APLICACIÓN DE APRENDIZAJE
AUTOMÁTICO PARA LA PREDICCIÓN DE LA
EFICIENCIA TERMINAL EN EL TECNM
CAMPUS CHIHUAHUA MÉXICO
APPLICATION OF MACHINE LEARNING FOR PREDICTING
GRADUATION EFFICIENCY AT TECNM CAMPUS
CHIHUAHUA
Abraham Efraím Rodríguez-Mata
Tecnológico Nacional de México campus Chihuahua – México
Elizabeth Rodríguez Salcido
Tecnológico Nacional de México campus Chihuahua – México
Víctor Alejandro González-Huitrón
Tecnológico Nacional de México campus Querétaro- México
Jesus Alfonso Medrano-Hermosillo
Tecnológico Nacional de México campus Querétaro México
pág. 1617
DOI: https://doi.org/10.37811/cl_rcm.v9i4.18687
Aplicación de Aprendizaje Automático para la Predicción de la Eficiencia
Terminal en el TecNM campus Chihuahua México
Abraham Efraím Rodríguez-Mata1
abraham.rm@chihuahua.tecnm.mx
https://orcid.org/0000-0002-0262-420X
Tecnológico Nacional de México campus
Chihuahua., México
Elizabeth Rodríguez Salcido
elizabethrs@chihuahua.tecnm.mx
https://orcid.org/0009-0007-0747-163X
Tecnológico Nacional de México campus
Chihuahua., México
Víctor Alejandro González-Huitrón
Victor.gh@queretaro.tecnm.mx
https://orcid.org/0000-0003-0426-0515
Tecnológico Nacional de México campus
Querétaro México
Jesus Alfonso Medrano-Hermosillo
Jesus.hh@chihuahua.tecnm.mx
https://orcid.org/0000-0002-5152-220X
Tecnológico Nacional de México campus Querétaro
México
RESUMEN
La presente investigación examina la factibilidad de implementar técnicas de aprendizaje automático
para pronosticar la eficiencia terminal —es decir, el porcentaje de estudiantes que concluyen sus
estudios en un periodo máximo de 12 semestres— en el Tecnológico Nacional de México, campus
Chihuahua, para las cohortes 2016 a 2020. Se empleó un conjunto de datos compuesto por diez cohortes
semestrales, las cuales incluyen datos de ingreso, egreso y titulación, desagregadas por género y
programa formativo. Después de un meticuloso preprocesamiento y codificación de variables
(incluyendo una dummy de "cohorte en pandemia"), se entrenaron modelos de regresión logística, un
Foresta Aleatoria, XGBoost, análisis de supervivencia (Cox y Foresta Aleatoria de Supervivencia) y un
Perceptrón Multicapa (MLP) con dos capas encubiertas. El MLP, tras un entrenamiento de 100 etapas,
logró un Error Medio Cuadrático de 0.03408 y un R2 de 0.28, reflejando la tendencia general de la serie
en cuestión. Además, los hallazgos indican una disminución de la eficiencia media de 39.9 % (pre-
pandemia) a 4.8 % (post-pandemia) y una discrepancia de género superior a 13 puntos porcentuales
(20.6% en mujeres contra 6.8 % en hombres). Se aborda la integración de estas variables en sistemas de
alerta precoz y la necesidad de enriquecer el dataset para potenciar su robustez y confiabilidad.
Palabras clave: aprendizaje automático, eficiencia terminal, deserción escolar, inteligencia artificial,
educación superior
1 Autor principal
Correspondencia: braham.rm@chihuahua.tecnm.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i4.18687
Aplicación de Aprendizaje Automático para la Predicción de la Eficiencia
Terminal en el TecNM campus Chihuahua México
Abraham Efraím Rodríguez-Mata1
abraham.rm@chihuahua.tecnm.mx
https://orcid.org/0000-0002-0262-420X
Tecnológico Nacional de México campus
Chihuahua., México
Elizabeth Rodríguez Salcido
elizabethrs@chihuahua.tecnm.mx
https://orcid.org/0009-0007-0747-163X
Tecnológico Nacional de México campus
Chihuahua., México
Víctor Alejandro González-Huitrón
Victor.gh@queretaro.tecnm.mx
https://orcid.org/0000-0003-0426-0515
Tecnológico Nacional de México campus
Querétaro México
Jesus Alfonso Medrano-Hermosillo
Jesus.hh@chihuahua.tecnm.mx
https://orcid.org/0000-0002-5152-220X
Tecnológico Nacional de México campus Querétaro
México
RESUMEN
La presente investigación examina la factibilidad de implementar técnicas de aprendizaje automático
para pronosticar la eficiencia terminal —es decir, el porcentaje de estudiantes que concluyen sus
estudios en un periodo máximo de 12 semestres— en el Tecnológico Nacional de México, campus
Chihuahua, para las cohortes 2016 a 2020. Se empleó un conjunto de datos compuesto por diez cohortes
semestrales, las cuales incluyen datos de ingreso, egreso y titulación, desagregadas por género y
programa formativo. Después de un meticuloso preprocesamiento y codificación de variables
(incluyendo una dummy de "cohorte en pandemia"), se entrenaron modelos de regresión logística, un
Foresta Aleatoria, XGBoost, análisis de supervivencia (Cox y Foresta Aleatoria de Supervivencia) y un
Perceptrón Multicapa (MLP) con dos capas encubiertas. El MLP, tras un entrenamiento de 100 etapas,
logró un Error Medio Cuadrático de 0.03408 y un R2 de 0.28, reflejando la tendencia general de la serie
en cuestión. Además, los hallazgos indican una disminución de la eficiencia media de 39.9 % (pre-
pandemia) a 4.8 % (post-pandemia) y una discrepancia de género superior a 13 puntos porcentuales
(20.6% en mujeres contra 6.8 % en hombres). Se aborda la integración de estas variables en sistemas de
alerta precoz y la necesidad de enriquecer el dataset para potenciar su robustez y confiabilidad.
