Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 193
Inteligencia artificial para la predicción temprana de
la deserción estudiantil en educación superior:
revisión sistemática
Self-Supervised Learning Process for Early Academic Monitoring
Using Artificial Intelligence: A Systematic Review
Cedeño-Salazar, Bladimir
1
Diaz-Macías Efrain
2
https://orcid.org/0000-0001-5397-7067
https://orcid.org/0000-0003-4087-029X
bcedeno@uteq.edu.ec
efraindiaz@uteq.edu.ec
Ecuador, Quevedo, Universidad Técnica Estatal de
Quevedo
Ecuador, Quevedo, Universidad Técnica Estatal de
Quevedo.
Mendoza-Vargas, Emma Yolanda
3
Escobar-Terán, Harold
4
https://orcid.org/0000-0002-0220-4328
https://orcid.org/0000-0001-9165-6627
emendoza@uteq.edu.ec
hescobar@uteq.edu.ec
Ecuador, Quevedo, Universidad Técnica Estatal de
Quevedo.
Ecuador, Quevedo, Universidad Técnica Estatal de
Quevedo
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/jessr/v6/n3/274
Resumen: La deserción estudiantil constituye un desafío
prioritario para la educación superior debido a sus efectos
académicos, sociales e institucionales. Este estudio analiza
dicha problemática en la Universidad Técnica Estatal de
Quevedo (UTEQ) mediante una revisión sistemática de la
literatura orientada a identificar los principales factores
asociados y examinar el potencial de la inteligencia artificial
para fortalecer el seguimiento académico. La metodología
se desarrolló conforme a los lineamientos PRISMA,
garantizando transparencia en la búsqueda, selección y
evaluación de los estudios. De más de 500 publicaciones
inicialmente identificadas, se incluyeron 20 por su
pertinencia temática y metodológica. Los resultados
evidenciaron que los factores socioeconómicos y
académicos fueron los más influyentes, con una
representación del 30 % cada uno. Asimismo, Colombia
concentró la mayor producción científica, seguida de Perú,
México y Chile. Se propone incorporar técnicas de
aprendizaje automático para detectar tempranamente
estudiantes en riesgo, personalizar intervenciones y
mejorar la retención, el desempeño y la continuidad
educativa en la UTEQ.
Palabras clave: abandono universitario, aprendizaje
automático, minería de datos, analítica educativa, retención
académica.
Research Article
Receptado: 06/Jun/2026
Aceptado: 03/Jul/2026
Publicado: 31/Jul/2026
Cita: Cedeño-Salazar, B., Diaz-Macías, E.,
Mendoza-Vargas, E. Y., & Escobar-Terán, H.
(2026). Inteligencia artificial para la predicción
temprana de la deserción estudiantil en educación
superior: revisión sistemática. Journal of
Economic and Social Science Research, 6(3),
193-
210. https://doi.org/10.55813/gaea/jessr/v6/n3/27
4
Journal of Economic and Social Science Research
(JESSR)
https://economicsocialresearch.com
jessr@editorialgrupo-aea.com
info@editoriagrupo-aea.com
Nota del editor: Editorial Grupo AEA se mantiene
neutral con respecto a las reclamaciones legales
resultantes de contenido publicado. La
responsabilidad de información publicada recae
enteramente en los autores.
© 2026. Este artículo es un documento de acceso
abierto distribuido bajo los términos y condiciones
de la Licencia Creative Commons, Atribución-
NoComercial 4.0 Internacional.
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 194
Artículo Científico
Abstract:
Abstract: Student dropout is a key challenge for higher education due to its academic,
social, and institutional impacts. This study analyzes this issue at the Quevedo State
Technical University (UTEQ) through a systematic literature review aimed at identifying
the main associated factors and examining the potential of artificial intelligence to
strengthen academic monitoring. The methodology was developed in accordance with
PRISMA guidelines, ensuring transparency in the search, selection, and evaluation of
studies. Of the more than 500 publications initially identified, 20 were included based
on their thematic and methodological relevance. The results showed that
socioeconomic and academic factors were the most influential, each accounting for
30% of the total. Furthermore, Colombia accounted for the largest volume of scientific
output, followed by Peru, Mexico, and Chile. The study proposes incorporating
machine learning techniques to detect at-risk students early, personalize interventions,
and improve retention, performance, and educational continuity at UTEQ.
Keywords: college dropout, machine learning, data mining, educational analytics,
academic retention.
1. Introducción
La deserción estudiantil constituye la interrupción temporal o definitiva de la trayectoria
formativa antes de completar un programa académico. Su aparición no responde a
una causa aislada, sino a la interacción de condiciones personales, familiares,
económicas, académicas e institucionales que afectan la permanencia universitaria.
El rendimiento previo, la integración con el entorno educativo y la disponibilidad de
recursos figuran entre los factores explicativos más frecuentes (Parra-Sánchez et al.,
2023). Por ello, su análisis requiere una perspectiva integral que permita reconocer
riesgos, comprender sus relaciones y orientar intervenciones oportunas desde la
gestión institucional (Sanhueza et al., 2021).
En América Latina, la deserción universitaria representa un problema persistente por
sus consecuencias sobre los estudiantes, las instituciones y los sistemas de
educación superior. En Chile se han identificado diferencias entre universidades
públicas relacionadas con la gestión institucional y las condiciones de permanencia
(Sanhueza et al., 2021). En otros contextos regionales, el análisis de datos
académicos ha permitido establecer asociaciones entre desempeño, antecedentes
estudiantiles y probabilidad de abandono (Miranda & Guzmán, 2017). Estas
evidencias muestran que el fenómeno adopta características particulares según el
entorno, por lo que las estrategias preventivas deben responder a las condiciones de
cada institución (Casanova-Villalba et al., 2023).
