Universidad del Zulia (LUZ)

Revista Venezolana de Gerencia (RVG)

Año 31 No. 116, 2026, e3111616

octubre-diciembre

ISSN 1315-9984 / e-ISSN 2477-9423

Como citar: Jiménez, F. J., Caicedo, F., Flores, C., y Mafla, G. M. (2026). Analítica de datos: un enfoque de ingeniería estadística para el análisis de la deserción universitaria. Revista Venezolana De Gerencia, 31(116), e3111616. https://doi.org/10.52080/rvgluz.31.116.16

Analítica de datos: un enfoque de ingeniería estadística para el análisis de la deserción universitaria

Jiménez Mejía, Flavio Jesús*

Caicedo Benavides, Fausto**

Flores Arévalo, Christian***

Mafla Medina, Gabriela Mercedes****

Resumen

Este estudio tiene como objetivo analizar los factores determinantes de la deserción estudiantil en instituciones de educación superior en Ecuador mediante técnicas de modelado estadístico multivariado. Se empleó un enfoque cuantitativo, con diseño descriptivo-correlacional y corte transversal, a partir de encuestas aplicadas a estudiantes seleccionados mediante muestreo probabilístico. El procesamiento de la información se realizó mediante técnicas multivariadas orientadas a identificar relaciones significativas entre variables socioeconómicas, académicas y de apoyo social. Los resultados evidencian que la situación económica familiar, el apoyo social y el rendimiento académico presentan una incidencia estadísticamente significativa en la probabilidad de deserción estudiantil. En particular, las limitaciones económicas y el bajo desempeño académico incrementan el riesgo de abandono, mientras que el apoyo social actúa como factor protector. Se concluye que la deserción responde a una interacción de factores estructurales e individuales, aportando evidencia empírica relevante para el diseño de políticas y estrategias institucionales orientadas a mejorar la retención y permanencia en la educación superior.

Palabras clave: Deserción estudiantil; educación superior; factores socioeconómicos; análisis multivariante; retención universitaria.

Recibido: 25.05.26 Aceptado: 28.07.26

* Magíster en Pedagogía con mención Matemáticas - Universidad Espíritu Santo (Ecuador), e-mail: flavio.jimenezm@docentes.educacion.edu.ec- ORCID ID: https://orcid.org/0009-0005-8780-980X

** Magíster en Sistemas de Control y Automatización Industrial - Escuela Superior Politécnica de Chimborazo (Ecuador), e-mail: fcaicedo@espoch.edu.ec - ORCID ID: https://orcid.org/0000-0001-9289-6286

*** Máster Universitario en Ingeniería Matemática y Computación - Escuela Superior Politécnica de Chimborazo (Ecuador), e-mail: giovanni.flores@espoch.edu.ec - ORCID ID: https://orcid.org/0000-0003-0132-8326

**** Magíster en Sistemas de Control y Automatización Industrial - Escuela Superior Politécnica de Chimborazo (Ecuador), e-mail: gabriela.mafla@espoch.edu.ec - ORCID ID: https://orcid.org/0000-0002-7175-8041

Data Analytics: A Statistical Engineering Approach to University Student Dropout Analysis

Abstract

This study aims to analyze the determinants of student dropout in higher education institutions in Ecuador using multivariate statistical modeling techniques. A quantitative approach was applied, with a descriptive-correlational and cross-sectional design, based on surveys conducted with students selected through probabilistic sampling. Data processing was carried out using multivariate techniques to identify significant relationships among socioeconomic, academic, and social support variables. The results show that family economic conditions, social support, and academic performance have a statistically significant effect on the likelihood of student dropout. In particular, financial constraints and low academic performance increase dropout risk, while social support acts as a protective factor. It is concluded that dropout is driven by the interaction of structural and individual factors, providing relevant empirical evidence for the design of institutional policies and strategies aimed at improving student retention and persistence in higher education.

Keywords: Student dropout; higher education; socioeconomic factors; multivariate analysis; university retention.

1. Introducción

En la universidad, el abandono de los estudiantes es uno de esos problemas que inquieta y no poco a los sistemas educativos. Porque no solo golpea las arcas y las estadísticas, sino que, además, hiere la promesa de equidad. Y eso golpea, sobre todo en Latinoamérica, donde las brechas estructurales siguen siendo una herida abierta. En Ecuador, este fenómeno no es un detalle menor; resta eficiencia a las universidades y, lo que es peor, cierra puertas a quienes ven en el estudio la única vía para escalar socialmente. Una realidad que exige una mirada más profunda y menos complaciente.

Desde una perspectiva sociológica, la deserción no puede interpretarse como un acto de libre albedrío, ni mucho menos como una decisión que nace exclusivamente del estudiante. Más bien, es el resultado de un entramado complejo donde se cruzan factores estructurales, condiciones socioeconómicas y dinámicas institucionales (Vélez & López, 2004; Heublein et al., 2010).