Palabras clave: aprendizaje automático, eficiencia terminal, deserción escolar, inteligencia artificial,
educación superior
1 Autor principal
Correspondencia: braham.rm@chihuahua.tecnm.mx
pág. 1618
Application of Machine Learning for Predicting Graduation Efficiency at
TecNM Campus Chihuahua
ABSTRACT
This study examines the viability of employing machine learning methods to forecast graduation
efficiency, defined as the proportion of students graduating within 12 semesters, at Tecnológico
Nacional de México, Campus Chihuahua, for the 2016–2020 enrollment cohorts. A dataset comprising
ten biannual cohorts, featuring comprehensive statistics on enrollment, graduation, and degree
conferment categorized by gender and program, was preprocessed and encoded, including a dummy
variable for the "pandemic cohort." We trained logistic regression, Random Forest, XGBoost, survival
analysis models (Cox and Random Survival Forest), and a Multilayer Perceptron (MLP) comprising two
hidden layers. After 100 training epochs, the MLP attained a Mean Squared Error of 0.03408 and an R2
of 0.28, effectively capturing the overarching trend. The findings indicate a decline in average efficiency
from 39.9% (pre-pandemic) to 4.8% (post-pandemic), alongside a gender disparity surpassing 13
percentage points (20.6% for females compared to 6.8% for males). We address the incorporation of
these insights into early-warning systems and the necessity of augmenting the dataset to improve model
robustness.
Keywords: machine learning, graduation efficiency, student dropout, artificial intelligence, higher
education
Artículo recibido 15 junio 2025
Aceptado para publicación: 19 julio 2025
Application of Machine Learning for Predicting Graduation Efficiency at
TecNM Campus Chihuahua
ABSTRACT
This study examines the viability of employing machine learning methods to forecast graduation
efficiency, defined as the proportion of students graduating within 12 semesters, at Tecnológico
Nacional de México, Campus Chihuahua, for the 2016–2020 enrollment cohorts. A dataset comprising
ten biannual cohorts, featuring comprehensive statistics on enrollment, graduation, and degree
conferment categorized by gender and program, was preprocessed and encoded, including a dummy
variable for the "pandemic cohort." We trained logistic regression, Random Forest, XGBoost, survival
analysis models (Cox and Random Survival Forest), and a Multilayer Perceptron (MLP) comprising two
hidden layers. After 100 training epochs, the MLP attained a Mean Squared Error of 0.03408 and an R2
of 0.28, effectively capturing the overarching trend. The findings indicate a decline in average efficiency
from 39.9% (pre-pandemic) to 4.8% (post-pandemic), alongside a gender disparity surpassing 13
percentage points (20.6% for females compared to 6.8% for males). We address the incorporation of
these insights into early-warning systems and the necessity of augmenting the dataset to improve model
robustness.
Keywords: machine learning, graduation efficiency, student dropout, artificial intelligence, higher
education
Artículo recibido 15 junio 2025
Aceptado para publicación: 19 julio 2025
pág. 1619
INTRODUCCIÓN
La deserción académica representa un fenómeno complejo que repercute adversamente en la calidad y
equidad de la educación superior. En América Latina, se ha observado un aumento en las tasas de
deserción escolar en años recientes, atribuible a factores socioeconómicos, tecnológicos y académicos
(González, Cruz & Gómez, 2022). Durante la pandemia de COVID-19 se observó una intensificación
significativa de este problema, con un impacto particular en estudiantes de bajos recursos con acceso
limitado a tecnología y conectividad (Sabino & Acuña, 2022). En este contexto, la inteligencia artificial
ha emergido como una estrategia innovadora para la predicción y mitigación de la deserción escolar
(Carreño, Martínez & Páez, 2023).
La pandemia de COVID-19 ejerció un impacto sin paralelo en el sector educativo, provocando un
aumento significativo en las tasas de deserción escolar, especialmente en América Latina. Las
restricciones en el sector sanitario propiciaron una acelerada transición hacia modelos de educación a
distancia, lo que puso de manifiesto las desigualdades preexistentes en el acceso a la tecnología y la
conectividad. Según González y colaboradores (2022), la insuficiencia de recursos digitales y la
infraestructura tecnológica insuficiente en sectores vulnerables impidieron la continuidad académica,
afectando predominantemente a estudiantes de nivel básico y medio. Esta situación se agravó por las
deficiencias en la capacitación pedagógica para la enseñanza a distancia, lo cual impactó adversamente
en la calidad educativa y reducyó las oportunidades de aprendizaje significativo.