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 195
Artículo Científico
En Ecuador, la reducción de la deserción fue incorporada como prioridad en el Plan
de Creación de Oportunidades 2021-2025, que estableció disminuir la tasa de
abandono durante el primer año de educación superior del 21,84 % al 19,89 %
(Secretaría Nacional de Planificación, 2021). El cumplimiento de esta meta exige
mecanismos capaces de identificar dificultades antes de que ocasionen la
desvinculación académica. Los modelos predictivos muestran mayor utilidad cuando
integran variables socioeconómicas, demográficas y de rendimiento en un mismo
proceso analítico (Villarreal-Torres et al., 2024).
En la Universidad Técnica Estatal de Quevedo, el seguimiento de los estudiantes de
grado se desarrolla mediante tutorías, encuestas socioeconómicas, entrevistas y
revisión periódica de calificaciones. Aunque estas acciones permiten reconocer
determinadas dificultades, su aplicación puede depender de valoraciones manuales y
de información examinada cuando el riesgo ya se ha manifestado. La minería de datos
facilita la identificación de patrones asociados con la permanencia y el abandono a
partir del desempeño académico (Pérez-Gutiérrez, 2020). De igual manera, la
clasificación automatizada permite agrupar a los estudiantes según niveles de riesgo
y apoyar la priorización del acompañamiento institucional (Eckert & Suénaga, 2015).
La inteligencia artificial ofrece alternativas para fortalecer el seguimiento académico
mediante el procesamiento de numerosos datos y la generación de predicciones
individualizadas. Los algoritmos de aprendizaje automático permiten reconocer
relaciones que podrían pasar inadvertidas mediante procedimientos convencionales y
anticipar casos de abandono (Kuz & Morales, 2023). Las revisiones disponibles
destacan el empleo de técnicas de clasificación, minería de datos y modelos
predictivos para analizar el rendimiento universitario (Jimbo-Santana et al., 2023). Sin
embargo, su utilidad depende de la calidad de los datos, la selección de atributos y la
incorporación de los resultados en la gestión académica (Agrusti et al., 2019).
A partir de esta problemática, el estudio tuvo como objetivo analizar la aplicación de
la inteligencia artificial en la predicción temprana de la deserción estudiantil en
educación superior y valorar su contribución al seguimiento académico de las carreras
de grado de la Universidad Técnica Estatal de Quevedo. Para ello, se desarrolló una
revisión sistemática de publicaciones comprendidas entre 2015 y 2024 en IEEE,
ScienceDirect y Scopus. El análisis permitió identificar los factores predictivos más
frecuentes, las técnicas empleadas y las tendencias investigativas, con el propósito
de formular orientaciones para un sistema institucional de seguimiento oportuno,
personalizado y eficiente (Piedra-Castro et al., 2024).
2. Materiales y métodos
Diseño del estudio
Se desarrolló una investigación de enfoque mixto y alcance descriptivo, con
predominio documental. El procedimiento integró dos componentes complementarios:
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 196
Artículo Científico
una revisión sistemática de la literatura sobre la aplicación de inteligencia artificial en
la predicción de la deserción estudiantil y una fase de entrevistas dirigida a tutores
académicos y personal técnico-administrativo de la Universidad Técnica Estatal de
Quevedo. La combinación de ambas fuentes permitió examinar la evidencia científica
disponible y contrastarla con las condiciones institucionales del seguimiento
académico. No se efectuó una intervención experimental ni se implementó un modelo
predictivo en la universidad; el estudio se orientó al análisis de métodos, factores y
posibilidades de aplicación.
La revisión sistemática se desarrolló conforme a las directrices de la declaración
PRISMA 2020, mediante las etapas de identificación, cribado, recuperación,
elegibilidad e inclusión de publicaciones (Page et al., 2021). Para estructurar la
pregunta principal y delimitar los componentes de la búsqueda se empleó la estrategia
PICO, integrada por población o problema, intervención, comparación y resultado
(Santos et al., 2007).
Formulación de la pregunta mediante PICO
En la fase inicial se definieron los componentes de la estrategia PICO. La población
correspondió a los estudiantes de las carreras de grado de la Universidad Técnica
Estatal de Quevedo; la intervención comprendió el seguimiento académico apoyado
mediante inteligencia artificial; la comparación se estableció con los métodos
convencionales de seguimiento; y el resultado se relacionó con la predicción temprana
de la deserción estudiantil.
Tabla 1
Componentes de la estrategia PICO utilizados en la investigación
Inicial
Identificador
Elemento de la investigación
P
Población o problema
Estudiantes de carreras de grado de la Universidad Técnica
Estatal de Quevedo
I
Intervención o exposición
Seguimiento académico mediante inteligencia artificial
C
Comparación
Métodos convencionales de seguimiento académico
O
Resultados
Predicción de la deserción estudiantil
Nota: (Autores, 2026).
A partir de estos componentes se formuló la pregunta principal: ¿Cómo influyó el
seguimiento académico mediante inteligencia artificial en la predicción de la deserción
estudiantil en las carreras de grado de la Universidad Técnica Estatal de Quevedo, en
comparación con los métodos convencionales?
La pregunta principal se desagregó en cuatro interrogantes secundarias orientadas a
examinar la evolución temporal de las investigaciones, su distribución geográfica, los
factores asociados con la deserción y los métodos de inteligencia artificial empleados.