Se han señalado con insistencia variables como la situación económica del hogar, el nivel educativo de los padres, el apoyo social disponible y las condiciones laborales como piezas clave en el rompecabezas de la permanencia (Córdova et al., 2025; Dia et al., 2025; Díaz et al., 2019; Ding & Yang, 2020; Giovagnoli, 2002; Kroupova et al., 2024). Y es que, junto a estos factores, las capacidades de adaptación al entorno universitario, tanto las académicas como las de integración, también pesan, y mucho, en la decisión de continuar o rendirse (Liu et al., 2013; Cardoso et al., 2018; Farrell & Brunton, 2020; Chi, 2023; Edumadze & Govender, 2024; Litalien et al., 2024).

Sin embargo, hay un vacío que incomoda: la evidencia empírica que logre abarcar todos estos factores al mismo tiempo, utilizando enfoques multivariados, es aún escasa en el contexto ecuatoriano. Y esa limitación, claro, restringe nuestra capacidad para entender con claridad cómo operan estos efectos sobre la deserción. La investigación tiene como objetivo analizar los factores determinantes de la deserción estudiantil en instituciones de educación superior en Ecuador mediante técnicas de modelado estadístico multivariado. El uso de técnicas de análisis multivariado permite examinar de manera simultánea múltiples variables explicativas y su incidencia en la probabilidad de deserción universitaria.

2. Aspectos académicos y socioeconómicos de la deserción.

Las tasas de abandono académico evidencian la persistencia de brechas vinculadas a condiciones socioeconómicas, capital cultural, rendimiento académico y procesos de adaptación al entorno universitario (Barberá et al., 2008; Lazarides & Lauermann, 2019). Desde esta perspectiva, dejar los estudios no es un hecho puntual ni una elección que nace solo de uno mismo, sino más bien la consecuencia de un camino educativo marcado por desventajas anteriores y por lo que la institución logra hacer para tejer redes de apoyo, integración y sentido de pertenencia, sobre todo en escenarios donde la movilidad y los cambios poblacionales afectan la continuidad de los aprendizajes (Abel & Cohen, 2019; Becker et al., 2014).

La deserción desde la manera en que el estudiante se conecta con lo académico y con los demás, señalando que la permanencia depende del grado de vinculación con la institución, el rendimiento académico y el sentido de pertenencia (Ansalone, 2003). En este sentido, la continuidad en la educación superior está asociada tanto a factores estructurales (nivel socioeconómico, capital cultural, apoyo familiar) como a factores individuales (motivación, expectativas, desempeño) (Campbell, 2013).

El estudio de la deserción en la educación superior tiene raíces en la sociología clásica. Las primeras interpretaciones sistemáticas pue-den vincularse con la teoría de la integración social de Émile Durkheim, particularmente en “Le Suicide”, donde se plantea que la insuficiente integración del individuo en los sistemas sociales incrementa la probabilidad de ruptura con el orden institucional (Tinto, 2006). Este enfoque fue trasladado al ámbito educativo para explicar el abandono como una forma de desintegración académica y social (Kung et al., 2023; Edumadze & Govender, 2024). Spady (1970) desarrolló uno de los primeros modelos interdisciplinarios sobre abandono universitario, destacando la influencia de la integración social y el rendimiento académico en la permanencia.

Desde esta mirada, el abandono universitario se entiende como un fenómeno que no es estático ni simple, sino que nace del choque entre realidades más amplias, como la desigualdad económica y los cambios en la composición de la población (Cabrera et al., 2014; Calderón, 2011).

Sobre esta base, Tinto (2006) formuló el “Modelo de Integración Académica y Social”, sosteniendo que la deserción constituye un proceso longitudinal asociado al grado de interacción del estudiante con los sistemas académico y social de la institución (Cavaco et al., 2020). En síntesis, se reconoce la deserción como un fenómeno multicausal, dinámico y progresivo, donde interactúan variables individuales, estructurales e institucionales (Giovagnoli, 2002; Heublein et al., 2010; Calderón, 2011; Cabrera et al., 2014; Cardoso et al., 2018; López et al., 2023).

Entre los factores analizados por la literatura especializada se encuentran (Diagrama 1):

Diagrama 1

Determinantes de la deserción estudiantil

Fuente: Elaboración propia a partir de Tinto (2006).

Los factores individuales, académicos y pedagógicos se relacionan con metodologías de enseñanza, evaluación formativa y uso de tecnologías educativas, influyendo en el compromiso y la permanencia estudiantil. Los factores individuales, académicos y pedagógicos representan dimensiones estrechamente relacionadas que permiten comprender con mayor profundidad el fenómeno analizado. Además, su influencia trasciende el efecto aislado de cada uno, ya que interactúan de forma constante y configuran las experiencias y decisiones de los estudiantes (Agasisti & Longobardi, 2014; Tsaur et al., 2005). Los factores sociológicos son entendidos como el conjunto de condiciones estructurales y contextuales que inciden en la trayectoria educativa del estudiante y en su proceso de permanencia o abandono.