La pandemia también ejerció una influencia significativa en la deserción escolar. Numerosas familias,
impactadas por la desocupación laboral y la volatilidad financiera, priorizaron la subsistencia por encima
de la educación de sus hijos (Sabino & Acuña, 2022). En circunstancias específicas, los estudiantes se
vieron forzados a incorporarse prematuramente en el mercado laboral con el objetivo de contribuir a la
economía familiar, lo que redujo su tiempo de estudio y elevó la probabilidad de deserción escolar
(Bustos Narváez, 2023). De acuerdo con Arellano-Esparza y Ángeles Ortiz-Espinoza (2022), las
consecuencias económicas de la crisis sanitaria fueron más severas en comunidades desfavorecidas, en
las que la falta de apoyo gubernamental y la insuficiencia de programas de asistencia educativa limitaron
la reincorporación de los estudiantes al sistema educativo.
La reincorporación al entorno presencial ha constituido un proceso heterogéneo y complejo.
INTRODUCCIÓN
La deserción académica representa un fenómeno complejo que repercute adversamente en la calidad y
equidad de la educación superior. En América Latina, se ha observado un aumento en las tasas de
deserción escolar en años recientes, atribuible a factores socioeconómicos, tecnológicos y académicos
(González, Cruz & Gómez, 2022). Durante la pandemia de COVID-19 se observó una intensificación
significativa de este problema, con un impacto particular en estudiantes de bajos recursos con acceso
limitado a tecnología y conectividad (Sabino & Acuña, 2022). En este contexto, la inteligencia artificial
ha emergido como una estrategia innovadora para la predicción y mitigación de la deserción escolar
(Carreño, Martínez & Páez, 2023).
La pandemia de COVID-19 ejerció un impacto sin paralelo en el sector educativo, provocando un
aumento significativo en las tasas de deserción escolar, especialmente en América Latina. Las
restricciones en el sector sanitario propiciaron una acelerada transición hacia modelos de educación a
distancia, lo que puso de manifiesto las desigualdades preexistentes en el acceso a la tecnología y la
conectividad. Según González y colaboradores (2022), la insuficiencia de recursos digitales y la
infraestructura tecnológica insuficiente en sectores vulnerables impidieron la continuidad académica,
afectando predominantemente a estudiantes de nivel básico y medio. Esta situación se agravó por las
deficiencias en la capacitación pedagógica para la enseñanza a distancia, lo cual impactó adversamente
en la calidad educativa y reducyó las oportunidades de aprendizaje significativo.
La pandemia también ejerció una influencia significativa en la deserción escolar. Numerosas familias,
impactadas por la desocupación laboral y la volatilidad financiera, priorizaron la subsistencia por encima
de la educación de sus hijos (Sabino & Acuña, 2022). En circunstancias específicas, los estudiantes se
vieron forzados a incorporarse prematuramente en el mercado laboral con el objetivo de contribuir a la
economía familiar, lo que redujo su tiempo de estudio y elevó la probabilidad de deserción escolar
(Bustos Narváez, 2023). De acuerdo con Arellano-Esparza y Ángeles Ortiz-Espinoza (2022), las
consecuencias económicas de la crisis sanitaria fueron más severas en comunidades desfavorecidas, en
las que la falta de apoyo gubernamental y la insuficiencia de programas de asistencia educativa limitaron
la reincorporación de los estudiantes al sistema educativo.
La reincorporación al entorno presencial ha constituido un proceso heterogéneo y complejo.
pág. 1620
Académicos contemporáneos indican que, a pesar de que en determinadas naciones las tasas de
inscripción han iniciado un proceso de recuperación, en numerosas regiones persisten desigualdades
significativas en el acceso a una educación de alta calidad (Muñoz & Cadena, 2024). Según de Souza
(2024), un porcentaje considerable de estudiantes que dejaron la institución durante la pandemia no ha
retornado, lo que representa un impedimento para las políticas educativas en el periodo postpandemia.
Es esencial que las tácticas de rehabilitación integren enfoques adaptativos, tales como la pedagogía
híbrida y programas de apoyo psicosocial, con la finalidad de garantizar la reincorporación y retención
de los estudiantes.
El aprendizaje automático ha evidenciado su efectividad en la pronosticación de la deserción escolar
(Parra-Sánchez, Torres Pardo & Martínez De Merino, 2023; Vite Ayala, Paredes Camacho, Quiroga
Gallo & González Gutiérrez, 2023). Estas tecnologías facilitan la interpretación de extensos conjuntos
de datos educativos, la detección de patrones y la formulación de estrategias de intervención
personalizadas.