Estas preguntas dirigieron la búsqueda, la extracción de información y la organización
de los resultados.
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 197
Artículo Científico
Tabla 2
Pregunta principal y preguntas secundarias de la revisión sistemática
Nro.
Preguntas de investigación
RQ1.
¿Cómo influye el seguimiento académico mediante inteligencia artificial en la predicción de
la deserción estudiantil en las carreras de grado de la Universidad Técnica Estatal de
Quevedo en comparación con métodos convencionales?
RQ1.1.
¿Cómo han evolucionado los métodos de inteligencia artificial aplicados en la deserción
estudiantil en la educación universitaria?
RQ1.2.
¿En qué países latinoamericanos se han desarrollado estas investigaciones sobre
aplicación de la inteligencia artificial en la deserción estudiantil en la educación
universitaria?
RQ1.3.
¿Qué factores han influido en la deserción estudiantil en la educación universitaria?
RQ1.4.
¿Cuáles son los métodos de inteligencia artificial más utilizados para integrarlos en la
predicción de la deserción estudiantil?
Nota: (Autores, 2026).
Fuentes de información y periodo de búsqueda
La búsqueda bibliográfica se realizó en IEEE Xplore, ScienceDirect y Scopus,
seleccionadas por su cobertura de publicaciones relacionadas con ciencias
computacionales, inteligencia artificial, educación superior y análisis predictivo. Se
consideraron trabajos publicados entre 2015 y 2024, de acuerdo con la delimitación
temporal establecida para la revisión.
La consulta se orientó hacia investigaciones sobre inteligencia artificial, aprendizaje
automático, aprendizaje profundo, minería de datos, rendimiento académico,
seguimiento estudiantil y predicción de la deserción en instituciones de educación
superior. La búsqueda inicial recuperó 500 registros: 105 procedentes de IEEE Xplore,
178 de ScienceDirect y 217 de Scopus.
Estrategia de búsqueda
Los términos se definieron a partir de los componentes PICO y las preguntas de
investigación. Los sinónimos de cada bloque temático se combinaron mediante el
operador OR, mientras que los bloques se relacionaron mediante AND. La búsqueda
se adaptó a IEEE Xplore, ScienceDirect y Scopus; en esta última se consultaron los
campos de título, resumen y palabras clave.
Tabla 3
Términos y cadena de búsqueda utilizados
Bloque
Términos
Inteligencia artificial
“Artificial Intelligence” OR “Machine Learning” OR “Deep Learning” OR “AI”
Deserción estudiantil
“Student Dropout” OR “Academic Attrition” OR “University Withdrawal” OR
“Retention”
Educación superior
“Higher Education” OR “University” OR “Tertiary Education”
Enfoque analítico
“Evolution” OR “Methods” OR “Techniques” OR “Models” OR “Factors” OR
“Prediction”
Cadena general
("Artificial Intelligence" OR "Machine Learning" OR "Deep Learning" OR "AI") AND
("Student Dropout" OR "Academic Attrition" OR "University Withdrawal" OR
"Retention") AND ("Higher Education" OR "University" OR "Tertiary Education") AND
("Evolution" OR "Methods" OR "Techniques" OR "Models" OR "Factors" OR
"Prediction")
Nota: (Autores, 2026).
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 198
Artículo Científico
Criterios de elegibilidad
Los criterios se establecieron antes de seleccionar las publicaciones y se aplicaron
durante el cribado de títulos, resúmenes y textos completos.
Tabla 4
Criterios de inclusión y exclusión
Inclusión
Exclusión
Publicaciones comprendidas entre 2015 y 2024.
Registros duplicados.
Estudios desarrollados en educación superior.
Publicaciones fuera del periodo establecido.
Investigaciones realizadas en países latinoamericanos.
Estudios ajenos a la educación superior o
desarrollados fuera de Latinoamérica.
Trabajos sobre inteligencia artificial, aprendizaje
automático, aprendizaje profundo o minería de datos.
Documentos sin métodos o resultados
vinculados con inteligencia artificial.
Estudios relacionados con predicción, clasificación o
identificación del riesgo de deserción.
Publicaciones sin relación directa con la
deserción estudiantil.
Investigaciones que presentaron factores o resultados
asociados con el abandono universitario.
Documentos redactados en idiomas no
considerados en el protocolo.
Nota: (Autores, 2026).
Selección de las publicaciones
La búsqueda recuperó 500 registros: 105 de IEEE Xplore, 178 de ScienceDirect y 217
de Scopus. Antes del cribado se eliminaron 200 duplicados, 50 registros considerados
no elegibles mediante herramientas de automatización y 15 documentos por otros
motivos, por lo que quedaron 235 publicaciones.
Durante el cribado se excluyeron 93 registros y se intentó recuperar el texto completo
de 142 publicaciones; 101 no pudieron obtenerse. De los 41 documentos evaluados,
se excluyeron nueve por el idioma, 11 por falta de relación temática y uno por
corresponder a un país no latinoamericano. Finalmente, se incluyeron 20 estudios.
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 199
Artículo Científico
Figura 1
Diagrama del proceso de selección de publicaciones según PRISMA 2020
Nota: (Autores, 2026).
Extracción y análisis de la información
De cada publicación se extrajeron el título, año, país, propósito, factores asociados
con la deserción, técnicas de inteligencia artificial, algoritmos y principales resultados.
La información se organizó en una matriz y se analizó mediante frecuencias absolutas,
porcentajes y síntesis narrativa. No se realizó metaanálisis debido a la heterogeneidad
de los diseños, variables y métricas reportadas.
