132
ISSN en línea: 2631-2913
MINERÍA DE DATOS PARA LA PREDICCIÓN
DE LA DESERCIÓN ESTUDIANTIL
UNIVERSITARIA: REVISIÓN DE LITERATURA Y
EXPERIMENTACIÓN
DATA MINING FOR PREDICTING UNIVERSITY
STUDENT DROPOUT: LITERATURE REVIEW AND
EXPERIMENTATION
Recibido: 27/12/2024 - Aceptado: 18/03/2026
Marco Antonio Yandún Velasteguí
Docente de la Universidad Politécnica Estatal del Carchi
Tulcán - Ecuador
Magíster en Auditoría de Tecnologías de la Información
Universidad de Especialidades Espíritu Santo UEES
marco.yandun@upec.edu.ec
https://orcid.org/0000-0001-5627-9838
Carlitos Alberto Guano Cárdenas
Docente de la Universidad Politécnica Estatal del Carchi
Tulcán - Ecuador
Magíster en Gerencia de Sistemas
Universidad de las Fuerzas Armadas (ESPE)
carlos.guano@upec.edu.ec
https://orcid.org/0000-0002-7571-2972
133
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
Hernán Darío Cerón Carrera
Estudiante de la Universidad Politécnica Estatal del Carchi
Tulcán - Ecuador
Administrador gastronómico
Universidad UTE
hernan.ceron@upec.edu.ec
https://orcid.org/0009-0009-1736-1949
Alison Lizbeth Piarpuezán Imbaquingo
Estudiante de la Universidad Politécnica Estatal del Carchi
Tulcán - Ecuador
Egresada de Ingeniería en Computación
Universidad Politécnica Estatal del Carchi
alison.piarpuezan@upec.edu.ec
https://orcid.org/0009-0008-3879-8720
Como citar este artículo:
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre
de 2026). Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación. Visión Empresarial, Vol.
16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
134
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Resumen
La deserción universitaria representa un desafío crítico para las instituciones de educación
superior, debido a su impacto económico, académico y social no solo en los estudiantes, sino en
las instituciones. Este estudio adopta un enfoque mixto, conformado por una revisión sistemática
de la literatura y una experimentación práctica mediante técnicas de minería de datos, tomando en
cuenta que, en los últimos años, la minería de datos se ha convertido en una herramienta poderosa
para predecir este fenómeno mediante el análisis de grandes volúmenes de datos. El objetivo
de esta investigación es identicar los factores determinantes asociados al abandono estudiantil
universitario y evaluar la efectividad de distintos algoritmos de aprendizaje automático para su
predicción. La revisión sistemática se desarrolló bajo el método PRISMA y abarcó publicaciones
de los últimos cinco años en bases de datos indexadas. Posteriormente, se ejecutó un experimento
predictivo con un dataset de 34 variables y más de 4.000 registros, aplicando modelos supervisados
como árboles de decisión, Random Forest y Gradient Boosting. Los resultados muestran que los
factores económicos, el rendimiento académico y las condiciones institucionales, son los principales
predictores de la deserción. En la experimentación, Random Forest y los árboles de gradiente
obtuvieron el mejor desempeño en la predicción, mientras que los árboles de decisión ofrecieron una
alta interpretabilidad útil para la toma de decisiones institucionales. Se concluye que la integración
de minería de datos y modelos de aprendizaje automático permite identicar tempranamente a
estudiantes en riesgo y fortalecer estrategias de retención en la educación superior.
Palabras clave: Aprendizaje automático, árboles de decisión, clasicación, predicción, deserción
estudiantil universitaria.
Abstract
e university dropout rate represents a critical challenge for higher education institutions due
to its economic, academic, and social impact, not only on students but also on the institutions
themselves. is study adopts a mixed approach, consisting of a systematic literature review and
a practical experimentation using data mining techniques, considering that in recent years, data
mining has become a powerful tool for predicting this phenomenon through the analysis of large
volumes of data. e objective is to identify the determining factors associated with university
student dropout and to evaluate the eectiveness of dierent machine learning algorithms for its
prediction. e systematic review was conducted following the PRISMA method and included
publications from the last ve years in indexed databases. Subsequently, a predictive experiment
was carried out using a dataset with 34 variables and more than 4,000 records, applying supervised
models such as decision trees, Random Forest, and Gradient Boosting. e results show that
economic factors, academic performance, and institutional conditions are the main predictors
of dropout. In the experimental phase, Random Forest and Gradient Boosting yielded the best
predictive performance, while decision trees oered high interpretability useful for institutional
decision-making. e study concludes that the integration of data mining and machine learning
models enables early identication of at-risk students and strengthens retention strategies in higher
education.
135
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
Keywords: Machine learning, decision trees, classication, prediction, university student dropout
Código JEL: O32 Gestión de la Innovación Tecnológica y la Investigación y Desarrollo
136
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Introducción
La deserción universitaria continúa siendo uno de los desafíos más complejos para las instituciones
de educación superior, no solo por las pérdidas económicas y académicas que genera, sino también
por el impacto humano que deja en la vida de miles de estudiantes. Detrás de cada caso existe una
historia marcada por dicultades económicas, problemas familiares, escasa preparación académica
o falta de acompañamiento institucional. En América Latina, estas realidades se han intensicado
en los últimos años, lo que evidencia la necesidad de comprender este fenómeno con mayor
profundidad (Gutiérrez et al., 2024).
En Ecuador, este fenómeno es crítico. Antecedentes recientes indican tasas de abandono
de hasta el 58.95% en sectores de bajos ingresos y superiores al 52% durante los primeros ciclos
académicos. Estas cifras evidencian que las estrategias actuales de retención resultan insucientes
para frenar la problemática. En este contexto, la minería de datos y las técnicas de aprendizaje
automático han surgido como enfoques prometedores para analizar patrones complejos y predecir
la deserción con alta precisión.
Diversos estudios coinciden en que abandonar la universidad no es un suceso aislado ni
repentino. Más bien, es el resultado de una combinación de factores que interactúan entre sí: el
desempeño académico, el bienestar emocional, la situación económica y el entorno familiar, entre
otros. Sin embargo, comprender esta interacción no siempre es sencillo y los métodos tradicionales
de análisis suelen quedarse cortos para detectar patrones complejos o comportamientos que predicen
el riesgo de abandono (Galve, 2024).
La necesidad de esta investigación radica en la urgencia de adoptar un enfoque preventivo
mediante el uso de tecnología. Aunque la literatura ha identicado múltiples causas del abandono,
existe un vacío en la aplicación de herramientas que permitan anticiparlo. Por ello, este estudio
justica la implementación de técnicas de minería de datos y aprendizaje automático, capaces
de procesar grandes volúmenes de información para detectar patrones de riesgo que los métodos
tradicionales no logran visualizar.
En este escenario, la minería de datos ha ganado un rol fundamental. Gracias a su capacidad
para procesar grandes volúmenes de información, permite descubrir relaciones que no son visibles a
simple vista y anticipar situaciones que podrían afectar la continuidad educativa de los estudiantes.
Esto resulta especialmente valioso para países como Ecuador, donde factores como la necesidad de
trabajar, la falta de recursos y el bajo rendimiento continúan inuyendo de manera signicativa en
la permanencia universitaria (Muñoz, 2024).
A pesar de estos avances, aún existen vacíos en la literatura, especialmente en estudios
que integren de manera conjunta los aspectos académicos, socioeconómicos y emocionales, y que
además validen los modelos predictivos con datos reales. Esta ausencia evidencia la necesidad de
investigaciones más completas, que no solo analicen lo que se ha dicho en los últimos años, sino
que también lleven esos conocimientos a la práctica para generar herramientas útiles y aplicables
(Barahona-Aguisaca et al., 2024).
El objetivo principal es identicar los factores determinantes de la deserción y evaluar la
efectividad de diversos algoritmos predictivos. Se plantea como hipótesis que la integración de
modelos de clasicación, comparando la precisión de Random Forest con la interpretabilidad de los
137
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
Árboles de Decisión, permite identicar tempranamente a los estudiantes en riesgo, de modo que
facilita la creación de estrategias de retención oportunas y fundamentadas en datos.