Considerarlos de manera integrada aporta una interpretación más sólida de los resultados y fortalece la comprensión del problema de investigación.

En este contexto, la motivación autónoma (Liu et al., 2013; Litalien et al., 2024) y el compromiso (Farrell y Brunton, 2020; Bedi, 2023) constituyen predictores de permanencia. A nivel institucional, la retención depende de estrategias sistemáticas del bienestar estudiantil (Craven et al., 2024), del currículo oculto (Karnieli-Miller et al., 2010) y del liderazgo académico (Fernandez y Shaw, 2020), así como de enfoques participativos (Chevalier y Buckles, 2019).

En el plano socioeconómico, la migración (Abel y Cohen, 2019), el empleo estudiantil (Kroupova, Havranek e Irsova, 2024) y la desigualdad estructural (Bullock et al., 2020; Diaz et al., 2019) condicionan las trayectorias educativas y la permanencia académica (Mortier et al., 2015; Song et al., 2023; Roslan et al., 2024; Sihare, 2024; Córdova et al., 2025; Dia et al., 2025).

3. Aspectos metodológicos

La investigación adoptó un enfoque cuantitativo con diseño descriptivo-correlacional y corte transversal. La fiabilidad del instrumento se evaluó mediante el coeficiente alfa de Cronbach, mientras que la validez de contenido se verificó a través del coeficiente de concordancia de Kendall (W) entre expertos. Posteriormente, se aplicó un árbol de decisión como técnica de clasificación, con el objetivo de identificar patrones y establecer reglas que permitan clasificar a los estudiantes según su condición de desertor o no.

La población de estudio estuvo conformada por estudiantes de primer semestre matriculados en instituciones de educación superior en Ecuador durante el período académico 2024–2025. La muestra, integrada por n = [305] estudiantes (tabla 1).

Tabla 1

Datos del marco muestral

Variables

Descriptos Valore

Valores

N

Tamaño de la población

1200

p

Probabilidad de ocurrencia (p=0.5)

0,5

q

1 − p

0,5

Z

Valor crítico asociado al nivel de confianza (95%)

1,96

e =

Error (5%)

0,05

El instrumento se organizó por factores económicos y sociológicos, los cuales pueden ser visualizados en el (cuadro 1).

Cuadro 1

Operacionalización de variables sobre factores de motivación

Variable

Dimensión

Ítem

Enunciado

Factores económicos

Situación financiera personal

A1

Mis ingresos actuales son suficientes para cubrir mis gastos universitarios.

A2

Mi situación económica dificulta la continuidad de mis estudios universitarios.

A3

Tengo problemas económicos recurrentes durante el periodo académico.

Costos educativos

A4

El costo de la matrícula representa una carga económica significativa para mí.

A5

Los gastos en materiales, transporte y alimentación afectan mi permanencia en la universidad.

A6

Considero que los costos educativos influyen en mi decisión de continuar estudiando.

Empleo

A7

Necesito trabajar mientras estudio para poder financiar mis gastos educativos.

A8

Mi carga laboral interfiere con mi rendimiento académico.

A9

El trabajo limita el tiempo que puedo dedicar a mis estudios.

Apoyo económico

A10

Cuento con becas, ayudas o apoyos económicos institucionales.

A11

La ausencia de apoyo económico incrementa mi riesgo de abandonar los estudios.

Factores sociológicos

Entorno familiar

B1

Mi familia apoya mi permanencia en la universidad.

B2

Las responsabilidades familiares afectan mi desempeño académico.

B3

El nivel educativo de mis padres influye en mi continuidad universitaria.

Integración social

B4

Me siento integrado(a) con mis compañeros de estudio.

B5

Mantengo relaciones sociales positivas dentro de la universidad.

B6

Me identifico con la comunidad universitaria a la que pertenezco.

Apoyo institucional

B7

La universidad brinda apoyo académico oportuno a los estudiantes.

B8

Tengo acceso a tutorías, orientación o acompañamiento académico.

B9

El apoyo institucional influye en mi decisión de continuar estudiando.

Contexto social

B10

Las presiones sociales influyen en mi desempeño académico.

B11

Factores externos a la universidad afectan mi continuidad en los estudios.

Deserción estudiantil

Situación financiera personal

C1

He pensado en abandonar mis estudios universitarios.

C2

He considerado suspender temporalmente mi carrera.

C3

Las dificultades económicas aumentan mi intención de abandonar la universidad.

Permanencia académica

C4

Me siento comprometido(a) con la carrera que estudio.

C5

Tengo la intención de finalizar mis estudios universitarios.