Entrevistas a actores institucionales
Se entrevistó a 20 tutores académicos y dos integrantes del personal técnico-
administrativo de la UTEQ. En los tutores se examinaron el seguimiento académico,
las herramientas utilizadas, los indicadores de riesgo, las causas atribuidas al
abandono y las estrategias de apoyo. En el personal técnico-administrativo se
analizaron la infraestructura, la actualización de los datos y las funcionalidades del
sistema institucional. Las respuestas se resumieron mediante frecuencias,
porcentajes y categorías temáticas.
Triangulación de la información
Los hallazgos de la revisión sistemática se contrastaron con las respuestas de los
tutores y del personal técnico-administrativo mediante triangulación de fuentes (Okuda
& Gómez-Restrepo, 2005). Se examinaron coincidencias y diferencias relacionadas
con los factores de deserción, el acceso a la información, las limitaciones del
seguimiento y las posibilidades de incorporar herramientas predictivas.
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 200
Artículo Científico
3. Resultados
3.1. Evolución temporal y distribución geográfica de los estudios
La producción científica incluida en la revisión presentó una distribución irregular entre
2015 y 2024. En 2015 se registraron tres publicaciones; en 2016 y 2017 se identificó
una por año; y en 2018 no se incluyeron estudios. La mayor frecuencia se alcanzó en
2020, con cuatro artículos. Posteriormente, se registraron tres publicaciones en 2021,
una en 2022 y tres tanto en 2023 como en 2024. En conjunto, 14 de los 20 estudios
seleccionados se publicaron entre 2020 y 2024, lo que representó el 70 % de la
muestra analizada.
La distribución geográfica mostró una concentración de la producción en Colombia,
país del que procedieron siete investigaciones, equivalentes al 35 % del total. Perú,
México y Chile aportaron tres publicaciones cada uno, con una participación individual
del 15 %. Argentina registró dos estudios, mientras que Ecuador y Costa Rica
presentaron uno respectivamente. De esta manera, Colombia, Perú, México y Chile
reunieron 16 publicaciones y concentraron el 80 % de los trabajos incluidos, mientras
que los tres países restantes representaron conjuntamente el 20 % (Figura 2).
Figura 2
Evolución temporal y distribución geográfica de las publicaciones incluidas
Nota: El panel A presenta el número de publicaciones por año y el panel B su distribución por país.
Total de estudios incluidos: n = 20 (Autores, 2026).
3.2. Factores asociados y métodos de inteligencia artificial
Los factores académicos y socioeconómicos fueron los componentes con mayor
presencia en los estudios examinados y representaron el 30 % de las menciones cada
uno. El artículo original señaló que ambas categorías estuvieron identificadas en 18
de las 20 publicaciones analizadas. Los factores demográficos alcanzaron el 13 %,
seguidos por el nivel de bachillerato con el 7 %, los factores personales con el 6 % y
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 201
Artículo Científico
los institucionales con el 5 %. El género y la falta de becas presentaron las
proporciones más bajas, con el 3 % respectivamente.
Los árboles de decisión constituyeron la técnica más utilizada, al aparecer en 10
estudios, seguidos por las redes neuronales en ocho y random forest en cinco. La
regresión logística y las aplicaciones generales de machine learning se identificaron
en cuatro publicaciones cada una. Las demás técnicas aparecieron entre uno y dos
estudios. Al agrupar los trabajos por enfoque general, el 80 % empleó principalmente
machine learning, el 15 % utilizó deep learning y el 5 % combinó ambos. La frecuencia
de métodos superó el número de artículos porque varias investigaciones evaluaron
más de un algoritmo.
Figura 3
Factores asociados y métodos de inteligencia artificial identificados en la revisión
Nota: El panel A muestra la proporción de menciones de los factores asociados; el panel B presenta el
enfoque general de inteligencia artificial; y el panel C resume la frecuencia de los métodos y algoritmos
reportados. Las categorías no fueron excluyentes (Autores, 2026).
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 202
Artículo Científico
Tabla 5
Métodos de inteligencia artificial y principales resultados de los estudios incluidos
N.º
Estudio
Métodos o técnicas
Resultado principal
1
Modelo de clasificación para la
deserción estudiantil en
universidades públicas del
Perú (2024)
Machine learning
supervisado mediante
H2O.ai y gradient
boosting.
El modelo permitió clasificar la
deserción estudiantil mediante
técnicas supervisadas.
2
Detección de alertas
tempranas para prevenir la
deserción estudiantil (2021)
Árboles de decisión,
regresión logística y
random forest.
Los modelos aportaron alertas
tempranas y elementos para
orientar políticas de retención.
3
Características que influyen
en la deserción en una
universidad latinoamericana
(2023)
Árbol de decisión C4.5
mediante RapidMiner.
Se identificaron patrones
vinculados con la deserción a
partir de las características
disponibles.
4
Análisis multinomial y
predictivo de los factores
asociados con la deserción
(2019)
Regresión multinomial y
random forest.
Random forest presentó el mejor
desempeño y reportó un valor de
0,83 para reconocer al potencial
desertor.
5
Análisis de la deserción
mediante minería de datos
(2017)
Redes bayesianas,
árboles de decisión y
redes neuronales.
Los tres algoritmos presentaron
resultados semejantes para la
predicción.
6
Modelo predictivo
multivariable en programas
virtuales de posgrado (2021)
Deep learning y
procesamiento del
lenguaje natural.
La combinación de ambas
técnicas produjo resultados
favorables para predecir el
desempeño.
