Self-Supervised Learning Process for Early Academic Monitoring Using Artificial Intelligence: A Systematic Review
Article Sidebar
Main Article Content
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.
Downloads
Article Details
Section
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
How to Cite
References
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 DOI: 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 DOI: 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 estudiantes universitarios, una revisión. Prisma Tecnológico, 13(1), 77–87. https://doi.org/10.33412/pri.v13.1.3039 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.1016/j.rec.2021.07.010
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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.31876/rcs.v30i1.41667