Minería de datos para identificar factores asociados con la retención de estudiantes universitarios
Autores: Reina Marín, Yuri; Quiñones Huatangari, Lenin; Alva Tuesta, Judith Nathaly; Caro, Omer Cruz; Maicelo Guevara, Jorge Luis; Sánchez Bardales, Einstein; Chávez Santos, River
Idioma: Inglés
Editor: MDPI
Año: 2026
Acceso abierto
Artículo científico
2026
Minería de datos para identificar factores asociados con la retención de estudiantes universitarios
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Retención de estudiantes
Continuidad académica
Motivación
Compromiso
Integración académica
Condiciones sociales y económicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La retención de estudiantes se ha convertido en un gran desafío para las instituciones de educación superior debido a la influencia que ejercen los factores académicos, socioeconómicos, familiares y motivacionales en la continuidad académica de los estudiantes. En este contexto, comprender los determinantes que explican la persistencia universitaria es esencial para diseñar estrategias de retención efectivas. Basado en el análisis de factores relacionados con la motivación, el compromiso, la actitud, la integración académica y las condiciones sociales y económicas, se examinaron los patrones de retención en una población de 532 estudiantes universitarios, de los cuales el 57.7% mostró alta retención, el 38.2% retención media y el 4.1% baja retención. Para identificar los factores con mayor influencia en la continuidad académica, se aplicaron y evaluaron técnicas de minería de datos educativos y modelos de clasificación supervisada utilizando validación cruzada estratificada de 10 pliegues. Los modelos de ensamblaje basados en árboles mostraron el rendimiento predictivo más consistente, siendo Random Forest el que logró los mejores resultados (exactitud = 0.729 +/- 0.058; F1-macro = 0.636 +/- 0.136). La interpretabilidad del modelo se examinó a través del análisis SHAP, que reveló que las condiciones de transporte (0.249), la finalización de tareas (0.170), la ausencia de obligaciones laborales (0.168) y la finalización de cursos (0.164) fueron los predictores más influyentes en la clasificación de los niveles de retención. Además, el análisis de sensibilidad indicó que el compromiso académico representa el 41.6% del impacto predictivo, seguido de la motivación (23.5%). Estos hallazgos demuestran que la retención de estudiantes está moldeada por la interacción de factores académicos, motivacionales y contextuales y proporcionan implicaciones prácticas para el desarrollo de sistemas de alerta temprana, programas de tutoría personalizada, iniciativas de apoyo psicosocial y políticas de asistencia financiera destinadas a fortalecer la retención universitaria.
Descripción
La retención de estudiantes se ha convertido en un gran desafío para las instituciones de educación superior debido a la influencia que ejercen los factores académicos, socioeconómicos, familiares y motivacionales en la continuidad académica de los estudiantes. En este contexto, comprender los determinantes que explican la persistencia universitaria es esencial para diseñar estrategias de retención efectivas. Basado en el análisis de factores relacionados con la motivación, el compromiso, la actitud, la integración académica y las condiciones sociales y económicas, se examinaron los patrones de retención en una población de 532 estudiantes universitarios, de los cuales el 57.7% mostró alta retención, el 38.2% retención media y el 4.1% baja retención. Para identificar los factores con mayor influencia en la continuidad académica, se aplicaron y evaluaron técnicas de minería de datos educativos y modelos de clasificación supervisada utilizando validación cruzada estratificada de 10 pliegues. Los modelos de ensamblaje basados en árboles mostraron el rendimiento predictivo más consistente, siendo Random Forest el que logró los mejores resultados (exactitud = 0.729 +/- 0.058; F1-macro = 0.636 +/- 0.136). La interpretabilidad del modelo se examinó a través del análisis SHAP, que reveló que las condiciones de transporte (0.249), la finalización de tareas (0.170), la ausencia de obligaciones laborales (0.168) y la finalización de cursos (0.164) fueron los predictores más influyentes en la clasificación de los niveles de retención. Además, el análisis de sensibilidad indicó que el compromiso académico representa el 41.6% del impacto predictivo, seguido de la motivación (23.5%). Estos hallazgos demuestran que la retención de estudiantes está moldeada por la interacción de factores académicos, motivacionales y contextuales y proporcionan implicaciones prácticas para el desarrollo de sistemas de alerta temprana, programas de tutoría personalizada, iniciativas de apoyo psicosocial y políticas de asistencia financiera destinadas a fortalecer la retención universitaria.