Guatemala, 27 de octubre del 2025
Autoría: Violeta Zenteno
Se ha detectado que la deserción estudiantil a nivel universitario es un desafío para las instituciones de Educación Superior en América Latina (Escobar Escudero et al. 2025) situación que ha llevado a la búsqueda de alternativas para identificarla, proponer estrategias para mitigarla y retener a los estudiantes en cada ciclo académico.
Existen sistemas con inteligencia artificial que predicen de manera temprana mediante alertas (Zaparan-Cardona et al. 2024) descubren patrones de comportamiento en los estudiantes e identifican aquellos en riesgo de deserción, estos sistemas permiten anticiparse a los riesgos con una eficacia alta, por lo que profundizar en variables nuevas, adicionales a las académicas, demográficas y socioeconómicas que han demostrado ser las más significativas (Tabla 1) y combinar los enfoques tradicionales con el aprendizaje profundo podría mejorar la capacidad predictiva para las instituciones. Pérez-Niño et al. (2024).
Tabla 1
Motivos de deserción en las universidades
| Personales | Socioeconómicos | Académicos | Institucionales |
| Edad, género, estado civil. | Nivel socioeconómico. | Orientación profesional. | Reglamento académico. |
| Problemas domésticos. | Situación laboral del estudiante. | Colegio de secundaria. | Becas y financiamiento. |
| Integración social. | Situación laboral de los padres. | Rendimiento académico. | Relaciones interpersonales |
| Expectativas no satisfechas. | Dependencia económica. | Métodos de estudio. | Grado de identificación con la institución educativa. |
| Incompatibilidad horaria con actividades extraacadémicas. | Nivel educativo de los padres. | Resultado en el examen de admisión. | Calidad del programa. |
| Diversidad funcional | Entorno familiar. | Insatisfacción con el programa académico. | |
| Entorno macroeconómico del país. | Carga académica por semestre. | ||
| Repitencia. |
Fuente. Adaptado de CEDE (2014). Facultad de Economía. Universidad de los Andes.
Según Tsiakmaki et al. (2019) predecir el comportamiento y el rendimiento académico de los estudiantes es una de las tareas más importantes de la *minería de datos, centrándose en tres tipos de problemas predictivos: i) predecir la aprobación o reprobación de cursos, ii) identificar estudiantes con riesgo alto de abandonar un curso, iii) estimar las calificaciones de pruebas y exámenes de cursos específicos y iv) la admisión a la universidad.
Para la universidad, tener identificados los estudiantes en riesgo, permitirá realizar intervenciones oportunas, establecer estrategias para cada caso y brindar un acompañamiento cercano de atención a través del equipo académico y administrativo, para maximizar el éxito estudiantil y reducir el índice de abandono en las facultades.
Algunas estrategias que podrían considerarse para abordar este desafío pueden ser: las tutorías académicas, mentorías cruzadas, círculos de diálogo, comunidades de aprendizaje, microcápsulas de aprendizaje, programas de becas de emergencia, pasantías tempranas remuneradas, entre otras.
*Según la Real Academia Española (2025), la minería de datos: es la alternativa en español, de data mining, para identificar el proceso en el que se analizan grandes volúmenes de datos, con la intención de encontrar patrones que expliquen su comportamiento en un contexto determinado.
En las universidades se utiliza para analizar las características de los estudiantes, las formas de evaluación, los índices de graduación, identificar necesidades de aprendizaje, entre otros.
Referencias
CEDE (2014). Informe Determinantes de la deserción “Informe mensual sobre el soporte técnico y avance del contrato para garantizar la alimentación, consolidación, validación y uso de la información del SPADIES”. Facultad de Economía. Universidad de los Andes. Bogotá D.C. Colombia. https://doi.org/10.3390/app10010090
Escobar Escudero, J., Muñoz Párraga, C., Vela Romo, G., Gavilanes Pachacama, M. y Flores Orellana, C. (2025). Análisis de la Deserción en el Sistema de Educación Superior de la ciudad de Machala. Ciencia Latina. Revista Científica Multidisciplinar. 9 (3). http://dx.doi.org/10.37811/cl_rcm.v9i3.18110
Pérez-Niño, J.,Gualdrón-Guerrero, O., y Barrera-Oliveros, D. (2024). Modelos de Inteligencia Artificial en minería de datos educativos para predecir la deserción en educación superior: una revisión integral. Tecnura, 28(82), 134-155. https://doi.org/10.14483/22487638.23670
Real Academia Española (2025). Minería de datos. En Diccionario de la lengua española (23ª. Ed). Recuperado el 24 de septiembre de 2025, de https://dle.rae.es/miner%C3%ADa
Tsiakmaki, M., Kostopoulos, G., Kotsiantis, S., y Ragos, O. (2019). Implementing autoML in educational data mining for prediction tasks. Applied Sciences, 10(1), 90. https://doi.org/10.3390/app10010090
Zaparan-Cardona, L., Cervantes Lozano, M., García Gonzáles, R., Swaminathan, J., Bayona-Ibáñez, E y Rico-Bautista, D. (2024). Student Attrition in Higher Education: A Systematic mapping of causes and retention strategies. Comunicaciones en Ciencias de la Computación y la Información. CCIS (2209).