7
Modelo predictivo para
detectar estudiantes con alto
riesgo (2021)
Árboles de decisión, KNN,
regresión logística y redes
neuronales.
KNN alcanzó 88,844 % de acierto;
el árbol de decisión obtuvo 88,4
%.
8
Patrones de deserción
mediante minería de datos
educativa (2020)
Selección de atributos y
árbol de decisión C4.5.
El algoritmo C4.5 alcanzó una
precisión del 92,6 %.
9
Análisis de deserción y
permanencia mediante
clasificación (2015)
Redes bayesianas,
árboles de decisión y
reglas.
Los criterios evaluados
presentaron desempeños
similares.
10
Caracterización de la
deserción en educación
superior (2015)
Clustering, árboles de
decisión y reglas.
Se identificó un patrón asociado
con promedio bajo y asignaturas
reprobadas en los primeros
semestres.
11
Ciencia de datos educativos y
deserción universitaria en
México (2023)
Árboles de decisión,
regresión logística,
XGBoost y redes
neuronales.
XGBoost alcanzó una exactitud
superior al 99 %; las demás
técnicas no superaron el 94 %.
12
Modelo de aprendizaje
profundo para universidades
virtuales (2020)
Redes neuronales y deep
learning.
Las redes neuronales fueron
propuestas como herramienta
para analizar la deserción.
13
Comparación de técnicas de
minería de datos (2020)
Árboles de decisión,
regresión logística, naive
Bayes y random forest.
Random forest registró 0,91 en el
tercer semestre y 0,97 en el
último.
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 203
Artículo Científico
14
Minería de datos para detectar
patrones de deserción (2015)
Árboles de decisión
mediante Weka.
La técnica generó información
para la toma de decisiones
institucionales.
15
Variables asociadas con la
deserción de estudiantes de
primer año (2016)
Naive Bayes, random
forest y redes neuronales.
Random forest alcanzó el mejor
desempeño general, con 88,9 %
de exactitud.
16
Inteligencia artificial para
analizar el rendimiento
académico (2023)
Redes neuronales y deep
learning.
La revisión reportó resultados
favorables de las redes
neuronales para predecir el
rendimiento.
17
Estrategias de retención
estudiantil con inteligencia
artificial (2024)
Machine learning
supervisado.
Las técnicas supervisadas fueron
empleadas para apoyar la
predicción y la retención.
18
Inteligencia artificial para
predecir el rendimiento y evitar
el abandono (2024)
Redes neuronales y
random forest.
Random forest fue señalado como
una técnica eficaz para predecir el
rendimiento.
19
Agrupación de estudiantes
según riesgo de abandono
(2022)
Machine learning
supervisado y agrupación
por riesgo.
La clasificación por niveles de
riesgo facilitó la organización de
acciones de acompañamiento.
20
Predicción temprana de la
deserción en cursos
profesionales en línea (2020)
KNN, machine learning y
redes neuronales.
KNN presentó el mejor
desempeño entre las técnicas
comparadas.
Nota: (Autores, 2026).
3.3. Condiciones del seguimiento académico institucional
De los 20 tutores entrevistados, 13 calificaron el proceso de seguimiento académico
como dificultoso, lo que representó el 65 % de los participantes; los siete restantes lo
consideraron aceptable. En cuanto a los recursos utilizados, 13 tutores combinaron
programas ofimáticos con herramientas adicionales para el procesamiento
estadístico, seis trabajaron únicamente con Word y Excel y uno manifestó no utilizar
herramientas tecnológicas. Por tanto, aunque 19 participantes emplearon algún
recurso digital, el seguimiento se apoyó principalmente en aplicaciones ofimáticas y
procedimientos gestionados de manera individual.
Respecto de los indicadores utilizados, 14 tutores señalaron que reconocían a los
estudiantes en riesgo mediante la encuesta socioeconómica institucional y los
registros de calificaciones de los dos parciales del semestre. Los seis participantes
restantes incorporaron, además, una encuesta personalizada aplicada mediante
herramientas digitales. La información evidenció que todos los tutores consideraban
datos socioeconómicos y académicos, pero solo el 30 % complementaba esas fuentes
con información adicional. En las respuestas registradas no se identificó el uso de un
sistema institucional que integrara automáticamente los indicadores y generara
niveles de riesgo.
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 204
Artículo Científico
Figura 4
Condiciones del proceso institucional de seguimiento académico
Nota: Los paneles A, B y C presentan la valoración del seguimiento, las herramientas utilizadas y los
indicadores empleados. El panel D sintetiza las proporciones principales. Total de tutores: n = 20
(Autores, 2026).
3.4. Razones atribuidas al abandono y estrategias de apoyo
Quince de los 20 tutores entrevistados identificaron la falta de apoyo económico como
la principal razón del abandono estudiantil, proporción equivalente al 75 %. Los cinco
participantes restantes, correspondientes al 25 %, atribuyeron la interrupción de los
estudios al desinterés académico y a la reprobación de asignaturas por bajas
calificaciones. Las respuestas concentraron las causas percibidas en dos
dimensiones: las condiciones económicas y el desempeño académico. Estos datos
representaron valoraciones derivadas de la experiencia tutorial y no una medición
directa de las causas entre la totalidad de estudiantes de la institución.
En relación con las acciones desarrolladas, 16 tutores, equivalentes al 80 %, indicaron
que realizaban reuniones personalizadas y actividades de motivación con los
estudiantes en riesgo. Los cuatro participantes restantes, correspondientes al 20 %,
señalaron que recurrían al diálogo con los docentes de las asignaturas para mediar
en los problemas académicos. En consecuencia, las estrategias se concentraron en
el acompañamiento directo, la comunicación y la mediación docente. Las respuestas
no registraron mecanismos automatizados que activaran intervenciones a partir de
alertas o clasificaciones predictivas.