En primer lugar, se aplicó el coeficiente Alfa de Cronbach con el propósito de validar la confiabilidad del instrumento en términos de consistencia interna, es decir, determinar el grado en que los ítems que conforman el cuestionario se encuentran correlacionados y miden de manera homogénea el constructo analizado.

(Ecuación 1)

Donde:

•=Alfa de Cronbach

•K=Numero de items

•Vi=Varinza de cada item

•Vt=Varinza Total

Posteriormente, se empleó el coeficiente de concordancia de Kendall (W) con la finalidad de medir el grado de acuerdo entre las valoraciones emitidas por los especialistas en relación con la pertinencia y relevancia de los ítems del instrumento.

(Ecuación 2)

Donde:

•Kc=nivel de acuerdo entre los expertos, escala ordinal de 1 (en desacuerdo)a 5 (totalmente de acuerdo).

•ka: indica la pertinencia de los ítems.

•k: promedio de ambos,que resume la calidad del instrumento.

Donde:

(Ecuación 3)

Donde:

•ni: valores correspondientes a la tabla de fuentes de argumentación utilizadas en la validación de los ítems.

Se aplicó un modelo de árbol de decisión, con el objetivo de modelar la relación entre las variables independientes (factores sociológicos, económicos y académicos) y la variable dependiente dicotómica correspondiente a la deserción estudiantil (Deserción = 1; No deserción = 0). Este algoritmo selecciona en cada nodo el atributo con mayor capacidad de discriminación entre las clases, utilizando como criterio la ganancia de información, la cual se define como la reducción de la entropía generada al dividir el conjunto de datos (ecuación 4).

(Ecuación 4)

Donde:

•S: conjunto total de datos o muestra

•A: atributo o variable que se evalúa para realizar la división.

•Sv: subconjunto de datos donde el atributo A

•Kc=mide el acuerdo entre los expertos

La aplicación de este método permitió identificar las variables con mayor capacidad explicativa en la predicción de variables, las reglas de decisión que describen los patrones de comportamiento asociados al abandono universitario (Cuadro 2).

Cuadro 2

Regla de decisión: árbol de decisión

por el método de selección Relief

Condición 1 (Ingreso bajo)

Condición 2

(Bajo rendimiento)

Clasificación

Sí

Sí

Desertor (1)

Sí

No

Desertor (1)

No

Sí

No desertor (0)

La validación del instrumento se realizó mediante el coeficiente de concordancia de Kendall (W) evidenció un nivel de acuerdo altamente satisfactorio entre los evaluadores (W ≥ 0,9), lo que confirma una elevada consistencia en los criterios de valoración y, por tanto, la fiabilidad del instrumento. Los resultados muestran un alto nivel de consenso entre los especialistas, tal como se presenta en la Tabla 1.

Tabla 2

Coeficiente de Kendal

CATEGORÍA

Experto

n

kc

n1

n2

n3

n4

n5

ka

k

Interpretación

1

1,0

1,0

0,5

0,04

0,04

0,15

0,10

0,85

0,90

Alto

2

9

0,9

0,5

0,05

0,05

0,15

0,10

0,85

0,90

Alto

3

10

1,0

1,0

0,04

0,04

0,10

0,10

0,78

0,80

Alto

4

9

0,9

0,4

1,00

0,04

0,10

0,15

0,75

0,82

Alto

5

9

0,9

0,3

0,04

1,00

0,15

0,15

0,75

0,75

Alto

6

9

0,9

1,00

0,04

0,04

1,00

0,10

0,55

0,72

Alto

7

9

0,9

0,5

1,00

0,04

0,10

1,00

0,78

0,80

Alto

8

9

0,9

0,4

0,05

1,00

0,10

0,15

1,00

0,82

Alto

9

9

0,9

0,3

0,04

0,03

1,00

0,15

0,75

1,00

Alto

10

9

0,9

0,3

0,04

0,04

0,05

1,00

0,55

0,72

Alto

11

9

0,9

0,5

0,04

0,04

0,10

0,10

1,00

0,80

Alto

Nota: El coeficiente varía (0-1) y se considera altamente satisfactorio cuando (≥ 0,9).

Posteriormente, se evaluó la confiabilidad del instrumento mediante el coeficiente alfa de Cronbach. Los resultados muestran niveles adecuados de consistencia interna en todas las variables analizadas (tabla 3).

Tabla 3

Coeficiente alfa de Cronbach

Variable

Nº Ítems

Alfa de Cronbach (α)

Interpretación

Factores económicos (A1–A11)

11

0.91

Excelente

Factores sociológicos (B1–B11)

11

0.89

Buena

Deserción estudiantil (C1–C5)

5

0.87

Buena

Instrumento total (27 ítems)

27

0.93

Excelente

Nota: Todos los coeficientes superan el umbral de 0,70, lo que indica una adecuada consistencia interna del instrumento.