Este estudio multidisciplinario tiene como objetivo evaluar la eficacia de los modelos de aprendizaje
automático en la predicción de la deserción escolar en el Tecnológico Nacional de México Campus
Chihuahua. El método adoptado engloba la evaluación de bases de datos institucionales, la elección y
capacitación de algoritmos de aprendizaje automático, y la valoración de su rendimiento a través de
indicadores tales como precisión, sensibilidad y especificidad.
Esta investigación se organiza de la siguiente manera: en la Sección II se presenta el marco teórico, en
el que se ofrece un resumen conciso de las cuestiones asociadas con la inteligencia artificial, se
especifican los principios fundamentales de aprendizaje automático y su implementación en el
procesamiento de datos escolares, además de los antecedentes del uso de la Inteligencia Artificial en el
contexto educativo. La Sección III detalla la metodología implementada, detallando los modelos y
métodos empleados, así como la utilización de datos estadísticos para la toma de decisiones en nuestro
instituto. La Sección IV expone los descubrimientos y su correspondiente análisis. La Sección V
examina las implicaciones éticas y operativas de la inteligencia artificial en la gestión educativa.
Finalmente, la Sección VI expone las conclusiones y las directrices para futuras investigaciones.
Académicos contemporáneos indican que, a pesar de que en determinadas naciones las tasas de
inscripción han iniciado un proceso de recuperación, en numerosas regiones persisten desigualdades
significativas en el acceso a una educación de alta calidad (Muñoz & Cadena, 2024). Según de Souza
(2024), un porcentaje considerable de estudiantes que dejaron la institución durante la pandemia no ha
retornado, lo que representa un impedimento para las políticas educativas en el periodo postpandemia.
Es esencial que las tácticas de rehabilitación integren enfoques adaptativos, tales como la pedagogía
híbrida y programas de apoyo psicosocial, con la finalidad de garantizar la reincorporación y retención
de los estudiantes.
El aprendizaje automático ha evidenciado su efectividad en la pronosticación de la deserción escolar
(Parra-Sánchez, Torres Pardo & Martínez De Merino, 2023; Vite Ayala, Paredes Camacho, Quiroga
Gallo & González Gutiérrez, 2023). Estas tecnologías facilitan la interpretación de extensos conjuntos
de datos educativos, la detección de patrones y la formulación de estrategias de intervención
personalizadas.
Este estudio multidisciplinario tiene como objetivo evaluar la eficacia de los modelos de aprendizaje
automático en la predicción de la deserción escolar en el Tecnológico Nacional de México Campus
Chihuahua. El método adoptado engloba la evaluación de bases de datos institucionales, la elección y
capacitación de algoritmos de aprendizaje automático, y la valoración de su rendimiento a través de
indicadores tales como precisión, sensibilidad y especificidad.
Esta investigación se organiza de la siguiente manera: en la Sección II se presenta el marco teórico, en
el que se ofrece un resumen conciso de las cuestiones asociadas con la inteligencia artificial, se
especifican los principios fundamentales de aprendizaje automático y su implementación en el
procesamiento de datos escolares, además de los antecedentes del uso de la Inteligencia Artificial en el
contexto educativo. La Sección III detalla la metodología implementada, detallando los modelos y
métodos empleados, así como la utilización de datos estadísticos para la toma de decisiones en nuestro
instituto. La Sección IV expone los descubrimientos y su correspondiente análisis. La Sección V
examina las implicaciones éticas y operativas de la inteligencia artificial en la gestión educativa.
Finalmente, la Sección VI expone las conclusiones y las directrices para futuras investigaciones.
pág. 1621
Marco Teórico
Investigaciones contemporáneas han evidenciado que la deserción escolar no constituye un fenómeno
aislado, sino el producto de una serie de factores interrelacionados. Las causas primordiales del
abandono estudiantil incluyen un rendimiento académico deficiente, la ausencia de respaldo
institucional, la inestabilidad económica y la inadaptación a nuevos modelos educativos .
Adicionalmente, la infraestructura tecnológica y la administración educativa desempeñan un papel
crucial en la retención estudiantil (José H., Wilmer & Sánchez, 2024).
La incorporación de la inteligencia artificial en el ámbito educativo plantea retos significativos. Uno de
los desafíos principales radica en la protección de la privacidad de los datos estudiantiles, dado que la
utilización de información delicada demanda regulaciones explícitas para salvaguardar la identidad de
los alumnos (Vázquez‑Cano & Pascual Moscoso, 2022). Además, se ha detectado que los modelos
predictivos pueden exhibir sesgos algorítmicos, lo que podría provocar disparidades en el proceso de
toma de decisiones académicas (Bolaños Gramajo, 2023). Para prevenir esta dificultad, resulta esencial
desarrollar sistemas de auditoría y supervisión en la implementación de estos modelos (Aznarte, 2020).