Marco teórico
Denición y Aplicaciones
o. Minería de datos. La minería de datos es un proceso que permite descubrir patrones y
conocimiento oculto en grandes volúmenes de datos. Sus aplicaciones en la educación
incluyen el análisis del rendimiento académico, la predicción de abandono y la
identicación de factores de riesgo.
p. Técnicas Comunes en Minería de Datos. La minería de datos, como subcampo de la
inteligencia articial, proporciona herramientas analíticas robustas para extraer patrones
signicativos de grandes volúmenes de datos educativos (Luna-Rizo et al., 2024), lo cual
facilita la predicción de la deserción universitaria (Noriega et al., 2024). En el contexto de
la retención estudiantil, estas técnicas permiten modelar variables como el rendimiento
académico, datos demográcos y patrones de interacción en sistemas de gestión del
aprendizaje (LMS), con el n de identicar estudiantes en riesgo de abandono de
manera temprana (Osorio, 2024). Estudios como el de Guadalupe Mori (2025), destaca
la integración de métodos supervisados (clasicación y regresión) y no supervisados
(clustering) para mejorar la precisión predictiva. Con ello, supera enfoques tradicionales
estadísticos al manejar la complejidad y no linealidad inherente a los datos educativos. A
continuación, se detalla las técnicas más comunes aplicadas en este tema.
q. Clasicación: Árboles de decisión, SVM, redes neuronales. La clasicación supervisada
se utiliza para predecir la deserción, tomando en cuenta el resultado nal del estudiante
en relación con su condición académica (abandono, retención y graduación) (Mazurett
Gonzáles, 2025). Esto se logra utilizando algoritmos que aprenden de datos etiquetados
para asignar categorías a nuevas instancias. Los árboles de decisión, por su interpretabilidad
y capacidad para manejar variables categóricas y continuas, son particularmente útiles en
entornos educativos (Párraga, 2024). Estos modelos dividen el espacio de características
en subregiones basadas en reglas de umbral, generando un diagrama de ujo que facilita
la identicación de factores clave de acuerdo con el dataset utilizado.
r. Regresión: Modelos de regresión logística y lineal. La regresión, como técnica
supervisada, modela la relación entre variables predictoras y una respuesta continua o
categórica, siendo esencial para estimar probabilidades de deserción. En el estudio de
Rabelo y Zárate (2024) indican que la regresión logística —una extensión de la regresión
lineal para outcomes binarios estima la logit de la probabilidad de abandono mediante la
función sigmoide, facilitando interpretaciones probabilísticas. En el análisis de retención
universitaria, se ha clasicado correctamente el 89% de los casos, identicando el 98.1%
de desertores al integrar ensambles con redes neuronales y árboles (Ujkani, Minkovska y
Stoyanova, 2022).
138
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Clustering: K-means y DBSCAN
El clustering no supervisado agrupa estudiantes sin etiquetas previas, revelando perles de riesgo
latentes basados en similitudes en datos de comportamiento y rendimiento. K-means, un algoritmo
particional, minimiza la varianza intra-cluster asignando puntos a k centroides iterativamente,
siendo efectivo para segmentar estudiantes en grupos de bajo, medio y alto riesgo de deserción.
Aplicado a datos de admisiones, generó clústeres con siluetas de 0.575, de modo que identicó
perles de desertores con precisión del 80%. Su eciencia escalable lo hace ideal para grandes
cohortes universitarias (Peet Moraga, 2025).
Algoritmos y enfoques en la predicción de deserción
La predicción de la deserción universitaria mediante minería de datos y aprendizaje automático ha
evolucionado rápidamente, incorporando algoritmos supervisados que analizan patrones en datos
académicos, sociodemográcos y de comportamiento para identicar estudiantes en riesgo con alta
precisión (Passeggia et al., 2025). Entre los enfoques más prometedores se encuentran los modelos
de ensemble y boosting, como XGBoost y CatBoost, que destacan por su robustez en conjuntos
de datos desbalanceados y su capacidad para manejar variables categóricas sin preprocesamiento
extenso. La optimización multiobjetivo mediante el algoritmo genético NSGA-II, combinado con
CatBoost y técnicas de balanceo como ADASYN, mejoró la predicción de deserción en logs de
Moodle Rebelo et al., (2025). Gracias a esto, fue posible lograr un F1-score de 0.86 y AUC de
0.95 en la semana 7 de cursos, superando a modelos base como Random Forest y XGBoost en
generalización a cursos no vistos.
Nomenclatura y deniciones de términos. Con el propósito de mantener consistencia conceptual
y terminológica a lo largo del estudio, se establecen las siguientes deniciones y abreviaturas
utilizadas en el análisis de minería de datos y aprendizaje automático aplicado a la predicción de la
deserción universitaria.
Deserción universitaria (Dropout): se reere al abandono denitivo o temporal de los estudios
por parte de un estudiante antes de completar su programa académico. En este trabajo los términos
deserción, abandono estudiantil y dropout se utilizan como equivalentes.
Dataset: conjunto estructurado de datos utilizado para el entrenamiento y evaluación de los
modelos de aprendizaje automático.
Training set: subconjunto de datos utilizado para entrenar los algoritmos de aprendizaje automático.
Test set: subconjunto de datos utilizado para evaluar el rendimiento del modelo entrenado.
Decision Tree (DT): algoritmo de clasicación supervisada que estructura las decisiones en forma
de árbol basado en reglas de división de variables.
Random Forest (RF): método de aprendizaje ensemble basado en múltiples árboles de decisión
que mejora la precisión mediante la combinación de predicciones.
Gradient Boosting (GB): técnica de aprendizaje ensemble que construye modelos de forma
secuencial para reducir el error del modelo anterior.
139
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
Variable objetivo (Target): variable dependiente utilizada para clasicar a los estudiantes en tres
categorías: Dropout, Graduate y Enrolled.
En el presente estudio se utilizará una notación matricial para representar el conjunto
de datos, donde X ∈ ℝⁿˣᵐ representa la matriz de características, n corresponde al número de
observaciones y m al número de variables analizadas.
Materiales y métodos
Diseño de la investigación
El presente estudio adopta un enfoque de investigación mixto de tipo secuencial exploratorio, que
integra una fase cualitativa basada en una revisión sistemática de la literatura y una fase cuantitativa
de experimentación con modelos de aprendizaje automático. En la primera fase se realizó una
revisión sistemática siguiendo el protocolo PRISMA, con el objetivo de identicar los principales
factores asociados a la deserción estudiantil universitaria y las técnicas de minería de datos más
utilizadas para su predicción.
Los resultados obtenidos en esta fase permitieron construir una base conceptual para el
estudio, identicando las variables más relevantes reportadas en la literatura, tales como factores
académicos, socioeconómicos, institucionales y personales. Esta información sirvió como
fundamento teórico para orientar la fase cuantitativa del estudio.
En la segunda fase se desarrolló una experimentación con modelos de aprendizaje automático
utilizando un conjunto de datos de estudiantes universitarios. La selección de variables, así como la
elección de algoritmos de clasicación (árboles de decisión y Random Forest), se fundamentó en los
hallazgos de la revisión sistemática, lo que permitió validar empíricamente los factores identicados
en la literatura.
De esta manera, la integración de ambas fases permitió no solo comprender el fenómeno
de la deserción desde una perspectiva teórica, sino también evaluar su comportamiento mediante
modelos predictivos aplicados a datos reales, fortaleciendo la validez del estudio.
Revisión sistemática de literatura
Para la identicación de los factores de deserción, se aplicó el método PRISMA (Preferred Reporting
Items for Systematic Reviews and Meta-Analyses).
Preguntas de investigación
La revisión se orientó a responder las siguientes interrogantes planteadas para guiar el estudio:
P1: ¿Cuáles son los factores que inuyen en la deserción de estudiantes universitarios?
P2: ¿Qué consecuencias tiene la deserción en la vida de los estudiantes?
P3: ¿Cómo afecta la deserción a las instituciones públicas de educación superior?
P4: ¿Qué técnicas de minería de datos se puede aplicar para la predicción de deserción estudiantil
universitaria?
140
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Estrategia de búsqueda
Las búsquedas se realizaron en las bases de datos Scopus, Web of Science, IEEE Xplore y Google
Scholar, considerando publicaciones entre 2019 y 2024, con el objetivo de identicar estudios
relacionados con la aplicación de técnicas de minería de datos y aprendizaje automático para la
predicción de la deserción estudiantil en educación superior. Con ello, busca identicar patrones,
tendencias y relaciones en conjuntos de datos estructurados y no estructurados. En el ámbito
universitario, para su predicción debe aplicarse algoritmos de aprendizaje automático y técnicas de
análisis de datos, apoyándose en patrones como el comportamiento y rendimiento académico que
permitan predecir la deserción, identicación de factores de riesgo, segmentación de estudiantes,
trayectoria académica.
Ecuación de búsqueda
Con el n de garantizar la replicabilidad del proceso de revisión sistemática, se denió una ecuación
de búsqueda estructurada utilizando operadores booleanos. La estrategia combinó términos
relacionados con la deserción universitaria, minería de datos y aprendizaje automático. La ecuación
aplicada en las bases de datos fue la siguiente:
(“student dropout” OR “university dropout” OR “academic dropout” OR “student
attrition”) AND (“data mining” OR “machine learning” OR “educational data mining”) AND
(“prediction” OR “classication model” OR “predictive model”) AND (“higher education” OR
“university students”)
Las búsquedas se realizaron en las bases de datos Scopus, Web of Science, IEEE Xplore
y Google Scholar, considerando publicaciones entre 2019 y 2024, con el objetivo de identicar
estudios relacionados con la aplicación de técnicas de minería de datos y aprendizaje automático
para la predicción de la deserción estudiantil en educación superior.
Criterios de inclusión y exclusión
Inclusión: Artículos publicados en los últimos cinco años, estudios empíricos, revisiones sistemáticas
y experimentos con modelos predictivos.
Exclusión: Artículos no relacionados con predicción de deserción, publicaciones no revisadas por
pares, y estudios con datos insucientes y población de estudio diferente.
Proceso de Selección
La selección de artículos se realizó siguiendo el método PRISMA, que incluye la identicación,
cribado y selección nal de estudios relevantes.
141
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
Figura 1
Aplicación de metodología PRISMA
Población y objeto de estudio
La experimentación no requirió la recolección de datos primarios en campo, sino que utilizó una
fuente secundaria validada.El objeto de estudio fue el conjunto de datos “Predict Students’ Dropout
and Academic Success”, obtenido del repositorio UCI Machine Learning Repository.