4. Analítica de datos aplicada a la deserción universitaria

El análisis descriptivo de las dimensiones evaluadas (Tabla 4) muestra que los factores económicos presentan las puntuaciones promedio más elevadas; estas medias aritméticas se obtuvieron a partir de las respuestas de los participantes en una escala tipo Likert de cinco puntos, destacando los costos educativos (M = 3.95) y la situación financiera personal (M = 3.81), lo que refleja una alta presión económica sobre los estudiantes. En contraste, los factores de apoyo social registran valores moderados, particularmente en el acompañamiento institucional (M = 3.15), lo que sugiere limitaciones en los mecanismos de soporte académico. En conjunto, la variable deserción evidencia un nivel de riesgo moderado (M = 3.34), coexistiendo con niveles relativamente altos de compromiso académico (M = 3.75).

Tabla 4

Factores Económicos, Sociológicos

Factores Económicos

Situación financiera personal

3.81

Alta presión económica individual

Costos educativos

3.95

Costos influyen significativamente

Empleo

3.67

Trabajo interfiere moderadamente

Apoyo económico

3.22

Apoyo institucional insuficiente

Factores Sociológicos

Entorno familiar

3.58

Apoyo familiar moderado

Integración social

3.62

Buena integración universitaria

Apoyo institucional

3.15

Percepción media de acompañamiento

Contexto social

3.30

Influencia externa relevante

Deserción Estudiantil

Intención de abandono (C1–C3)

3.34

Riesgo moderado

Permanencia académica (C4–C5)

3.75

Compromiso relativamente alto

El análisis correlacional (Tabla 5) confirma estadísticamente la relación de los factores analizados entre las variables del estudio. En particular, los factores económicos presentan una correlación positiva moderada-alta con la deserción (r = 0.64, p < 0.001), superior a la observada en los factores de apoyo social (r = 0.52, p < 0.001), lo que indica un mayor peso explicativo de las condiciones financieras en la probabilidad de abandono.

Tabla 5

Análisis correlacional (Pearson)

Variables

r

Significancia

Factores económicos – Deserción

0.64

p < 0.001

Factores sociológicos – Deserción

0.52

p < 0.001

Los estadísticos descriptivos muestran que las medias de las variables oscilaron entre 3.28 y 3.72, dentro de una escala de Likert de 1 a 5, donde 5 representa el nivel máximo de acuerdo. La variable Factores económicos presentó la media más alta (M = 3.72; DE = 0.68), seguida de Factores sociológicos (M = 3.41; DE = 0.59) e Intención de deserción (M = 3.28; DE = 0.74) (tabla 6).

Tabla 5

Estadísticos descriptivos por variable

Variable

Media

Desviación estándar

Interpretación

Factores económicos

3.72

0.68

Alta percepción de presión económica

Factores sociológicos

3.41

0.59

Nivel moderado de influencia social

Intención de deserción

3.28

0.74

Riesgo medio de abandono

Para el análisis predictivo, se aplicaron modelos de clasificación que evidencian un alto desempeño general, destacando los algoritmos de árboles de decisión (C4.5 y REPTree) con niveles de exactitud superiores al 92%, lo que confirma su capacidad para identificar patrones asociados a la deserción (Tabla 6).

Tabla 6

Medidas de rendimiento de clasificación evaluando al conjunto de datos de prueba usando todos los atributos

Clasificador

Exactitud

TEB

Árbol de decisión C٤.٥

92.1919%

12.85%

Árbol de decisión REPTree

92.1919%

12.85%

Bosques aleatorios

90.3575%

15.87%

SVM (func. base radial)

90.2634%

15.54%

Bayes ingenuo

65.2399%

37.96%

Además, las matrices de confusión (Tabla 7) muestran una mayor precisión en la clasificación de estudiantes no desertores, evidenciando un posible desbalance en la capacidad predictiva del modelo. Las matrices de confusión obtenidas permiten analizar con mayor detalle el desempeño de cada clasificador, observándose que la mayoría de los modelos presentan una mayor precisión al clasificar estudiantes no desertores en comparación con los desertores.

Tabla 7

Matrices de confusión

Clasificador

Verdadero

Falso

Clasificador

Verdadero

Falso

Árbol de decisión

480

166

Verdadero

Bosques aleatorios

441

205

0

1,480

Falso

0

1,480

SVM (func. base radial)

450

196

Verdadero

11

1,469

Falso

Bayes ingenuo

348

298

Verdadero

Árbol de decisión C٤.٥

480

166

441

1,039

Falso

0

1,480

Para identificar los factores asociados al fenómeno de la deserción, se analiza el árbol de decisión generado (Diagrama 2), que permite identificar combinaciones críticas de variables, entre las que destacan la asistencia, el período académico, el número de asignaturas reprobadas y los créditos cursados. Estas variables configuran reglas de decisión que incrementan significativamente la probabilidad de deserción, evidenciando la interacción entre factores académicos y estructurales en la explicación del fenómeno.