La investigación contemporánea ha evidenciado que la inteligencia artificial (IA) juega un papel crucial
en la detección precoz de factores que inciden en la deserción escolar y en la optimización de la gestión
educativa. Mediante la implementación de algoritmos de aprendizaje automático y el análisis de grandes
volúmenes de datos, las instituciones educativas pueden elaborar modelos predictivos capaces de prever
el riesgo de abandono y diseñar estrategias de intervención personalizadas. La capacidad de la IA para
identificar patrones complejos y correlaciones entre el desempeño académico y la condición
socioeconómica de los estudiantes es fundamental para potenciar la retención y robustecer la equidad
educativa. Uno de los enfoques más eficaces en la aplicación de la IA en educación es la utilización de
modelos de clasificación, como los árboles de decisión y las redes neuronales, para pronosticar la tasa
de deserción en diversos niveles (Parra‑Sánchez et al., 2023). Estos modelos permiten evaluar un
conjunto de variables académicas, motivacionales, institucionales y socioeconómicas, lo que resulta en
proyecciones de alta precisión sobre el posible abandono escolar. La influencia de la IA en la gestión
educativa no se limita a la predicción de la deserción, sino que también incluye la mejora del rendimiento
académico y la adaptación a las demandas cambiantes de la sociedad. A través de sistemas de gestión
Marco Teórico
Investigaciones contemporáneas han evidenciado que la deserción escolar no constituye un fenómeno
aislado, sino el producto de una serie de factores interrelacionados. Las causas primordiales del
abandono estudiantil incluyen un rendimiento académico deficiente, la ausencia de respaldo
institucional, la inestabilidad económica y la inadaptación a nuevos modelos educativos .
Adicionalmente, la infraestructura tecnológica y la administración educativa desempeñan un papel
crucial en la retención estudiantil (José H., Wilmer & Sánchez, 2024).
La incorporación de la inteligencia artificial en el ámbito educativo plantea retos significativos. Uno de
los desafíos principales radica en la protección de la privacidad de los datos estudiantiles, dado que la
utilización de información delicada demanda regulaciones explícitas para salvaguardar la identidad de
los alumnos (Vázquez‑Cano & Pascual Moscoso, 2022). Además, se ha detectado que los modelos
predictivos pueden exhibir sesgos algorítmicos, lo que podría provocar disparidades en el proceso de
toma de decisiones académicas (Bolaños Gramajo, 2023). Para prevenir esta dificultad, resulta esencial
desarrollar sistemas de auditoría y supervisión en la implementación de estos modelos (Aznarte, 2020).
La investigación contemporánea ha evidenciado que la inteligencia artificial (IA) juega un papel crucial
en la detección precoz de factores que inciden en la deserción escolar y en la optimización de la gestión
educativa. Mediante la implementación de algoritmos de aprendizaje automático y el análisis de grandes
volúmenes de datos, las instituciones educativas pueden elaborar modelos predictivos capaces de prever
el riesgo de abandono y diseñar estrategias de intervención personalizadas. La capacidad de la IA para
identificar patrones complejos y correlaciones entre el desempeño académico y la condición
socioeconómica de los estudiantes es fundamental para potenciar la retención y robustecer la equidad
educativa. Uno de los enfoques más eficaces en la aplicación de la IA en educación es la utilización de
modelos de clasificación, como los árboles de decisión y las redes neuronales, para pronosticar la tasa
de deserción en diversos niveles (Parra‑Sánchez et al., 2023). Estos modelos permiten evaluar un
conjunto de variables académicas, motivacionales, institucionales y socioeconómicas, lo que resulta en
proyecciones de alta precisión sobre el posible abandono escolar. La influencia de la IA en la gestión
educativa no se limita a la predicción de la deserción, sino que también incluye la mejora del rendimiento
académico y la adaptación a las demandas cambiantes de la sociedad. A través de sistemas de gestión
pág. 1622
basados en IA, las instituciones pueden optimizar la distribución de recursos, identificar áreas de mejora
en el currículo y desarrollar programas de apoyo más eficaces. La automatización de funciones
administrativas y el análisis de datos en tiempo real facilitan la toma de decisiones fundamentadas,
fortaleciendo la calidad del proceso educativo.
Pese a los avances en la incorporación de la IA en la educación, su implementación enfrenta retos éticos
y operativos. Un desafío principal es la privacidad y seguridad de los datos estudiantiles, ya que el uso
de información académica y personal requiere regulaciones claras que aseguren la protección de la
identidad de los alumnos (Vázquez‑Cano & Pascual Moscoso, 2022). Asimismo, los modelos de IA
pueden estar expuestos a sesgos algorítmicos, lo que podría generar inequidades en la asignación de
recursos y en las decisiones académicas (Bolaños Gramajo, 2023). La supervisión humana y la
transparencia en el desarrollo de estos sistemas son fundamentales para mitigar estos riesgos y garantizar
una implementación ética.
Los académicos subrayan la relevancia de la identificación precoz, la manipulación de datos y la toma
de decisiones fundamentadas en la inteligencia artificial como instrumentos esenciales para promover
la retención estudiantil y el rendimiento académico. La integración de estos componentes posibilita no
solo la identificación de estudiantes con riesgo de deserción escolar, sino también la formulación de
programas de apoyo orientados a optimizar su rendimiento y bienestar académico. En este contexto, la
implementación de la inteligencia artificial en la administración educativa no solo constituye una
oportunidad para disminuir la tasa de deserción escolar, sino que también favorece el desarrollo de
sistemas educativos más inclusivos, eficaces y adaptables a las exigencias del siglo XXI. Un reto
adicional radica en la adopción de dichas tecnologías por parte de la comunidad educativa. La formación
de educadores y administradores en la aplicación de la inteligencia artificial es esencial para asegurar su
adopción efectiva (Parra & Matus, 2016).
