.eswa.2023.120933
Marcolino, M. R., Porto, T. R., Primo, T. T., Targino, R., Ramos, V., Queiroga, E. M., Munoz, R., & Cechinel, C. (2025). Student dropout prediction through machine learning optimization: Insights from Moodle log data. Scientific Reports, 15, 9840. https://doi.org/10.1038/s41598-025-93918-1
Márquez-Vera, C., Cano, A., Romero, C., Noaman, A. Y. M., Fardoun, H. M., & Ventura, S. (2016). Early dropout prediction using data mining: A case study with high school students. Expert Systems, 33(1), 107–124. https://doi.org/10.1111/exsy.12135
Matz, S. C., Bukow, C. S., Peters, H., Deacons, C., Dinu, A., & Stachl, C. (2023). Using machine learning to predict student retention from socio-demographic characteristics and app-based engagement metrics. Scientific Reports, 13, 5705. https://doi.org/10.1038/s41598-023-32484-w
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., ... Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Psyridou, M., Prezja, F., Torppa, M., Lerkkanen, M.-K., Poikkeus, A.-M., & Vasalampi, K. (2024). Machine learning predicts upper secondary education dropout as early as the end of primary school. Scientific Reports, 14, 12956. https://doi.org/10.1038/s41598-024-63629-0
Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. WIREs Data Mining and Knowledge Discovery, 10(3), e1355. https://doi.org/10.1002/widm.1355
Romero, S., & Liao, X. (2025). Statistical and machine learning models for predicting university dropout and scholarship impact. PLOS ONE, 20(6), e0325047. https://doi.org/10.1371/journal.pone.0325047
Rumberger, R. W. (2011). Dropping out: Why students drop out of high school and what can be done about it. Harvard University Press.
Siemens, G., & Long, P. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE Review, 46(5), 30–40.
Slade, S., & Prinsloo, P. (2013). Learning analytics: Ethical issues and dilemmas. American Behavioral Scientist, 57(10), 1510–1529. https://doi.org/10.1177/0002764213479366
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333–339. https://doi.org/10.1016/j.jbusres.2019.07.039
Tinto, V. (1993). Leaving college: Rethinking the causes and cures of student attrition (2nd ed.). University of Chicago Press.
UNESCO. (2021). AI and education: Guidance for policy-makers. UNESCO. https://doi.org/10.54675/PCSP7350
UNESCO. (2024). Global education monitoring report 2024/5: Leadership in education: Lead for learning. UNESCO.
UNESCO, UNICEF, & World Bank. (2021). The state of the global education crisis: A path to recovery. UNESCO, UNICEF, & World Bank.
World Bank. (2021). Acting now to protect the human capital of our children: The costs of and response to COVID-19 pandemic’s impact on the education sector in Latin America and the Caribbean. World Bank.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Angelica Tatiana Rosado Quinto, Mercy Yalinda Tigua Quimiz, Katty Pamela Bermeo Erazo, Mirian Yessenia Torres Salinas
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras. Puesto que Tesla Revista Científica es una publicación de acceso abierto, los lectores pueden reproducir total o parcialmente su contenido siempre y cuando proporcionen adecuadamente el crédito a los autores correspondientes y a la revista misma. Tesla Revista Científica se compromete a no hacer uso comercial de los textos que recibe y/o publica.
Nuestra revista se rige por las politicas internacionales SHERPA/RoMEO: Revista verde: Permiten el autoarchivo tanto del pre-print (borrador de un trabajo) como del post-print (la versión corregida y revisada por pares) y hasta de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