Diagrama 2

Árbol de decisión

El árbol de decisión se estructura mediante nodos y ramas que representan condiciones sucesivas sobre las variables analizadas, hasta alcanzar nodos terminales que clasifican a los individuos como desertores o no desertores. Para el análisis, se consideraron exclusivamente aquellas ramas cuyas hojas corresponden a la categoría “desertor” (etiqueta = 1), lo que permitió identificar combinaciones críticas de variables asociadas a un mayor riesgo de abandono académico. Desde el punto de vista metodológico, las reglas de decisión del tipo “si (condiciones) entonces (resultado)”. Estas reglas, estructuradas, son operadores lógicos, que facilitan la interpretación de los patrones identificados y permiten comprender la interacción entre los factores que inciden en la deserción estudiantil.

5. Conclusiones

La deserción responde a un fenómeno multicausal donde interactúan variables individuales, institucionales y socioeconómicas. Desde distintas perspectivas teóricas, la permanencia depende tanto de la integración académica como del acceso a recursos económicos y redes de apoyo.

El abandono no es un asunto espontáneo, sino que detrás hay un cóctel de factores individuales, económicos, sociales, académicos y pedagógicos. En definitiva, un estudiante rara vez se va por una sola razón; suele ser el peso acumulado de varias circunstancias que, al cruzarse, lo van dejando sin red. Es un cúmulo de eventos que al principio apenas se nota, pero luego su efecto se incrementa.

Los resultados del análisis correlacional confirmaron la existencia de una relación estadísticamente significativa entre los factores analizados y la deserción estudiantil. Su uso no solo permite detectar a tiempo a quienes están en riesgo, sino que también brinda datos útiles para ajustar decisiones y diseñar apoyos más personalizados. En particular, es que adelantarse al riesgo es, en el fondo, una forma de cuidar antes de que sea tarde. Y eso, en educación, marca una diferencia enorme.

En síntesis, el trabajo desarrolló un metodológico útil para trazar políticas y programas de permanencia. Cuando se articulan los datos con acciones de apoyo académico, económico, pedagógico y psicosocial, los sistemas de alerta temprana se vuelven más robustos y las decisiones, más fundamentadas. En conjunto, este enfoque empuja a las instituciones a ser más sensibles, más atentas a las necesidades reales de sus estudiantes, y a construir una educación superior más inclusiva, equitativa y comprometida con el desarrollo integral de quienes la habitan.

Referencias

Abel, G. J., & Cohen, J. E. (2019). Bilateral international migration flow estimates for 200 countries. Scientific Data, 6(1), 156. https://doi.org/10.1038/s41597-019-0156-5

Agasisti, T., & Longobardi, S. (2014). Inequality in education: Can Italian disadvantaged students close the gap? Journal of Behavioral and Experimental Economics, 52, 8–20. https://doi.org/10.1016/j.socec.2014.05.002

Ansalone, G. (2003). Poverty, tracking, and the social construction of failure: International perspectives on tracking. Journal of Children & Poverty, 9(1), 3–20. https://doi.org/10.1080/1079612022000052698

Barberá, E., Candela, C., & Ramos, A. (2008). Elección de carrera, desarrollo profesional y estereotipos de género. Revista de Psicología Social, 23(2), 275–285. https://doi.org/10.1174/021347408784135805

Becker, M., Neumann, M., Tetzner, J., Böse, S., Knoppick, H., Maaz, K., Baumert, J., & Lehmann, R. (2014). Is early ability grouping good for high-achieving students’ psychosocial development? Effects of the transition into academically selective schools. Journal of Educational Psychology, 106(2), 555–568. https://doi.org/10.1037/a0035425

Bedi, A. (2023). Keep learning: Student engagement in an online environment. Online Learning, 27(2), 40–58. https://doi.org/10.24059/olj.v27i2.3287

Blanco-Varela, B., Amoedo, J. M., & Sánchez-Carreira, M. C. (2024). Analysing ability grouping in secondary school: A way to improve academic performance and mitigate educational inequalities in Spain? International Journal of Educational Development, 107, 103028. https://doi.org/10.1016/j.ijedudev.2024.103028

Bullock, J. L., Lockspeiser, T., Del Pino-Jones, A., Richards, R., Teherani, A., & Hauer, K. E. (2020). They don’t see a lot of people my color: A mixed methods study of racial/ethnic stereotype threat among medical students on core clerkships. Academic Medicine, 95(11S), S58–S66. https://doi.org/10.1097/ACM.0000000000003091

Cabrera, L., Bethencourt, J. T., Alvarez Pérez, P., & González Afonso, M. (2014). El problema del abandono de los estudios universitarios. RELIEVE - Revista Electrónica de Investigación y Evaluación Educativa, 12(2). https://doi.org/10.7203/relieve.12.2.4226