A. Aprendizaje de máquina
El aprendizaje automático constituye una rama de la inteligencia artificial y la informática que faculta a
las computadoras para generar modelos matemáticos predictivos a partir de grandes volúmenes de datos
a través de herramientas estadísticas y algoritmos. Se basa en la optimización de funciones de error para
adecuar los modelos a la información disponible y potenciar su capacidad de generalización (Claudia
basados en IA, las instituciones pueden optimizar la distribución de recursos, identificar áreas de mejora
en el currículo y desarrollar programas de apoyo más eficaces. La automatización de funciones
administrativas y el análisis de datos en tiempo real facilitan la toma de decisiones fundamentadas,
fortaleciendo la calidad del proceso educativo.
Pese a los avances en la incorporación de la IA en la educación, su implementación enfrenta retos éticos
y operativos. Un desafío principal es la privacidad y seguridad de los datos estudiantiles, ya que el uso
de información académica y personal requiere regulaciones claras que aseguren la protección de la
identidad de los alumnos (Vázquez‑Cano & Pascual Moscoso, 2022). Asimismo, los modelos de IA
pueden estar expuestos a sesgos algorítmicos, lo que podría generar inequidades en la asignación de
recursos y en las decisiones académicas (Bolaños Gramajo, 2023). La supervisión humana y la
transparencia en el desarrollo de estos sistemas son fundamentales para mitigar estos riesgos y garantizar
una implementación ética.
Los académicos subrayan la relevancia de la identificación precoz, la manipulación de datos y la toma
de decisiones fundamentadas en la inteligencia artificial como instrumentos esenciales para promover
la retención estudiantil y el rendimiento académico. La integración de estos componentes posibilita no
solo la identificación de estudiantes con riesgo de deserción escolar, sino también la formulación de
programas de apoyo orientados a optimizar su rendimiento y bienestar académico. En este contexto, la
implementación de la inteligencia artificial en la administración educativa no solo constituye una
oportunidad para disminuir la tasa de deserción escolar, sino que también favorece el desarrollo de
sistemas educativos más inclusivos, eficaces y adaptables a las exigencias del siglo XXI. Un reto
adicional radica en la adopción de dichas tecnologías por parte de la comunidad educativa. La formación
de educadores y administradores en la aplicación de la inteligencia artificial es esencial para asegurar su
adopción efectiva (Parra & Matus, 2016).
A. Aprendizaje de máquina
El aprendizaje automático constituye una rama de la inteligencia artificial y la informática que faculta a
las computadoras para generar modelos matemáticos predictivos a partir de grandes volúmenes de datos
a través de herramientas estadísticas y algoritmos. Se basa en la optimización de funciones de error para
adecuar los modelos a la información disponible y potenciar su capacidad de generalización (Claudia
pág. 1623
et al., 2016). Se distinguen principalmente tres categorías de aprendizaje automático: el aprendizaje
supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo, cada una con aplicaciones
particulares en función de la naturaleza del problema a resolver. En el ámbito de la administración
educativa, la evaluación de grandes volúmenes de datos ha facilitado la formulación de estrategias de
intervención personalizadas para disminuir las tasas de deserción escolar (Ester, 2024; José et al., 2024).
Fundamentos básico matemático del aprendizaje automático mediante redes neuronales
Una red neuronal artificial (RNA) es un modelo computacional que se basa en el funcionamiento del
cerebro humano, diseñado para imitar el aprendizaje neuronal. La Figura 1 muestra una comparación
entre una neurona biológica y su contraparte artificial, destacando sus componentes principales.
Figura 1. Comparación entre una red neuronal y un neurona artificial como una ecuación matemática
Dentro de las neuronas biológicas, las dendritas desempeñan el papel de antenas, captando señales
eléctricas provenientes de otras células y conduciéndolas al soma (o cuerpo celular), donde se ubica el
núcleo y se integran todas estas señales. A partir de dicha integración, el soma genera un impulso
adicional que se propaga a través del axón, una prolongación singular y prolongada que transmite la
señal a su terminal axónica, lugar en el que se liberan neurotransmisores para establecer comunicación
con la célula subsecuente. Dentro de una red neuronal artificial (RNA), se reproducen los siguientes
procesos:
• Entradas (𝐱): Simulan las dendritas, recibiendo información externa.
• Suma ponderada: Equivale al soma; cada entrada xi se multiplica por un peso 𝑤𝑖 luego se suman
(𝑦 = ∑ 𝑤𝑖
𝑛
𝑖=1 𝑥𝑖) integrando toda la información recibida.
et al., 2016). Se distinguen principalmente tres categorías de aprendizaje automático: el aprendizaje
supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo, cada una con aplicaciones
particulares en función de la naturaleza del problema a resolver. En el ámbito de la administración
educativa, la evaluación de grandes volúmenes de datos ha facilitado la formulación de estrategias de
intervención personalizadas para disminuir las tasas de deserción escolar (Ester, 2024; José et al., 2024).