Características de la muestra
El dataset consta de 4,424 registros (estudiantes) y 34 variables.
Variables
Incluye datos demográcos (estado civil, nacionalidad, edad), socioeconómicos (ocupación de los
padres, becas), y académicos (calicaciones previas, unidades curriculares aprobadas).
Preprocesamiento
Los datos se encontraban normalizados y las variables categóricas, como el estado civil, codicadas
numéricamente para facilitar su procesamiento algorítmico.
Procedimiento y métodos de análisis
Para la construcción del modelo predictivo se aplicaron técnicas de aprendizaje supervisado,
especícamente algoritmos de clasicación. El procedimiento metodológico siguió los siguientes
pasos:
142
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
a. Carga y limpieza: Importación del archivo DATA_EXPERIMENTO_DESECCION.
csvy vericación de tipos de variables.
b. Partición de datos:Se dividió el conjunto de datos en dos subconjuntos: 80% para el
entrenamiento del modelo (training set) y 20% para la prueba (test set), utilizando una
semilla aleatoria (random_state=42) para garantizar la reproducibilidad de los resultados.
c. Entrenamiento del modelo: Se conguró un clasicador de Árbol de Decisión
(DecisionTreeClassier), limitando la profundidad del árbol (max_depth=4) para evitar el
sobreajuste y mejorar la interpretabilidad del modelo.Adicionalmente, se exploró el uso
deRandom Forestpara comparar métricas de precisión.
d. Evaluación:Se evaluó el desempeño del modelo en su capacidad para clasicar a los
estudiantes en tres categorías objetivo: Dropout (Deserción), Graduate (Graduado)
yEnrolled(Matriculado).
Resultados y discusión
Factores que inuyen en la deserción de estudiantes universitarios
Factores económicos. Falta de recursos nancieros: La incapacidad para costear matrículas,
transporte, materiales y otros gastos asociados a la universidad es una causa recurrente de la deserción
estudiantil. Estudios destacan que la pérdida de empleo o la ausencia de apoyo económico familiar
agravan esta situación, como muestra Vélez et al. (2025) en su estudio, indican que uno de los factores
más signicativos que contribuye a este problema, está vinculado al ámbito socioeconómico el cual
se conecta con otras dicultades como el desempleo. Estos elementos se transforman en obstáculos
que dicultan la continuidad en los procesos de educación superior, ya que los estudiantes enfrentan
prioridades diarias que deben atender de manera inmediata. El estudio realizado por Núñez (2024)
evidencia que los estudiantes que pertenecen a grupos con ingresos más bajos presentan tasas de
deserción considerablemente altas, alcanzando un 58.95 %.
Necesidad de trabajar: Muchos estudiantes abandonan sus estudios para incorporarse al mercado
laboral y generar ingresos. Según Vélez et al. (2025), la necesidad de contribuir al sustento familiar
obliga a los estudiantes a priorizar el empleo sobre la educación, especialmente en hogares de bajos
ingresos donde los jóvenes son vistos como proveedores económicos. En Ecuador, la precariedad
laboral y los bajos salarios dicultan la conciliación entre trabajo y estudio, lo que lleva a una
interrupción permanente de la trayectoria académica.
Factores académicos. Bajo rendimiento académico: Las calicaciones bajas, la repetición de
asignaturas o dicultades para adaptarse a las exigencias universitarias son predictores clave de
deserción. En la investigación realizada por Buenaño et al. (2024) se estima que el 52,98% de
los estudiantes abandonan la carrera en el primer ciclo debido a la pérdida de materias, lo que
conrma que las calicaciones bajas y las dicultades para adaptarse a las demandas universitarias
son indicadores clave de la deserción. Por otra parte, en Ecuador la investigación de Orellana et
al. (2024) indica que el bajo rendimiento es una de las principales causas de abandono de los
estudios y concuerda con el estudio realizado por Katt et al. (2024) donde los resultados académicos
143
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
mostraron un elevado porcentaje de reprobación, ya que más del 50% de las asignaturas no fueron
aprobadas, siendo esta la principal causa de la deserción.
Falta de preparación previa: Una formación deciente en niveles educativos anteriores diculta
el éxito en la universidad. Núñez (2024) sugiere que la deserción durante los primeros semestres
de la carrera se debe a aspectos vinculados con la preparación académica recibida antes de ingresar
a la universidad. La brecha signicativa entre la educación secundaria y la superior es un obstáculo
especialmente en los estudiantes que consideran que su formación secundaria no les proporcionó
una base sólida en los contenidos, lo que dicultó su adaptación académica y provocó incertidumbre
desde el inicio sobre su capacidad para continuar con la carrera (Fonseca et al. 2022).
Expectativas no cumplidas: Cuando la carrera no satisface las expectativas vocacionales o
profesionales, los estudiantes tienden a abandonar sus estudios. Fonseca et al. (2022) mencionan que
los estudiantes que tuvieron problemas para adaptarse al entorno académico universitario crearon
una sensación de desaprendizaje, confusión, frustración y sensación de rezago, lo que resultó en
desmotivación y una mayor percepción de obstáculos y presiones. Esta situación provocó que sus
expectativas iniciales sobre la universidad no se cumplieran y terminaran por abandonar la carrera.
Factores personales y psicológicos. Falta de motivación: La ausencia de un proyecto de vida claro
o desinterés por los estudios inuye en la decisión de desertar. Los estudiantes que no tienen claro
su proyecto de vida pueden llegar a sentir esa confusión sobre su futuro, es una de las razones
principales por las que deciden dejar la universidad (Vidal Chica 2023).
Problemas emocionales: Los problemas emocionales y los trastornos psicológicos, como la ansiedad,
la depresión y el estrés, pueden afectar de manera signicativa la capacidad de los estudiantes para
concentrarse y mantenerse motivados en sus actividades académicas, Jarrin y Moreta (2024). La
presión académica junto con la falta de apoyo psicológico incrementa estos problemas emocionales,
lo que disminuye la autoestima de los estudiantes y contribuye a que muchos decidan abandonar
la universidad. Por lo tanto, estas dicultades no solo afectan el rendimiento académico, sino que
también inuyen en la continuidad educativa (Orellana et al., 2024).
Orientación vocacional deciente: Los estudiantes consideran la orientación profesional como
un factor signicativo para continuar con los estudios universitarios, Gracia y Vega (2024). En este
sentido, Quincho (2024) enfatiza que una orientación adecuada fomenta una elección de carrera
consciente, alineando los intereses y capacidades de los estudiantes con sus metas profesionales, lo
que fortalece su motivación y compromiso académico. Además, Duque et al. (2024) sugieren que la
intervención de un profesional en orientación vocacional antes del ingreso a la educación superior
es fundamental para reducir el riesgo de deserción, al evitar decisiones erróneas en la selección de
carrera que puedan derivar en abandono.
Factores familiares y sociales. Falta de apoyo familiar: La ausencia de soporte emocional o económico
incrementa el riesgo de deserción. Acosta et al. (2024) mencionan que la falta de motivación por
parte de los padres es un factor crucial, ya que afecta la autoestima de sus hijos, dicultando que
estos logren completar sus estudios universitarios. En el estudio se determina que este factor afecta
al 62% de los estudiantes. En este mismo contexto, Conde et al. (2023) señalan que el alto índice
144
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
de abandono escolar está inuenciado por las condiciones sociofamiliares que afectan las actitudes
y conductas de los estudiantes en el aula.
Integración social: Las dicultades para adaptarse al ambiente universitario, como los conictos
sociales y las exigencias académicas, son factores determinantes en la deserción estudiantil. Según
Escalante et al. (2023), las demandas académicas y las estrategias de aprendizaje desempeñan un
papel clave, ya que los estudiantes deben ajustarse a un entorno más exigente, lo que lleva a muchos
a abandonar sus estudios al no poder manejar la presión de la formación profesional. Por su parte,
Orellana et al. (2024) complementan esta idea al señalar que la deserción es más frecuente en los
primeros semestres y se asocia a la difícil transición de la educación media a la superior, donde los
estudiantes enfrentan mayores responsabilidades y desafíos académicos.
Factores institucionales. Calidad de la educación: Los planes de estudio desactualizados, las
metodologías poco efectivas o la falta de apoyo docente impactan negativamente en la motivación
de los estudiantes. Según Núñez (2024), en Ecuador, los factores instruccionales y académicos
desempeñan un papel determinante en este problema y a pesar de los esfuerzos por mejorar la
calidad educativa, persisten desafíos signicativos en la adaptación académica y en la calidad de la
enseñanza, los cuales impactan directamente la permanencia estudiantil.
Falta de acompañamiento: La ausencia de tutorías, asesorías o programas de retención diculta
la continuidad de los estudiantes en sus estudios de educación superior. Villegas y Núñez (2024)
explican que la falta de programas de acompañamiento, como tutorías y asesorías personalizadas,
es un factor crítico que contribuye a la deserción universitaria en América Latina. Los autores
argumentan que las instituciones que no implementan estrategias de retención efectivas tienen un
aumento de abandono, especialmente entre estudiantes de primer ingreso.
Gestión institucional: Factores como horarios exibles, infraestructura adecuada, programas de
orientación profesional y apoyo socioeconómico, son esenciales para reducir la deserción. Por ende,
la deciencia en estos procesos conduce a los estudiantes al desapego institucional, Delgado (2024).