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 205
Artículo Científico
Figura 5
Razones atribuidas al abandono y estrategias de apoyo aplicadas por los tutores
Nota: El panel A presenta las razones atribuidas al abandono y el panel B las estrategias de apoyo
empleadas. Total de tutores: n = 20 (Autores, 2026).
3.5. Integración de los resultados documentales e institucionales
Las entrevistas a dos integrantes del personal técnico-administrativo indicaron que la
información académica y socioeconómica requería procesos de limpieza y mejora
antes de utilizarse con fines analíticos. También se señaló que no existía una
normativa específica para actualizar la información socioeconómica y que el sistema
institucional permitía consultar las calificaciones, pero no generaba alertas asociadas
con el desempeño. Estos hallazgos se integraron con la revisión sistemática y las
respuestas de los tutores para identificar coincidencias y diferencias en los factores,
los datos empleados, las herramientas disponibles y las formas de intervención.
Tabla 7
Integración de los resultados según la fuente de información
Dimensión
Revisión
sistemática
Tutores
académicos
Personal
técnico-
administrativo
Síntesis
Factores
asociados
Predominaron los
factores
académicos y
socioeconómicos.
El 75 % señaló la
falta de apoyo
económico y el
25 % el
desinterés
académico y las
bajas
calificaciones.
No se incorporó
una clasificación
causal adicional.
Coincidencia entre la
evidencia revisada y las
percepciones de los
tutores.
Datos e
indicadores
Los modelos
combinaron
variables
académicas,
socioeconómicas,
demográficas y
personales.
El 70 % utilizó
encuestas
socioeconómicas
y calificaciones;
el 30 % añadió
una encuesta
propia.
Se reconoció la
necesidad de
limpiar y mejorar
los datos.
La información
institucional fue más
limitada y fragmentada
que la utilizada en los
modelos revisados.
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 206
Artículo Científico
Dimensión
Revisión
sistemática
Tutores
académicos
Personal
técnico-
administrativo
Síntesis
Herramientas
Se identificaron
árboles de
decisión, redes
neuronales,
random forest,
regresión
logística y otros
algoritmos.
El seguimiento se
apoyó
principalmente
en programas
ofimáticos y
herramientas
estadísticas.
El sistema
permitía consultar
calificaciones,
pero no generaba
alertas.
Se observó una
diferencia entre las
capacidades predictivas
descritas y las
herramientas
institucionales
disponibles.
Intervención
Los estudios
propusieron
alertas
tempranas,
clasificación del
riesgo y apoyo a
decisiones de
retención.
El 80 % realizó
reuniones y
motivación; el 20
% recurrió a la
mediación con
docentes.
No se reportó un
mecanismo
automatizado
para activar
intervenciones.
Las acciones
institucionales fueron
directas y manuales, sin
activación predictiva.
Condiciones
institucionales
La utilidad de los
modelos
dependió de
datos suficientes,
actualizados y
organizados.
El 65 %
consideró
dificultoso el
seguimiento por
limitaciones de
información.
No existía
normativa
específica para
actualizar los
datos
socioeconómicos.
La calidad y
actualización de los
datos constituyeron
condiciones críticas para
una futura aplicación.
Nota: (Autores, 2026).
4. Discusión
La concentración del 70 % de las publicaciones entre 2020 y 2024 evidenció un interés
reciente por aplicar inteligencia artificial a la predicción de la deserción universitaria.
Esta tendencia coincidió con la expansión de técnicas de aprendizaje automático
destinadas a analizar el rendimiento, la permanencia y el riesgo de abandono
estudiantil (Cruz et al., 2022; Jimbo-Santana et al., 2023). Sin embargo, la producción
se concentró principalmente en Colombia, Perú, México y Chile, mientras que Ecuador
presentó una participación limitada. Esta distribución mostró que el desarrollo regional
no fue homogéneo y que los modelos predictivos deberían adaptarse a las
condiciones académicas, sociales y administrativas de cada institución antes de su
implementación (Martín-Caro, 2024).
Los factores académicos y socioeconómicos fueron los más recurrentes en los
estudios examinados, lo que confirmó el carácter multidimensional de la deserción
universitaria. Las calificaciones, las asignaturas reprobadas y el progreso académico
se relacionaron con condiciones económicas y familiares que afectaron la continuidad
estudiantil. Fernández-Martín et al. (2019) identificaron que la probabilidad de
abandono dependía de la interacción de diversas variables académicas y
contextuales. De manera similar, Milione et al. (2023) determinaron que los datos
obtenidos al inicio de la carrera no resultaban suficientes y que la incorporación del
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 207
Artículo Científico
rendimiento académico incrementaba la capacidad predictiva. Por ello, un sistema
institucional basado en un número limitado de indicadores podría omitir trayectorias
de riesgo complejas.
El predominio del aprendizaje automático, empleado como enfoque principal en el 80
% de las publicaciones, coincidió con otras revisiones de minería de datos educativa.
Los árboles de decisión fueron las técnicas más frecuentes, seguidos por las redes
neuronales y random forest. Agrusti et al. (2019) también identificaron una utilización
recurrente de árboles de decisión, métodos probabilísticos, redes neuronales y
regresión logística, mientras que Parra-Sánchez et al. (2023) señalaron que la
mayoría de los estudios sobre deserción se orientaba a tareas de clasificación. La
presencia de algoritmos interpretables resulta pertinente en el ámbito educativo,
debido a que facilita la identificación de las variables asociadas con cada alerta y
favorece la toma de decisiones institucionales fundamentadas (Urbina-Nájera et al.,
2020).