Fundamentos básico matemático del aprendizaje automático mediante redes neuronales
Una red neuronal artificial (RNA) es un modelo computacional que se basa en el funcionamiento del
cerebro humano, diseñado para imitar el aprendizaje neuronal. La Figura 1 muestra una comparación
entre una neurona biológica y su contraparte artificial, destacando sus componentes principales.
Figura 1. Comparación entre una red neuronal y un neurona artificial como una ecuación matemática
Dentro de las neuronas biológicas, las dendritas desempeñan el papel de antenas, captando señales
eléctricas provenientes de otras células y conduciéndolas al soma (o cuerpo celular), donde se ubica el
núcleo y se integran todas estas señales. A partir de dicha integración, el soma genera un impulso
adicional que se propaga a través del axón, una prolongación singular y prolongada que transmite la
señal a su terminal axónica, lugar en el que se liberan neurotransmisores para establecer comunicación
con la célula subsecuente. Dentro de una red neuronal artificial (RNA), se reproducen los siguientes
procesos:
• Entradas (𝐱): Simulan las dendritas, recibiendo información externa.
• Suma ponderada: Equivale al soma; cada entrada xi se multiplica por un peso 𝑤𝑖 luego se suman
(𝑦 = ∑ 𝑤𝑖
𝑛
𝑖=1 𝑥𝑖) integrando toda la información recibida.
pág. 1624
• Función de activación: Emula la generación del nuevo impulso, normalizando o transformando
la suma ponderada para controlar su amplitud y añadir no linealidad.
• Salida (y): Representa la señal transmitida por el axón, que puede continuar a otras capas de la
red o producir una respuesta final.
Este paralelismo convierte a las RNA en herramientas muy efectivas para modelar y aprender
comportamientos complejos a partir de datos. El detalle más complejo de este arreglo es encontrar el
número óptimo de neuronas artificiales y como entrenar los pesos de tal manera que la red neuronal
describa un modelo real para con ello la RNA permita estimar, deducir y predecir resultados futuros.
Dentro de la administración educativa, se han instaurado herramientas de minería de datos y análisis
predictivo con el fin de optimizar el desempeño académico y la gestión de recursos (Parra & Matus,
2016; Melo Júnior et al., 2024). La incorporación de la inteligencia artificial ha impulsado el desarrollo
de sistemas pedagógicos y de gestión escolar adaptativos que personalizan la experiencia de aprendizaje
según el progreso de cada estudiante (S. P.-S. J., Ingrid, T. & Carmen, 2023). La mayor ventaja de estos
algoritmos es que tiene la capacidad de hacer predicciones robustas inclusive entrenadas con pocos datos
experimentales, pero remarcando que tendrán un mejor rendimiento siempre y cuando se entrene con
variado y amplio tipo de datos, tal y como lo hacen las redes neuronales naturales. dando así una
herramienta poderosa para la toma de decisiones en ámbitos escolares como es el de este trabajo.
METODOLOGÍA
La valoración de nuestra propuesta se realizó a través de un ambiente de simulación concebido para
evaluar la aptitud de diversos algoritmos de inteligencia artificial en la predicción de la eficiencia
terminal de las cohortes estudiantiles del Tecnológico Nacional de México, Campus Chihuahua,
correspondientes al periodo 2016- 2020. El corpus de datos utilizado engloba diez cohortes semestrales
—ingresos de enero a junio y agosto a diciembre de cada año—, en las cuales se documentan los datos
de ingreso, egreso y titulación, segregados por género y programa de estudio. Debido a la limitada
naturaleza del muestreo (únicamente diez puntos temporales, varios de los cuales aún no han culminado
en términos de egreso a doce semestres), la simulación se orientó hacia un análisis de prueba de concepto
y la exploración de tendencias generales, en lugar de una generalización estadística rigurosa.
La modelización predictiva se llevó a cabo mediante la implementación de tres familias de algoritmos:
• Función de activación: Emula la generación del nuevo impulso, normalizando o transformando
la suma ponderada para controlar su amplitud y añadir no linealidad.
• Salida (y): Representa la señal transmitida por el axón, que puede continuar a otras capas de la
red o producir una respuesta final.
Este paralelismo convierte a las RNA en herramientas muy efectivas para modelar y aprender
comportamientos complejos a partir de datos. El detalle más complejo de este arreglo es encontrar el
número óptimo de neuronas artificiales y como entrenar los pesos de tal manera que la red neuronal
describa un modelo real para con ello la RNA permita estimar, deducir y predecir resultados futuros.