Según Quincho (2024), los aspectos institucionales, como la calidad de los servicios de apoyo y
las políticas educativas adecuadas, son fundamentales para garantizar el éxito académico de los
estudiantes y mejorar la retención estudiantil.
Los factores económicos tienen una alta incidencia en la deserción. Acosta-Román et al.
(2024) muestran que, en Perú, el 42 % de los estudiantes están en alto riesgo de deserción por
motivos económicos, mientras que, en Ecuador, Loaiza et al. (2023) identican las dicultades
económicas como el factor más signicativo, seguido por problemas académicos y personales. En
la Tabla 1 se categorizan las variables junto con la valoración cuanticada, según la escala de Likert,
basada en la frecuencia e impacto reportados en los estudios mencionados previamente.
145
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
Tabla 1
Factores que inuyen en la deserción universitaria y sus referencias
Categoría Factor
Valoración
(1-5)
Referencias
Económicos
Falta de recursos
nancieros
5
Vélez et al., (2025), Núñez
(2024)
Necesidad de trabajar 4 Vélez et al., (2025)
Académicos
Bajo rendimiento
académico
4
Castro et al., (2021);
Orellana et al., (2024); Katt
et al., (2024)
Falta de preparación
previa
3
Núñez, (2024); Fonseca Et
al., (2022)
Expectativas no
cumplidas
3 Fonseca et al., (2022)
Personales y
psicológicos
Falta de motivación 3 Vidal Chica, (2023)
Problemas
emocionales
3
Jaramillo y Moreta (2024);
Orellana et al., (2024)
Orientación vocacional
deciente
3
De Gracia y Vega (2024);
Quincho (2024); Duque et
al., (2024)
Familiares y
sociales
Falta de apoyo
familiar
integración social
4
3
Acosta et al., (2024);
Conde et al., (2023)
Escalante et al., (2023);
Orellana et al., (2024)
Institucionales
Calidad de la
Educación
3 Núñez (2024)
Falta de
acompañamiento
4 Villegas y Núñez (2024)
Gestión institucional 3
Quincho (2024); Delgado
(2024)
Consecuencias de la deserción en la vida de los estudiantes
Impacto en la empleabilidad. La deserción universitaria en Ecuador incide directamente en
las oportunidades laborales de los estudiantes, al limitar su acceso a empleos formales y bien
remunerados. En un entorno laboral cada vez más competitivo, la falta de un título universitario
coloca a los desertores en situaciones de vulnerabilidad laboral. Rojeab et al. (2024) arman que, en
ciertas carreras técnicas existe una saturación del mercado, lo cual genera desempleo y desincentiva la
continuidad de los estudios superiores. Esta dinámica se convierte en un círculo vicioso: abandonar
146
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
la universidad en busca de ingresos inmediatos solo lleva a empleos informales o precarios. Además,
Vélez et al. (2025) explican que los factores socioeconómicos son determinantes en la deserción, ya
que muchos estudiantes deben abandonar sus estudios para apoyar económicamente a sus familias.
Esta necesidad de generar ingresos a corto plazo sacrica el acceso a una formación académica que,
a mediano y largo plazo, garantizaría una mejor empleabilidad.
Limitación en la movilidad social. Abandonar los estudios universitarios limita severamente
las posibilidades de los jóvenes ecuatorianos para mejorar su situación socioeconómica. Según el
Instituto Nacional de Estadística y Censos (INEC, 2024), quienes no culminan la educación superior
tienen mayores probabilidades de quedar atrapados en condiciones de subempleo o pobreza. Vélez
et al. (2025) también coinciden en que la deserción universitaria actúa como un obstáculo para la
movilidad social ascendente, ya que impide la obtención de credenciales académicas que son claves
para acceder a mejores oportunidades.
Impacto psicológico y emocional. La dimensión emocional y psicológica es un factor muchas
veces invisibilizado en el análisis de la deserción. En este contexto, Moreta-Herrera et al. (2021)
evidencian que una parte signicativa de la población universitaria en Ecuador presenta síntomas
relevantes de ansiedad y depresión. Estas condiciones de malestar psicológico no solo afectan el
bienestar personal del estudiante, sino que pueden agravar su sensación de fracaso y convertirse
en detonantes decisivos para el abandono de la carrera. Estos efectos psicológicos no solo afectan
su bienestar inmediato, sino que también disminuyen su capacidad para retomar la educación o
insertarse de manera exitosa en el ámbito laboral. Asimismo, Muñoz y Cedeño (2024) señalan que
la soledad no deseada, un fenómeno creciente en el entorno universitario ecuatoriano, contribuye
a la desconexión emocional con el entorno académico, afectando la motivación y la permanencia
estudiantil.
Efecto en el desarrollo personal y profesional. La interrupción de los estudios universitarios
impide el desarrollo integral de los jóvenes, tanto en el plano personal como en el profesional.
Villegas y Núñez (2024) sostienen que la ausencia de programas institucionales de acompañamiento
estudiantil debilita la permanencia y limita la formación de competencias clave para el mundo
del trabajo. La falta de estrategias de retención impide que los estudiantes completen su proceso
de formación, afectando su autoconanza y su preparación para afrontar los retos profesionales.
Por otro lado, Ávila et al. (2024) advierten que las falencias en la gestión institucional —como la
escasez de tutorías, asesorías académicas o servicios de orientación vocacional— también inciden
en la decisión de abandonar los estudios. Estas carencias frenan el potencial de desarrollo de los
estudiantes y reducen su capacidad de proyección a futuro, en la Tabla 2 se muestra los resultados
de estudios en donde se realiza una valoración de acuerdo con el factor y la justicación literaria
encontrada.
147
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
Tabla 2
Categorías, factores y justicaciones de la deserción universitaria (2025)
Categoría
Valoración
Factor Justicación
(1-5)
Empleabilidad
5
Saturación del mercado
laboral
El exceso de profesionales en ciertas
carreras genera desempleo, lo que
desincentiva la continuidad de los
estudios (Granda et al., 2024).
4
Factores
socioeconómicos
La necesidad de trabajar para
sostener a la familia limita la
posibilidad de mantenerse en la
universidad (Vélez et al., 2025).
Movilidad social
4
Limitación en la
movilidad social
El abandono universitario
perpetúa la pobreza al restringir
las oportunidades de mejora social
(Vélez et al., 2025).
3
Desigualdad en zonas
rurales
Jóvenes en zonas rurales tienen
menor acceso a educación superior,
reduciendo sus posibilidades de
ascenso social (INEC, 2024).
Impacto psicológico y
emocional
4 Problemas emocionales
La ansiedad y la depresión son
frecuentes entre los universitarios
Moreta-Herrera et al. (2021).
3 Soledad no deseada
La falta de integración social
universitaria incrementa el
aislamiento y disminuye la
motivación (Muñoz y Cedeño,
2024).
Efecto en el desarrollo
personal
4
Falta de
acompañamiento
Programas de retención son clave
para reducir la deserción y fomentar
la permanencia (Rafael Villegas y
Núñez Lira, 2024).
3 Gestión institucional
Deciencias en la administración
académica, como falta de tutorías o
servicios, inuyen en el abandono
(Ávila et al., 2024).
148
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Consecuencias de la deserción en las instituciones públicas de educación superior
Tabla 3
Afectaciones de la deserción universitaria y referencias
Autores Afectación Artículo
Amaya et al., 2020;
Salinas, 2023
Compromete la sostenibilidad
nanciera de las universidades
Pérdida de recursos públicos
invertidos en estudiantes
Big data, una estrategia para evitar la
deserción escolar en las IES.
Deserción en la Educación Superior en
Ecuador, causas y consecuencias.
Crisis económica post pandemia: cómo
afecta en el acceso a la educación superior
en el Paraguay.
Herreño-Munera et al.,
2024; Cajigal-Molina,
2022
Deciencias en calidad educativa,
afecta reputación y atracción de
alumnos
La deserción estudiantil en laeducación
superior: tendencias y oportunidades en la
era post pandemia.
Resiliencia y deserción escolar. Un estudio
para plantear estrategias desde la tutoría
en la educación superior.
Castro Guerra, 2023;
Salcedo-Escarria, 2020
Rediseño de procesos y estrategias
de retención con más recursos
Factores que inuyen en la deserción
estudiantil en Instituciones de Educación
Superior en Latinoamérica durante
los años 2017 a 2022: una revisión de
literatura.
Deserción universitaria en Colombia.
Terrazas et al., 2022;
López Acosta, 2023;
Ministerio de Educación
Nacional, 2022
Frustra movilidad social, barreras
por pandemia
El estrés académico y afectaciones
emocionales en estudiantes de nivel
superior.
Estrategias para promover la permanencia
en educación superior.
La deserción estudiantil en las instituciones públicas de educación superior genera efectos
signicativos en múltiples dimensiones. Económicamente, implica una pérdida de recursos públicos
invertidos en estudiantes que no culminan sus estudios, incluyendo subsidios estatales y costos
operativos, lo que compromete la sostenibilidad nanciera de las universidades (Amaya et al., 2020;
Granda, 2024; Salinas, 2023). Académicamente, altas tasas de deserción reejan deciencias en la
calidad educativa, como la falta de preparación previa de los estudiantes o insucientes programas
de acompañamiento, lo que afecta la reputación institucional y su capacidad para atraer nuevos
alumnos (Cajigal-Molina, 2022; Herreño-Munera et al., 2024).