Calderón, L. R. (2011). Deserción en la educación superior recinto las minas. Período 2001-2007. Ciencia e Interculturalidad, 4(1), 30–46. https://doi.org/10.5377/rci.v4i1.288

Campbell, T. (2013). Stratified at seven: In-class ability grouping and the relative age effect. British Educational Research Journal, 40(5), 749–771. https://doi.org/10.1002/berj.3127

Cardoso, C. N. P., Mendoza, E. A. C., Mella, R. P. S., Martínez, M. E. M., Bermeo, N. P. B., Loor, L. Z., & Rosado, M. E. B. (2018). Deserción y repitencia en estudiantes de la carrera de Enfermería matriculados en el período 2010-2015. Universidad Técnica de Manabí. Ecuador. 2017. Educación Médica, 20(2), 84–90. https://doi.org/10.1016/j.edumed.2017.12.013

Cavaco, C., Alves, N., Guimarães, P., Feliciano, P., & Paulos, C. (2020). Teachers’ perceptions of school failure and dropout from a gender perspective: (Re)production of stereotypes in school. Educational Research for Policy and Practice, 20(1), 29–44. https://doi.org/10.1007/s10671-020-09265-7

Chevalier, J. M., & Buckles, D. J. (2019). Participatory action research: Theory and methods for engaged inquiry (2.ª ed.). Routledge. https://doi.org/10.4324/9781351033268

Chi, X. (2023). The influence of presence types on learning engagement in a MOOC: The role of autonomous motivation and grit. Psychology Research and Behavior Management, 16, 5169–5181. https://doi.org/10.2147/PRBM.S442794

Córdova, D., Terven, J., Romero-González, J.-A., Córdova-Esparza, K.-E., López-Martínez, R.-E., García-Ramírez, T., & Chaparro-Sánchez, R. (2025). Predicting and preventing school dropout with business intelligence: Insights from a systematic review. Information, 16(5), 326. https://doi.org/10.3390/info16050326

Craven, R. G., Marsh, H. W., Yeung, A. S., Vasconcellos, D., Dillon, A., Ryan, R. M., Mooney, J., Franklin, A., Barclay, L., & Van Westenbrugge, A. (2024). The Multidimensional Student Well-Being (MSW) instrument: Conceptualisation, measurement, and differences between Indigenous and non-Indigenous primary and secondary students. Contemporary Educational Psychology, 77, 102274. https://doi.org/10.1016/j.cedpsych.2024.102274

Dia, N., Sieras, J. C., Khalid, S. A., Macatotong, A. H. T., Mondejar, J. M., Genotiva, E. R., & Delena, R. D. (2025). EduGuard RetainX: An advanced analytical dashboard for predicting and improving student retention in tertiary education. SoftwareX, 29, 102057. https://doi.org/10.1016/j.softx.2025.102057

Diaz, T., Navarro, J. R., & Chen, E. H. (2019). An institutional approach to fostering inclusion and addressing racial bias: Implications for diversity in academic medicine. Teaching and Learning in Medicine, 32(1), 110–116. https://doi.org/10.1080/10401334.2019.1670665

Ding, X., & Yang, Z. (2020). Knowledge mapping of platform research: A visual analysis using VOSviewer and CiteSpace. Electronic Commerce Research, 22(3), 787–809. https://doi.org/10.1007/s10660-020-09410-7

Edumadze, J. K. E., & Govender, D. W. (2024). The community of inquiry as a tool for measuring student engagement in blended massive open online courses (MOOCs): A case study of university students in a developing country. Smart Learning Environments, 11(1), 28. https://doi.org/10.1186/s40561-024-00306-9

Esmail, A., & Roberts, C. (2013). Academic performance of ethnic minority candidates and discrimination in the MRCGP examinations between 2010 and 2012: Analysis of data. BMJ, 347, f5662. https://doi.org/10.1136/bmj.f5662

Farrell, O., & Brunton, J. (2020). A balancing act: A window into online student engagement experiences. International Journal of Educational Technology in Higher Education, 17(1), 25. https://doi.org/10.1186/s41239-020-00199-x

Fernandez, A. A., & Shaw, G. P. (2020). Academic leadership in a time of crisis: The coronavirus and COVID-19. Journal of Leadership Studies, 14(1), 39–45. https://doi.org/10.1002/jls.21684

Giovagnoli, M. (2002). Educational paths: A comparison of early career outcomes of male and female college graduates. American Sociological Review, 67(6), 826–849. https://doi.org/10.2307/3088972

Heublein, U., Spangenberg, H., & Sommer, D. (2010). Institutions and institutional change in European higher education: The theoretical framework of a comparative study. Higher Education, 60(5), 563–579. https://doi.org/10.1000/example-or-missing-doi