Las métricas reportadas mostraron que ningún algoritmo presentó una superioridad
constante en todos los contextos. Kuz y Morales (2023) informaron una exactitud
superior al 99 % mediante XGBoost, mientras que Rivera (2021) obtuvo valores
cercanos al 88 % con KNN y árboles de decisión. Por su parte, Pérez-Gutiérrez (2020)
destacó el desempeño de random forest en distintos momentos de la trayectoria
académica. Estas diferencias deben interpretarse con cautela, debido a que los
estudios utilizaron poblaciones, variables, tamaños muestrales y procedimientos de
validación distintos. En consecuencia, la selección de un modelo no debería
sustentarse únicamente en la exactitud informada, sino también en su capacidad de
generalización, interpretabilidad y utilidad para orientar intervenciones concretas.
Los resultados institucionales evidenciaron una brecha entre las capacidades
predictivas descritas en la literatura y el seguimiento aplicado en la UTEQ. Aunque la
mayoría de los tutores utilizaba recursos digitales, el proceso dependía principalmente
de herramientas ofimáticas, encuestas socioeconómicas y revisión manual de
calificaciones. En contraste, los estudios revisados integraron variables académicas,
económicas, personales y demográficas para clasificar niveles de riesgo. Hinojosa et
al. (2022) indicaron que la agrupación de estudiantes según su probabilidad de
abandono podía facilitar la organización de acciones de acompañamiento, mientras
que Villarreal-Torres et al. (2024) demostraron la aplicabilidad de modelos
supervisados para reconocer anticipadamente posibles casos de deserción.
La incorporación de inteligencia artificial en la UTEQ requeriría depurar y actualizar
previamente los datos, integrar las fuentes institucionales y establecer protocolos que
transformen las alertas en acciones de apoyo. La predicción no reduciría por sí sola
la deserción, pues su utilidad dependería de tutorías, orientación académica, apoyo
económico y seguimiento personalizado. Valero et al. (2022) señalaron que las
variables académicas y socioeconómicas podían emplearse conjuntamente para
anticipar el abandono, mientras que Jimbo-Santana et al. (2023) destacaron la
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 208
Artículo Científico
importancia de integrar estas tecnologías en la gestión educativa. No obstante,
cualquier modelo debería validarse con información propia de la UTEQ y funcionar
como apoyo al criterio profesional, sin sustituir la intervención humana (Alquinga-
Collaguazo et al., 2024).
5. Conclusiones
La revisión evidenció que la inteligencia artificial posee un potencial relevante para
fortalecer la predicción temprana de la deserción estudiantil en educación superior,
especialmente mediante algoritmos de aprendizaje automático. Los factores
académicos y socioeconómicos fueron los más recurrentes, mientras que los árboles
de decisión, las redes neuronales y random forest concentraron la mayor aplicación.
En la UTEQ, el seguimiento académico continuó sustentándose principalmente en
herramientas ofimáticas, encuestas socioeconómicas y revisión de calificaciones, sin
sistemas automatizados de alerta. Esta brecha mostró la necesidad de depurar,
integrar y actualizar los datos institucionales antes de implementar modelos
predictivos. Su incorporación debería complementar la labor tutorial, facilitar
intervenciones oportunas y validarse previamente con información propia, bajo
criterios técnicos, éticos y de protección de datos.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Agrusti, F., Bonavolontà, G., & Mezzini, M. (2019). University dropout prediction
through educational data mining techniques: A systematic review. Journal of e-
Learning and Knowledge Society, 15(3), 161–182.
https://doi.org/10.20368/1971-8829/1135017
Alquinga-Collaguazo, N. C., Andino-Jaramillo, R. A., & Guerrero-Bermúdez, Á. E.
(2024). Percepciones, usos y desafíos pedagógicos del uso de la inteligencia
artificial y rendimiento académico en estudiantes de educación superior.
Revista Científica Enfoques del Conocimiento, 1(1), 1–18.
https://doi.org/10.55813/gaea/revistacec/v1/n1/7
Casanova-Villalba, C. I., Herrera-Sánchez, M. J., & Proaño-González, E. A. (2023).
Impacto de la analítica predictiva en la toma de decisiones gerenciales. Revista
Científica Ciencia y Método, 1(3), 16–30.
https://doi.org/10.55813/gaea/rcym/v1/n3/17
Cruz, E., González, M., & Rangel, J. C. (2022). Técnicas de machine learning
aplicadas a la evaluación del rendimiento y a la predicción de la deserción de
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 209
Artículo Científico
estudiantes universitarios, una revisión. Prisma Tecnológico, 13(1), 77–87.
https://doi.org/10.33412/pri.v13.1.3039
Eckert, K. B., & Suénaga, R. (2015). Análisis de deserción-permanencia de
estudiantes universitarios utilizando técnica de clasificación en minería de
datos. Formación Universitaria, 8(5), 3–12. https://doi.org/10.4067/S0718-
50062015000500002
Fernández-Martín, T., Solís-Salazar, M., Hernández-Jiménez, M. T., & Moreira-Mora,
T. E. (2019). Un análisis multinomial y predictivo de los factores asociados a la
deserción universitaria. Revista Electrónica Educare, 23(1), 1–25.
https://doi.org/10.15359/ree.23-1.5
Hinojosa, M., Derpich, I., Alfaro, M., Ruete, D., Caroca, A., & Gatica, G. (2022).