Desde el ámbito organizativo, en un estudio realizando en Colombia se determinó que la
deserción obliga a las instituciones a rediseñar procesos administrativos y académicos, implementando
149
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
estrategias de retención que demandan recursos adicionales, como tutorías y servicios psicológicos
(Castro Guerra, 2023; Salcedo-Escarria, 2020). Socialmente, el abandono estudiantil frustra las
expectativas de movilidad social de los estudiantes y limita la formación de profesionales necesarios
para el desarrollo económico, un desafío crítico para las universidades públicas como pilares de
equidad (López Acosta, 2023; Terrazas et al., 2022). Finalmente, un estudio realizado en Colombia
demostró que la pandemia por COVID-19 agudizó estos problemas al incrementar las barreras
tecnológicas y económicas, forzando a las instituciones a innovar en inclusión digital y bienestar
estudiantil (Ministerio de Educación Nacional, 2022).
La deserción estudiantil tiene un impacto signicativo en las universidades públicas,
ya que provoca pérdidas económicas debido al desperdicio de recursos, afecta su reputación
académica, obliga a modicar procesos internos para mantener la permanencia estudiantil y
limita las oportunidades de movilidad social de los jóvenes. Por esta razón, es fundamental que
estas instituciones adopten estrategias prácticas y ecaces, como programas de tutoría, asistencia
psicológica y acceso a tecnologías digitales, con el n de apoyar a los estudiantes y asegurar que
concluyan sus estudios satisfactoriamente.
Técnicas de minería de datos para la predicción de deserción estudiantil
universitaria
La revisión sistemática de la literatura revela que existen diversas técnicas de minería de datos
efectivas para predecir la deserción estudiantil universitaria, permitiendo identicar patrones y
factores de riesgo de manera temprana. Según Cedillo et al. (2024), la Minería de Datos Educativa
(MDE) emplea métodos como estadísticos y algebraicos, redes bayesianas, algoritmos evolutivos,
tablas de contingencia, árboles de decisión, redes neuronales articiales, y enfoques estocásticos
y borrosos para analizar datos educativos y predecir resultados como la deserción, considerando
variables como rendimiento académico y comportamiento estudiantil. Por su parte, Parra et al.
(2023) destacan el uso de árboles de decisión, métodos probabilísticos, regresión logística, redes
neuronales, k-means y k-vecinos, señalando que los árboles de decisión son los más utilizados por
su ecacia en la predicción.
Estos métodos mencionados anteriormente se complementan con algoritmos como:
DecisionTable, JRip, OneR, PART, DecisionStump, HoedingTree, J48, LMT, Random- Forest,
RandomTree y REPTree, aplicados en el estudio de Cornejo et al. (2023). En este se concluye que
RandomTree fue el más preciso para predecir la deserción, identicando factores clave como el
semestre cursado, exámenes extraordinarios, región de procedencia, edad y calicación de admisión.
Finalmente, Melo (2024) utilizó algoritmos de aprendizaje supervisado como regresión logística,
árboles de decisión, Random Forest, K-Nearest Neighbors (KNN) y Support Vector Machine
(SVM), determinando que Random Forest es el más efectivo para predecir la deserción con una
precisión del 81.31 %, considerando variables institucionales y estudiantiles.
150
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Tabla 4
Técnicas y algoritmos utilizados en estudios sobre deserción universitaria
Autor Técnicas/Algoritmos
Mejor
precisión
Cedillo et al., 2024
Estadísticas y algebraicas
Redes bayesianas
Algoritmos evolutivos
Tablas de contingencia Árboles
de decisión
Redes neuronales articiales
Estocásticas y borrosas
No especica
Parra et al., 2023
Arboles de decisión
Métodos probabilísticos
Regresión logística
Redes neuronales
K-means
K-vecinos
Árboles de
decisión
Cornejo et al., 2023
DecisionTable
Jrip OneR
DecisionStump HoedingTree
J48
LMT
RandomForest RandomTree
REPTree PART
RandomTree
Melo, 2024
Regresión logística
Árboles de decisión Random
Forest
K-Nearest Neighbors (KNN)
Support Vector Machine (SVM)
Random Forest
Patiño et al., 2024
Random Forest
Naive Bayes LightGBM XGBoost
Random Forest
Árboles de decisión. Los árboles de decisión, incluyendo algoritmos como C4.5 y Random Forest,
han demostrado ser altamente efectivos en la clasicación de estudiantes con riesgo de deserción.
Estos modelos permiten crear reglas claras y visuales que segmentan a los estudiantes con base
en características como desempeño académico, número de materias reprobadas o asistencia Vélez
151
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
et al., (2025). Además, su facilidad de interpretación los convierte en una opción atractiva para
instituciones educativas con personal no especializado en análisis de datos.
Redes neuronales. Las redes neuronales son útiles para modelar relaciones complejas entre variables
académicas, socioemocionales y de contexto. En estudios recientes, como el de Camargo García
(2020), se ha evidenciado su ecacia en la predicción de abandono universitario. Estos modelos
destacan por su capacidad de detectar patrones no lineales y ocultos en los datos, aunque presentan
desafíos en cuanto a su interpretación (Patiño Hernández et al., 2024).
Máquinas de soporte vectorial (SVM). Las máquinas de soporte vectorial son técnicas robustas para
clasicar estudiantes en función de características complejas. Urbina-Nájera et al. (2020) reportan
que estas técnicas obtienen altos niveles de precisión al diferenciar entre estudiantes que desertan y
los que continúan sus estudios, incluso en contextos de alta dimensionalidad. Sin embargo, su uso
requiere un ajuste cuidadoso de parámetros como el kernel.
Naive Bayes. El algoritmo Naive Bayes es una opción eciente y sencilla para la clasicación de
estudiantes con alto o bajo riesgo de deserción. Aunque asume independencia entre variables, ha
mostrado resultados prometedores en educación superior debido a su bajo costo computacional y
su velocidad de entrenamiento Castrillón-Gómez et al., (2020). Por su parte, Patiño Hernández et
al. (2024) indican que las técnicas de minería de datos permiten una identicación temprana de los
factores que inuyen en la deserción estudiantil.
Experimentación
Recopilación de datos y explicación dataset. Para la obtención del dataset, se realizó una búsqueda
en el repositorio de la Universidad de California en Irvine (UCI), el cual recopila información para
machine learning; en este se encontró “´Predict Students´ Dropout and Academic Success”, el cual
cuenta con información de estudiantes con diferentes datos como: a) el estado civil, b) nacionalidad,
c) notas por curso, entre otros. Estos datos están normalizados para facilitar su tratamiento como
se muestra en la Figura 2.
Figura 2
Normalización del dataset obtenido de UCI Machine Learning Repository
En la Figura 2 se puede ver cómo en la variable Marital Status, la descripción muestra a
cada estado civil con un número para así evitar que existan variaciones en la información como, por
ejemplo, algún error ortográco.
Como resultado se dispone del dataset que va a ser utilizado en la experimentación.
152
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Tabla 5
Dataset
Marital status
Application
mode
Application order . . . Target
1 17 5 . . . Dropout
1 15 8 . . . Graduate
1 1 5 . . . Dropout
1 17 2 . . . Graduate
Para la experimentación de un modelo de predicción se utilizó el software de analítica de
datos KNIME Analytics Platform. La Figura 3 presenta la conguración del nodo CSV Reader
en la plataforma KNIME, utilizada para la carga y preprocesamiento de los datos experimentales
empleados en la presente investigación. Se cargó el archivo denominado DATA EXPERIMENTO_
DESECCION.csv, el cual contiene un conjunto de datos tabulares estructurados, relacionados
con un estudio sobre parámetros académicos, socioeconómicos y demográcos de estudiantes
universitarios vinculados a eventos de deserción.
El nodo se ha congurado para leer desde el sistema de archivos local, identicando
automáticamente el formato del archivo delimitado por comas, el cual reconoce la primera la
como encabezado de columnas. La vista previa en la parte inferior de la interfaz permite vericar
los nombres y tipos de las variables como: estado civil, ingresos del solicitante, puntajes académicos
previos, nacionalidad, y niveles educativos de los padres. La última columna Adm representa un
valor numérico relacionado con el desempeño.
153
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
Figura 3
Interfaz de conguración del lector de archivos CSV en KNIME
El conjunto de datos puede representarse como una matriz X ∈ Rn×m, donde n representa el número
de observaciones (las) y m el número de variables (columnas). Cada la xi ∈ Rm corresponde al
vector de características de un estudiante i y cada columna xj representa una variable relevante en
el análisis.
Este conjunto de datos constituye la base para posteriores análisis estadísticos, tales como
regresión lineal múltiple, clasicación supervisada, o reducción de dimensionalidad mediante
análisis de componentes principales (PCA), los cuales permiten modelar la variable dependiente
Adm como función de un conjunto de predictores X
1
, X
2
, . . . , X
m
:
Donde yˆ es la estimación del puntaje de desempeño, βi son los coecientes de regresión y
ε es el error aleatorio.