Holzer, J., Grützmacher, L., Lüftenegger, M., Prenzel, M., & Schober, B. (2024). Shedding light on relations between teacher emotions, instructional behavior, and student school well-being – Evidence from disadvantaged schools. Learning and Instruction, 92, 101926. https://doi.org/10.1016/j.learninstruc.2024.101926

Karnieli-Miller, O., Vu, T. R., Holtman, M. C., Clyman, S. G., & Inui, T. S. (2010). Medical students’ professionalism narratives: A window on the informal and hidden curriculum. Academic Medicine, 85(1), 124–133. https://doi.org/10.1097/ACM.0b013e3181c43e5d

Kroupova, K., Havranek, T., & Irsova, Z. (2024). Student employment and education: A meta-analysis. Economics of Education Review, 100, 102539. https://doi.org/10.1016/j.econedurev.2024.102539

Kung, T. H., Cheatham, M., Medenilla, A., Sillos, C., De Leon, L., Elepaño, C., Madriaga, M., Aggabao, R., Diaz-Candido, G., Maningo, J., & Tseng, V. (2023). Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digital Health, 2(2), e0000198. https://doi.org/10.1371/journal.pdig.0000198

Lazarides, R., & Lauermann, F. (2019). Gendered paths into STEM-related and language-related careers: Girls’ and boys’ motivational beliefs and career plans in math and language arts. Frontiers in Psychology, 10, 1243. https://doi.org/10.3389/fpsyg.2019.01243

Litalien, D., Tóth-Király, I., Guay, F., & Morin, A. J. (2024). PhD students’ motivation profiles: A self-determination theory perspective. Contemporary Educational Psychology, 77, 102279. https://doi.org/10.1016/j.cedpsych.2024.102279

Liu, W. C., Wang, C. K. J., Kee, Y. H., Koh, C., Lim, B. S. C., & Chua, L. (2013). College students’ motivation and learning strategies profiles and academic achievement: A self-determination theory approach. Educational Psychology, 34(3), 338–353. https://doi.org/10.1080/01443410.2013.785067

López, J. I. E., Valderrama, C. J. M., & Muñoz, A. V. (2023). La deserción universitaria: Un problema no resuelto en el Perú. Hacedor - AIAPÆC, 7(1), 60–72. https://doi.org/10.26495/rch.v7i1.2421

López-Pérez, M. V., Pérez-López, M. C., & Rodríguez-Ariza, L. (2010). Blended learning in higher education: Students’ perceptions and their relation to outcomes. Computers & Education, 56(3), 818–826. https://doi.org/10.1016/j.compedu.2010.10.023

Mortier, P., Demyttenaere, K., Auerbach, R. P., Green, J. G., Kessler, R. C., Kiekens, G., Nock, M. K., & Bruffaerts, R. (2015). The impact of lifetime suicidality on academic performance in college freshmen. Journal of Affective Disorders, 186, 254–260. https://doi.org/10.1016/j.jad.2015.07.030

Roslan, N., Jamil, J. M., Shaharanee, I. N. M., & Alawi, S. J. S. (2024). Prediction of student dropout in Malaysian’s private higher education institute using data mining application. Journal of Advanced Research in Applied Sciences and Engineering Technology, 45(2), 168–176. https://doi.org/10.37934/araset.45.2.168176

Sagasser, M. H., Kramer, A. W. M., Fluit, C. R. M. G., van Weel, C., & van der Vleuten, C. P. M. (2016). Self-entrustment: How trainees’ self-regulated learning supports participation in the workplace. Advances in Health Sciences Education, 22(4), 931–949. https://doi.org/10.1007/s10459-016-9723-4

Sihare, S. R. (2024). Student dropout analysis in higher education and retention by artificial intelligence and machine learning. SN Computer Science, 5(2), 225. https://doi.org/10.1007/s42979-023-02458-w

Song, Z., Sung, S., Park, D., & Park, B. (2023). All-year dropout prediction modeling and analysis for university students. Applied Sciences, 13(2), 1143. https://doi.org/10.3390/app13021143

Spady, W. G. (1970). Dropouts from higher education: An interdisciplinary review and synthesis. Interchange, 1(1), 64–85. https://doi.org/10.1007/BF02214313

Tinto, V. (2006). Research and practice of student retention: What next? Journal of College Student Retention: Research, Theory & Practice, 8(1), 1–19. https://doi.org/10.2190/4ynu-4tmb-22dj-an4w

Tsaur, S., Lin, Y., & Lin, J. (2005). Evaluating ecotourism sustainability from the integrated perspective of resource, community and tourism. Tourism Management, 27(4), 640–653. https://doi.org/10.1016/j.tourman.2005.02.006

Vélez, A., & López, D. (2004). Estrategias para vencer la deserción universitaria. Educación y Educadores, 7, 177–203. http://www.redalyc.org/articulo.oa?id=83400712