Procedimiento de agrupación de estudiantes según riesgo de abandono para
mejorar la gestión estudiantil en educación superior. Texto Livre, 15, e37275.
https://doi.org/10.35699/1983-3652.2022.37275
Jimbo-Santana, P., Lanzarini, L. C., Jimbo-Santana, M., & Morales-Morales, M.
(2023). Inteligencia artificial para analizar el rendimiento académico en
instituciones de educación superior. Una revisión sistemática de la literatura.
Cátedra, 6(2), 30–50. https://doi.org/10.29166/catedra.v6i2.4408
Kuz, A., & Morales, R. (2023). Ciencia de datos educativos y aprendizaje automático:
un caso de estudio sobre la deserción estudiantil universitaria en México.
Education in the Knowledge Society (EKS), 24, e30080.
https://doi.org/10.14201/eks.30080
Martín-Caro, E. (2024). Análisis de estrategias innovadoras para retención estudiantil
con inteligencia artificial: una perspectiva multidisciplinaria. European Public &
Social Innovation Review, 9, 1–20. https://doi.org/10.31637/epsir-2024-440
Milione, H. F., Fernández, D., Ortiz, C. A., Giménez Prieto, B., Magariños, M. S., &
Appeceix, J. S. (2023). Modelo predictivo para estimar la deserción de
estudiantes en la carrera de medicina de la Universidad Nacional de La
Matanza. Revista de Investigaciones del Departamento de Ciencias de la
Salud, 2(1), 33–40. https://doi.org/10.54789/rs.v2i1.20
Miranda, M. A., & Guzmán, J. (2017). Análisis de la deserción de estudiantes
universitarios usando técnicas de minería de datos. Formación Universitaria,
10(3), 61–68. https://doi.org/10.4067/S0718-50062017000300007
Okuda Benavides, M., & Gómez-Restrepo, C. (2005). Métodos en investigación
cualitativa: triangulación. Revista Colombiana de Psiquiatría, 34(1), 118–124.
https://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0034-
74502005000100008
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., … Alonso-Fernández, S. (2021). Declaración
PRISMA 2020: una guía actualizada para la publicación de revisiones
sistemáticas. Revista Española de Cardiología, 74(9), 790–799.
https://doi.org/10.1016/j.recesp.2021.06.016
Journal of Economic and Social Science Research | Vol. 06 | Num. 03 | Jul – Sep | 2026 pág. 210
Artículo Científico
Parra-Sánchez, J. S., Torres Pardo, I. D., & Martínez de Merino, C. Y. (2023). Factores
explicativos de la deserción universitaria abordados mediante inteligencia
artificial. Revista Electrónica de Investigación Educativa, 25, e18, 1–17.
https://doi.org/10.24320/redie.2023.25.e18.4455
Pérez-Gutiérrez, B. R. (2020). Comparación de técnicas de minería de datos para
identificar indicios de deserción estudiantil, a partir del desempeño académico.
Revista UIS Ingenierías, 19(1), 193–204.
https://doi.org/10.18273/revuin.v19n1-2020018
Piedra-Castro, W. I., Cajamarca-Correa, M. A., Burbano-Buñay, E. S., & Moreira-
Alcívar, E. F. (2024). Integración de la inteligencia artificial en la enseñanza de
las ciencias sociales en la educación superior. Journal of Economic and Social
Science Research, 4(3), 105–126.
https://doi.org/10.55813/gaea/jessr/v4/n3/123
Rivera Vergaray, K. (2021). Modelo predictivo para la detección temprana de
estudiantes con alto riesgo de deserción académica. Innovación y Software,
2(2), 6–13. https://doi.org/10.48168/innosoft.s6.a40
Sanhueza Gutiérrez, D., King-Domínguez, A., & Améstica-Rivas, L. (2021). Incidencia
de la gestión universitaria en la deserción estudiantil de las universidades
públicas en Chile. IE Revista de Investigación Educativa de la REDIECH, 12,
e1270. https://doi.org/10.33010/ie_rie_rediech.v12i0.1270
Santos, C. M. da C., Pimenta, C. A. de M., & Nobre, M. R. C. (2007). The PICO strategy
for the research question construction and evidence search. Revista Latino-
Americana de Enfermagem, 15(3), 508–511. https://doi.org/10.1590/S0104-
11692007000300023
Secretaría Nacional de Planificación. (2021). Plan de Creación de Oportunidades
2021–2025. https://www.planificacion.gob.ec/plan-de-creacion-de-
oportunidades-2021-2025/
Urbina-Nájera, A. B., Camino-Hampshire, J. C., & Cruz Barbosa, R. (2020). Deserción
escolar universitaria: patrones para prevenirla aplicando minería de datos
educativa. RELIEVE. Revista Electrónica de Investigación y Evaluación
Educativa, 26(1), 1–19. https://doi.org/10.7203/relieve.26.1.16061
Valero Cajahuanca, J. E., Navarro Raymundo, Á. F., Larios Franco, A. C., & Julca
Flores, J. D. (2022). Deserción universitaria: evaluación de diferentes
algoritmos de machine learning para su predicción. Revista de Ciencias
Sociales, 28(3), 362–375. https://doi.org/10.31876/rcs.v28i3.38480
Villarreal-Torres, H., Ángeles-Morales, J., Marín-Rodriguez, W., & Cano-Mejía, J.
(2024). Modelo de clasificación para la deserción estudiantil en las
universidades públicas del Perú. Revista de Ciencias Sociales, 30(1), 452–469.
https://doi.org/10.31876/rcs.v30i1.41667