Código fuente para generar el árbol de decisión a través del lenguaje de
programación Python
# Importación de librerías
import pandas as pd
from sklearn.model_selection import train_test_split
154
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
from sklearn.tree import DecisionTreeClassifier, plot_tree
import matplotlib.pyplot as plt
# Cargar dataset
df = pd.read_csv(“DATA_EXPERIMENTO_DESECCION.csv”, sep=”;”)
# Limpieza de datos
df = df.dropna()
# Separación de variables
X = df.drop(columns=[“Target”])
y = df[“Target”]
# Codificación de variables categóricas
X = pd.get_dummies(X)
# División entrenamiento / prueba
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42)
# Creación del modelo
clf = DecisionTreeClassifier(max_depth=4, random_state=42)
# Entrenamiento
clf.fit(X_train, y_train)
# Visualización del árbol
plt.figure(figsize=(20, 12), dpi=150)
plot_tree(
clf,
feature_names=X.columns,
class_names=[str(c) for c in clf.classes_],
filled=True,
rounded=True,
fontsize=10,
impurity=True,
proportion=True,
precision=2
)
plt.title(“Árbol de Decisión (max_depth=4)”, fontsize=14, pad=20)
plt.tight_layout()
# Guardar imagen
plt.savefig(“decision_tree.png”, dpi=300, bbox_inches=”tight”)
plt.show()
Listing 1: Código Fuente para Generación de Árbol de Decisión
Árbol de decisión generado con Python. El árbol de decisión que se muestra en la Figura 4
tiene una profundidad de cuatro niveles y busca predecir la situación académica de los estudiantes,
clasicándolos como desertores, matriculados o graduados. Para ello, se consideran variables
relacionadas con el rendimiento en los primeros semestres, el cumplimiento de pagos y factores
socioeconómicos como la ocupación de los padres o la edad de ingreso. La variable principal que
guía la división del árbol es el número de materias aprobadas en el segundo semestre. Si un estudiante
155
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
aprobó con 3.5 o menos, hay una mayor probabilidad de que abandone sus estudios. Este patrón se
refuerza cuando también se matriculó en pocas asignaturas o si su madre no tiene empleo formal, lo
que reeja el impacto de las condiciones sociales en la continuidad académica.
El cumplimiento del pago de matrícula es otro factor relevante. En varios nodos, los atrasos
en el pago se asocian con mayores tasas de deserción o con dicultades para graduarse, aunque estos
casos presentan índices de Gini elevados, lo que sugiere la inuencia de otras variables.
Por otro lado, si un estudiante aprobó más de 3.5 materias y presentó más de 8.5 en las
evaluaciones en el primer semestre, tiene una alta probabilidad de que se gradúe. Esto indica que la
participación desde el inicio del ciclo académico es un factor clave para el éxito.
Este modelo no solo permite predecir la trayectoria académica de los estudiantes, sino
que también ofrece una herramienta útil para identicar factores de riesgo y tomar decisiones
institucionales enfocadas en prevenir la deserción.
Figura 4
Árbol de predicción de la situación académica de los estudiantes
Árbol de decisión, Random Forest. El árbol de decisión se generó en el software KNIME. Para crear
este árbol se clasica a los estudiantes en dos categorías principales: graduados y desertores, utilizando
variables académicas, socioeconómicas y administrativas. Se consideran condiciones especícas en
cada nodo para segmentar a los estudiantes según perles similares. La notación w = x representa el
peso de cada regla en la clasicación, siendo mayor cuando la inuencia es más signicativa. Entre
los factores más relevantes destaca el rendimiento académico en el segundo semestre, especialmente
el número de materias aprobadas. Aprobar menos de 1.5 o 3.5 asignaturas está fuertemente asociado
con la deserción, lo cual evidencia que un bajo desempeño al inicio es un claro indicador de riesgo.
El valor de desempeño también cumple un papel importante: puntuaciones menores a 136.05
incrementan la probabilidad de abandono, en línea con investigaciones previas sobre persistencia
156
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
estudiantil. El contexto socioeconómico inuye considerablemente en los resultados. Por ejemplo, la
ocupación del padre tiene un efecto no lineal, donde niveles intermedios se relacionan con mayores
tasas de graduación, mientras que los extremos aumentan el riesgo de deserción. De igual manera,
una tasa de desempleo regional superior al 10.95 % incrementa la probabilidad de abandono,
demostrando el impacto del entorno laboral en la continuidad educativa.
Finalmente, se consideran variables administrativas como el estado de los pagos ya que
estudiantes con pagos atrasados tienden a desertar, lo que resalta la importancia de la estabilidad
nanciera. En conjunto, este modelo permite identicar a tiempo a los estudiantes en riesgo y
diseñar estrategias de intervención basadas en datos. Este análisis se evidencia en el árbol de decisión
de la Figura 5.
157
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
Figura 5
Árbol de decisión generado en KNIME
Por otra parte, la Figura 6 muestra un ujo de trabajo para el análisis de datos mediante un
modelo de árbol de decisión. El ujo comienza con la lectura de datos desde dos nodos etiquetados
como CSV Reader, los cuales importan datos de entrenamiento y prueba. El nodo “Decision Tree
Learner” entrena el modelo que se convierte en reglas con “Decision Tree to Ruleset”. Finalmente,
el nodo “Decision Tree Predictor”, aplica el modelo a los datos de prueba, generando predicciones
158
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
en una tabla, incluyendo variables como desempleo (10.8), inación (1.4), PIB (1.74), la variable
objetivo y la predicción.
Desde un enfoque matemático, el árbol de decisión minimiza la impureza utilizando el
índice de Gini.
El índice de Gini para una región R
m
se calcula como:
Donde K es el número de clases y Pmk es la proporción de observaciones de la clase k en
Rm. Un valor bajo indica una región pura, mientras que un valor alto reeja alta impureza. Durante
la predicción, para una observación x, el modelo asigna la clase mayoritaria.
donde
Este ujo destaca un enfoque modular para la clasicación, enfocado en interpretabilidad y
análisis económico, permitiendo adaptabilidad para análisis futuros como la evaluación de métricas
de desempeño.
Figura 6
Predicción por medio de herramienta de analítica de datos
159
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
Código en Python para predecir datos nuevos
Como experimento, se realizó´ un entorno en KNIME para generar un modelo predictivo. El
programa guarda un archivo .pmml, lo cual permite realizar experimentaciones con este modelo de
predicción. A continuación, este código en Python se prueba en Colab en el siguiente enlace:
https://colab.research.google.com/drive/18d8oSUzfSyesdFxVoLbAuvEUuTwi71yb#scrollTo=
TtDYZ2ONty6s&line=1&uniqier=1
# Instalación de librería
!pip install -q pypmml
# Importación de librerías
import pandas as pd
from pypmml import Model
# Cargar modelo entrenado
model = Model.load(“/content/Prediccion.pmml”)
# Cargar datos nuevos
df = pd.read_csv(“/content/QUEY_EXPERIMENTO.csv”)
# Limpieza de nombres de columnas
df.columns = df.columns.str.replace(‘”’, ‘’).str.replace(‘\t’, ‘’).str.
strip()
print(“Columnas procesadas:”)
print(df.columns.tolist())
# Eliminar variable objetivo si existe
if “Target” in df.columns:
df = df.drop(columns=[“Target”])
# Generar predicciones
predicciones = model.predict(df)
# Agregar resultados
df[“Prediccion_Target”] = predicciones[“predicted_Target”]
df[“Prob_Dropout”] = predicciones[“probability_Dropout”]
df[“Prob_Graduate”] = predicciones[“probability_Graduate”]
df[“Prob_Enrolled”] = predicciones[“probability_Enrolled”]
print(“\nDistribución de clases predichas:”)
print(df[“Prediccion_Target”].value_counts())
print(“\nPredicciones individuales:”)
print(df[[“Prediccion_Target”]])
# Guardar resultados
df.to_csv(“/content/resultados_con_predicciones.csv”, index=False)
print(“\nArchivo guardado como: resultados_con_predicciones.csv”)
Listing 2: Código fuente del experimento
A continuación, en la Figura 7 se muestran los resultados de la predicción de abandono
estudiantil, implementado mediante un script en Python. En el apartado de “columnas procesadas”
se identican las variables empleadas en el modelo: estado civil, modo de solicitud, orden de
160
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
solicitud, curso, asistencia y calicación previa, las cuales representan factores demográcos y
académicos relevantes para el análisis.
La sección “Distribución de clases predichas” revela que, para la variable objetivo Prediction
Target, se predijo un único caso de abandono (Dropout), con un conteo de uno. Este resultado se
corrobora en Predicciones individuales, donde se conrma que una observación fue clasicada como
abandono. Finalmente, los datos procesados se almacenaron en un archivo denominado resultados
con predicciones.csv, para su posterior análisis. Este proceso reeja un enfoque sistemático para
la identicación de patrones de abandono con énfasis en la estructuración y conservación de los
resultados para investigaciones futuras en el ámbito educativo.
Figura 7
Resultados de predicción con Python
Conclusiones
La deserción universitaria en Ecuador es un problema complejo inuenciado por múltiples factores.
De acuerdo con los estudios revisados, el factor económico es el que tiene mayor incidencia debido
a la falta de recursos nancieros y la necesidad de trabajar, que afecta especialmente a estudiantes de
regiones alejadas y hogares de bajos ingresos. Pero, al desertar del sistema educativo universitario, los
empleos a los que tienen acceso las personas son precarios, siendo directamente una consecuencia de
haber abandonado sus estudios.
Así mismo, los factores académicos, como el bajo rendimiento y la preparación previa
insuciente, junto con aspectos personales y familiares, como la falta de motivación, problemas
emocionales, la ausencia de apoyo y los problemas institucionales, contribuyen signicativamente
al abandono de los estudios universitarios. Este fenómeno tiene un impacto signicativo en las
universidades públicas, ya que genera pérdidas económicas por el desperdicio de recursos, afecta su
reputación académica, obliga a ajustar procesos internos para fomentar la permanencia estudiantil y
restringe las oportunidades de movilidad social de los jóvenes. Es por eso, por lo que el seguimiento
institucional es un factor clave para evitar la deserción, el no destinar los recursos sucientes a esto,
genera a mediano plazo los anteriormente mencionados problemas institucionales.
Para identicar y predecir casos de abandono de manera temprana, las técnicas de minería de
datos han demostrado ser herramientas efectivas. Algoritmos como Random Forest, RandomTree y
Árboles de Decisión, destacados por su precisión en estudios recientes, permiten analizar patrones en
variables como rendimiento académico, situación socioeconómica y comportamientos estudiantiles.
Además, técnicas como redes neuronales, regresión logística, los árboles de decisión y K-Nearest
161
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
Neighbors (KNN) ofrecen un enfoque robusto para modelar la deserción, de modo que facilita la
implementación de estrategias preventivas por parte de las instituciones educativas. En conjunto, el
análisis profundo de los factores de deserción, el uso de técnicas de minería de datos y la adopción
de medidas institucionales pueden contribuir signicativamente a mejorar la retención estudiantil
y el éxito académico en el contexto ecuatoriano.
162
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Referencias
Acosta, M., Saldaña, C., Olivera, A., Prieto, G., & Guillén, E. (2024). Factores en la deserción
estudiantil universitaria en una zona de extrema pobreza del Perú. Horizontes. Revista de
Investigación en Ciencias de la Educación, 8 (34), 1315-1328. DOI: https://doi.org/10.33996/
revistahorizontes.v8i34.799
Amaya, A., Huerta, F., & Flores, C. (2020). Big data, una estrategia para evitar la deserción escolar
en las IES. Revista Iberoamericana de Educación Superior, 12 (31), 166-178. DOI: https://
doi.org/10.22201/iisue.20072872e.2020.31.712
Ávila, L., Cepeda, F., & Aucancela, R. (2024). Deserción en la educación superior en Ecuador,
causas y consecuencias. Ciencia Latina Revista Cientíca Multidisciplinar, 8(3), 11475-
11490. DOI: https://doi.org/10.37811/cl_rcm.v8i3.12472
Barahona-Anguisaca, D., Vega-Calvas, P., Moyota-Paguay, A., & Porras-Ramírez, L. (2024).
Análisis de modelos estadísticos para predecir el éxito académico en estudiantes
universitarios. MQRInvestigar, 8(2), 2951-2969. DOI: https://doi.org/10.56048/
MQR20225.8.2.2024.2951-2969
Buenaño, E., Beletanga, M. J., y Mancheno, M. (2024). ¿Qué factores son relevantes para entender
el abandono? Análisis en una universidad conanciada en Ecuador e implicaciones políticas,
utilizando modelos de supervivencia de Cox. J. Latinos Educ. 23, 1400–1415. https://doi.or
g/10.1080/15348431.2023.2271570
Camargo, A. (2020). Modelo para la predicción de la deserción de estudiantes de pregrado, basado
en técnicas de minería de datos. [Tesis doctoral, Corporación Universidad de la Costa].
Universidad de la Costa. https://hdl.handle.net/11323/7077
Cajigal-Molina, E., Arias-Gómez, L., & Farfan-Heredia, E. (2022). Resiliencia y deserción escolar.
Un estudio para plantear estrategias desde la tutoría en la educación superior. CPU-e, Revista
de Investigación Educativa, (34). DOI: https://doi.org/10.25009/cpue.v0i34.2794
Castrillón, O., Sarache, W., & Ruiz-Herrera, S. (2020). Prediction of academic performance using
articial intelligence techniques. Formación universitaria, 13(1), 93-102. https://dx.doi.
org/10.4067/S0718-50062020000100093
Castro, M. (2023). Factores que inuyen en la deserción estudiantil en Instituciones de Educación
Superior en Latinoamérica durante los años 2017 a 2022: una revisión de literatura. Universidad
Cooperativa de Colombia. https://hdl.handle.net/20.500.12494/52813
Cedillo, J., Beltrán, H., Saltos, M., & Soriano, F. (2024). Explorando la minería de datos en la
gestión educativa superior: desafíos y oportunidades en la era digital. REINCISOL, 3 (5),
1367-1385. DOI: https://doi.org/10.59282/reincisol.V3(5)1367-1385
163
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
Conde, S., García, M., & Toscano, M. (2023). Riesgo de abandono escolar: ¿Cómo inuyen
las características sociofamiliares percibidas por los estudiantes sobre sus actitudes y
comportamiento en el aula? Educación XX1, 26 (2), 267-298. https://doi.org/10.5944/
educxx1.33279
Cornejo, M., Vega, L., Naranjo, M., Acosta, O., Ávila, F., & Sotomayor, M. de la A. (2023).
Modelo predictivo de la deserción escolar en educación superior: una aproximación desde
la minería de datos utilizando la metodología CRISP-DM. Ciencia Latina Revista Cientíca
Multidisciplinar, 7 (5), 7797-7812. DOI: https://doi.org/10.37811/cl rcm. v7i5.8363
De Gracia Vega, J. Y., & Vega de Martínez, I. (2024). Factores que contribuyen a la deserción de
los estudiantes que cursan la licenciatura en educación primaria, del anexo Cerro Puerco,
Comarca Ngäbe Buglé, 2022. Revista Colegiada de Ciencia. DOI: https://doi.org/10.48204/j.
colegiada.v6n1.a5875
Delgado Saeteros, Z. (2024). Análisis de la deserción estudiantil y estrategias para incrementar
la retención en instituciones de educación superior. Revista de Investigación, Formación
y Desarrollo: Generando Productividad Institucional, 12 (1), 88-95. DOI: https://doi.
org/10.34070/rif.v12.i1.WVVF7996
Duque, R., Araujo, I., Cadena-Palacios C., & Fuertes, B. (2024). Importancia de la orientación
profesional previa al acceso a la enseñanza superior. Revista Cientíca UISRAEL, 11(1), 13-
30. https://doi.org/10.35290/rcui.v11n1.2023.1058
Escalante, J., Medina, C., & Vásquez, A. (2023). La deserción universitaria: un problema no resuelto
en el Perú. HACEDOR-AIAPAEC DOI: https://doi.org/10.26495/rch.v7i1.2421
Fonseca-Grandón, G., Gabalán-Coello, J., & Vásquez-Rizo, F. (2022). Tipologías de estudiantes que
permanecen y abandonan la Universidad: aproximación comprensiva desde el currículum y
el proyecto de vida. Revista Virtual Universidad Católica del Norte, (65), 5-30. https://www.
doi.org/10.35575/rvucn.n65a2
Galve, C. (2024). Estudio de las variables inuyentes en el abandono universitario (Doctoral dissertation).
Universidad de Oviedo. https://digibuo.uniovi.es/dspace/handle/10651/75635
Granda, L. E. Á., et al. (2024). Deserción en la educación superior en Ecuador, causas y consecuencias.
Ciencia Latina Revista Cientíca Multidisciplinar. https://dialnet.unirioja.es/servlet/
articulo?codigo=9783947
Guadalupe, V. (2025). Modelo predictivo basado en machine Learning para la reducción de la deserción
estudiantil en las universidades privadas del Perú: caso Universidad Privada San Juan Bautista.
Universidad Nacional Federico Villarreal. https://hdl.handle.net/20.500.13084/10839
Gutiérrez, R., Nuñez, H., & López, E. (2024). Reexiones teóricas del fenómeno de la deserción
académica en la educación superior. Revie-Revista de Investigación y Evaluación Educativa,
11(2), 88-109. https://doi.org/10.47554/revie.vol11.num2.2024.pp88-109
164
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Herreño-Munera, M., Romero-Tenorio, J., Mejía-Ríos, J., & Román-Santana, W. (2024). Deserción
estudiantil en educación superior. Tendencias y oportunidades en la era post pandemia.
Revista Arbitrada Interdisciplinaria Koinonía, 9(18), 156-177. Epub 15 de noviembre de
2024. https://doi.org/10.35381/r.k.v9i18.4201
Instituto Nacional de Estadística y Censos del Ecuador (INEC). (2024). Encuesta Nacional de
Empleo, Desempleo y Subempleo. https://www.ecuadorencifras.gob.ec
Jarrín, G., & Moreta-Herrera, R. (2024). Estrés, Dicultades de Regulación Emocional y Adaptación
Escolar en adolescentes aspirantes a la educación superior en Ecuador. ReHuSo: Revista de
Ciencias Humanísticas y Sociales. DOI: https://doi.org/10.33936/rehuso.v9i1.5772
Katt, L., Xicot´encatl-Ramírez, G., & Ibarra-Corona, M. (2024). Factores que inuyen en
el abandono escolar en la Universidad Tecnológica del Sur- este de Veracruz, México.
Transdigital, 5 (10), e347. https://doi.org/10.56162/transdigital347
Loaiza, D., García, I., Romero, J., Diaz, M., & Ronquillo, P. (2023). Identicación de los factores de
la deserción académica en el sistema educativo del Ecuador. Ciencia Latina Revista Cientíca
Multidisciplinar, 7 (2), 11121-11136. https://doi.org/10.37811/cl_rcm.v7i2.6190
López, J. (2023). Deserción universitaria y su relación con las afectaciones psicológicas. Universidad
Cooperativa de Colombia, Facultad de Ciencias Sociales, Psicología, Bogotá. Disponible en:
https://hdl.handle.net/20.500.12494/53283
Luna-Rizo, M., Daza, M., Lozoya, J., Rocha, A., Madrigal, R., Ramos, B., Cortés, L., González, A.,
Arámburo, J., García, J. , Cisneros, M., Ramírez, M., Beltrán, J., Arce, M. de J., Rodríguez,
D., López, J., Llanes, C., Maciel, M. del R., González, B., ... Aréchiga Cabrera, V. D.
(2024). Tendencias de la inteligencia articial en educación (1.ª ed.). Editorial Universidad
de Guadalajara. https://mta.udg.mx/sites/default/les/adjuntos/tendencias_de_la_
inteligencia_articial.pdf
Mazurett, M. (2025). Modelos predictivos de deserción estudiantil incorporando variables de
salud mental en la Universidad de Chile para elaborar estrategias de intervención temprana.
Universidad de Chile. https://repositorio.uchile.cl/handle/2250/205220
Melo, M. (2024). Modelo predictivo de los factores de deserción escolar de las instituciones educativas
en bachillerato en el Ecuador de los años 2012–2021 [Tesis de maestría]. Ponticia Universidad
Católica del Ecuador. https://repositorio.puce.edu.ec/handle/123456789/45106
Ministerio de Educación Nacional. (2022). Estrategias para promover la permanencia en educación
superior. https://www.mineducacion.gov.co/portal/
Moreta-Herrera, R., Zambrano-Estrella, J., Sánchez-Vélez, H., & Naranjo-Vaca, S. (2021).
Salud mental en universitarios del Ecuador: síntomas relevantes, diferencias por género y
prevalencia de casos. Pensamiento Psicológico, 19(1). https://doi.org/10.11144/Javerianacali.
PPSI19.smue
165
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
Muñoz, R., & Cedeño, T. (2024). La salud mental en la universidad: Soledad no deseada en
universitarios ecuatorianos: causas y consecuencias. Dialoguemos. https://dialoguemos.
ec/2024/10/la-salud-mental-en-la-universidad-la-soledad-no-deseada-despunta-entre-los-
estudiantes
Muñoz, F. (2024). Evaluación de modelo predictivo del abandono universitario basado en clusteres
de comportamiento de los/as estudiantes de primer año de ingeniería udec [Tesis Doctoral].
Universidad de Concepción. https://repositorio.udec.cl/server/api/core/bitstreams/
cfea2a6b-78-4222-98da-615abadc3a34/content
Noriega, E., Becerra-Sánchez, A., Zepeda-Valles, G., & González-Arroyo, R. (2024). Minería de
datos para la predicción del rendimiento académico de estudiantes universitarios. Memorias del
Congreso Internacional de Mecatrónica, Control e Inteligencia Articial (Vol. 3). Universidad
Nacional Autónoma de México, Facultad de Estudios Superiores Cuautitlán. https://virtual.
cuautitlan.unam.mx/intar/memoriascimcia/wp-content/uploads/sites/20/2025/09/24-
Mineria-de-datos-1.pdf
Núñez-Naranjo, A. F. (2024). Analysis of the determinant factors in university dropout: a case
study of Ecuador. Frontiers in Education, 9, 1444534. DOI: https://doi.org/10.3389/
feduc.2024.1444534
Orellana-Correa, G., Ayala, J., & Vega, A. (2024). Factores socioeconómicos que inciden en la
deserción universitaria, en la carrera de Economía, Universidad Técnica de Machala,
Facultad de Ciencias Empresariales. LATAM Revista Latinoamericana De Ciencias Sociales Y
Humanidades, 5 (4), 2788-2801. https://doi.org/10.56712/latam.v5i4.2455
Osorio-González, J. (2024). Comparación de modelos estadísticos y de aprendizaje automático
para la predicción y prevención de la deserción estudiantil en los programas de pregrado de
la Universidad EAFIT. Universidad EAFIT. https://hdl.handle.net/10784/34646
Patiño, L., Reina, A., Sawicki, S., Frantz, R., & Roos-Frantz, F. (2024). Predicción de desempeño
académico basado en análisis de datos usando técnicas de clasicación: un estudio con datos
de una universidad pública de Ecuador. Revista Novas Tecnologías na Educa¸c˜ao, 22 (1),
497-507. https://seer.ufrgs.br/index.php/renote/article/view/141575 http://gca.unijui.edu.
br/publication/ae0e08163d22befd4635f47bef1b6e3f.pdf
Parra-Sánchez, J., Torres, I., & Martínez, C. (2023). Factores explicativos de la deserción universitaria
abordados mediante inteligencia articial. Revista Electrónica de Investigación Educativa, 25
(e18), 1-17. DOI: https://doi.org/10.24320/redie.2023.25.e18.4455
Parraga-Menchaca, D. (2024). Modelos Predictivos de Rendimiento Académico Universitario
Mediante Aprendizaje Automático. Revista Cientíca De Salud Y Desarrollo Humano, 5(2),
974–991. DOI: https://doi.org/10.61368/r.s.d.h.v5i2.204
166
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Passeggia, R., Testa, I., Esposito, G. Picione, R, Ragozini, G., & Freda, M (2023).Examining
the Relation Between First-year University Students’ Intention to Drop-out and Academic
Engagement: e Role of Motivation, Subjective Well-being and Retrospective Judgements
of School Experience. Innov High Educ, 48, 837–859. https://doi.org/10.1007/s10755-
023-09674-5
Peet, T. (2025). Análisis de patrones de comportamiento estudiantil en aprendizaje en línea para
la caracterización de cursos [Tesis de pregrado]. Universidad de Chile. https://repositorio.
uchile.cl/handle/2250/205209
Quincho, R., Carrillo, J., Ccencho, A., Inga, V., Cárdenas, J., & Huamán, D. (2024). University
Dropout: A Systematic Review of the Main Determinant Factors (2020-2024).
F1000Research, 13, 942. https://doi.org/10.12688/f1000research.154263.2
Rabelo, A., & Zárate, L. (2024). A model for predicting dropout of higher education students.Data
Science and Management,8(1), 72-85. DOI: https://doi.org/10.1016/j.dsm.2024.07.001
Rebelo, M., Reis, T., ompsen, T.Targino, R., Ramos, V., Marques Queiroga, E., Munoz, R., &
Cechinel, C. (2025).Student dropout prediction through machine learning optimization:
insights from moodle log data. Scientic Reports 15(1), 9840. https://doi.org/10.1038/
s41598-025-93918-1
Salcedo-Escarria, A. (2020). Deserción universitaria en Colombia. Academia y Virtualidad, 3 (1),
50-60. https://revistas.umng.edu.co/index.php/ravi/article/view/5461
Salinas, M. (2023). Crisis económica post pandemia: cómo afecta en el acceso a la educación
superior en el Paraguay. Caso: universidades públicas de Ayolas. Ciencia Latina Revista
Cientíca Multidisciplinar, 7 (4), 6496-6506. https://doi.org/10.37811/cl_rcm.v7i4.7422
Terrazas, A., Velázquez-Castro, J., & Testón-Franco, N. (2022). El estrés académico y afectaciones
emocionales en estudiantes de nivel superior. Revista Innova Educación, 4 (2), 132-146.
https://dialnet.unirioja.es/descarga/articulo/8326422.pdf
Ujkani, B., Minkovska, D., & Stoyanova, L. (2022). Application of Logistic Regression Technique
for Predicting Student Dropout. 2022 XXXI International Scientic Conference Electronics
(ET), pp. 1-4. DOI: https://ieeexplore.ieee.org/document/9920280
Urbina-Nájera, A., Camino-Hampshire, J., & Cruz, R. (2020). Deserción escolar universitaria:
Patrones para prevenirla aplicando minería de datos educativa. RELIEVE–Revista Electrónica
De Investigación Y Evaluación Educativa, 26(1). https://doi.org/10.7203/relieve.26.1.16061
Vélez, L., Chávez, J., Berruz, M., Vite, Y., & Ruiz, M. (2025). Factores externos que inuyen en la
deserción universitaria en el Ecuador. Revista Latinoamericana de Calidad Educativa, 2 (1),
299-308.
Vidal, J. (2023). Factores motivacionales, emocionales y socioeconómicos asociados al rendimiento
académico y abandono en la Educación Superior: Estudio en dos Universidades del Ecuador
[Tesis doctoral]. Universidad de Alicante. https://hdl.handle.net/10045/132689
167
Yandún, M. A., Guano, C. A., Cerón, H. D., & Piarpuezán, A. L. (Julio - diciembre de 2026). Minería de datos para la predicción de la deserción estudiantil universitaria:
Revisión de literatura y experimentación. Visión Empresarial, Vol. 16, Núm. 2, 132 – 167. https://doi.org/10.32645/13906852.1467
Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación
Villegas, C., & Núñez, D. (2024). Estrategias institucionales para prevenir la deserción en
universidades ecuatorianas. Revista de Educación Superior, 12 (1), 40-60. https://www.ride.
org.mx/index.php/RIDE/article/view/1923