Dentro de la administración educativa, se han instaurado herramientas de minería de datos y análisis
predictivo con el fin de optimizar el desempeño académico y la gestión de recursos (Parra & Matus,
2016; Melo Júnior et al., 2024). La incorporación de la inteligencia artificial ha impulsado el desarrollo
de sistemas pedagógicos y de gestión escolar adaptativos que personalizan la experiencia de aprendizaje
según el progreso de cada estudiante (S. P.-S. J., Ingrid, T. & Carmen, 2023). La mayor ventaja de estos
algoritmos es que tiene la capacidad de hacer predicciones robustas inclusive entrenadas con pocos datos
experimentales, pero remarcando que tendrán un mejor rendimiento siempre y cuando se entrene con
variado y amplio tipo de datos, tal y como lo hacen las redes neuronales naturales. dando así una
herramienta poderosa para la toma de decisiones en ámbitos escolares como es el de este trabajo.
METODOLOGÍA
La valoración de nuestra propuesta se realizó a través de un ambiente de simulación concebido para
evaluar la aptitud de diversos algoritmos de inteligencia artificial en la predicción de la eficiencia
terminal de las cohortes estudiantiles del Tecnológico Nacional de México, Campus Chihuahua,
correspondientes al periodo 2016- 2020. El corpus de datos utilizado engloba diez cohortes semestrales
—ingresos de enero a junio y agosto a diciembre de cada año—, en las cuales se documentan los datos
de ingreso, egreso y titulación, segregados por género y programa de estudio. Debido a la limitada
naturaleza del muestreo (únicamente diez puntos temporales, varios de los cuales aún no han culminado
en términos de egreso a doce semestres), la simulación se orientó hacia un análisis de prueba de concepto
y la exploración de tendencias generales, en lugar de una generalización estadística rigurosa.
La modelización predictiva se llevó a cabo mediante la implementación de tres familias de algoritmos:
pág. 1625
inicialmente, modelos de clasificación supervisada (regresión logística, Random Forest y XGBoost),
que facilitaron la obtención de una línea de base interpretable y la captura de patrones no lineales en la
relación entre variables de cohorte y la probabilidad de graduación oportuna; en segundo lugar,
metodologías de análisis de supervivencia (modelo de Cox Proportional Hazards y Random Survival
Forest), cuyo rendimiento se evaluó en términos de error medio cuadrado y coeficiente de
determinación.
El preprocesamiento de la información implicó la codificación ordinal de las cohortes como variable
numérica, la normalización de las escalas y la integración de variables dummy (género, transición a
modalidad virtual debido a la pandemia). Para corroborar la robustez de cada modelo frente a la limitada
amplitud de la muestra, se implementó la estrategia de "leave-one-cohort-out": en cada iteración, nueve
cohortes funcionaron como conjunto de entrenamiento y la cohorte remanente se utilizó como
validación. Las métricas utilizadas incluyeron la precisión, el área bajo la curva ROC para los
clasificadores, el índice de concordancia (C-index) para los modelos de supervivencia y el Índice de
Matriz de Supervivencia (MSE) para la red neuronal. Esta técnica de validación cruzada garantiza que
cada cohorte proporcione de manera simultánea datos de entrenamiento y contraste, reduciendo así el
sesgo en la evaluación.
El experimento se llevó a cabo en una estación de trabajo dotada de un procesador Intel Core i7‐9700K
con una frecuencia de 3.6 GHz, 32 GB de memoria RAM y un disco SSD NVMe, sin requerir
aceleración por GPU debido al volumen moderado de datos y la complejidad controlada de los modelos.
Las implementaciones fueron desarrolladas en Python 3.9, empleando bibliotecas estándar como
Pandas, NumPy, scikit-learn, XGBoost, lifelines y scikit-survival. Este ambiente aseguró la
reproducibilidad y eficacia en el cálculo, posibilitando iteraciones aceleradas en la calibración de
hiperparámetros.
Pese a las restricciones intrínsecas al limitado horizonte temporal y a la escasez de observaciones, los
modelos exhibieron una conducta coherente con las tendencias detectadas, capturando las fluctuaciones
de eficiencia terminal y corroborando la factibilidad de la técnica. Sin embargo, los hallazgos enfatizan
la necesidad de enriquecer el conjunto de datos con datos a nivel estudiantil (calificaciones,
reprobaciones, variables socioeconómicas) y extender el periodo de estudio para optimizar la
inicialmente, modelos de clasificación supervisada (regresión logística, Random Forest y XGBoost),
que facilitaron la obtención de una línea de base interpretable y la captura de patrones no lineales en la
relación entre variables de cohorte y la probabilidad de graduación oportuna; en segundo lugar,
metodologías de análisis de supervivencia (modelo de Cox Proportional Hazards y Random Survival
Forest), cuyo rendimiento se evaluó en términos de error medio cuadrado y coeficiente de
determinación.
El preprocesamiento de la información implicó la codificación ordinal de las cohortes como variable
numérica, la normalización de las escalas y la integración de variables dummy (género, transición a
modalidad virtual debido a la pandemia). Para corroborar la robustez de cada modelo frente a la limitada
amplitud de la muestra, se implementó la estrategia de "leave-one-cohort-out": en cada iteración, nueve
cohortes funcionaron como conjunto de entrenamiento y la cohorte remanente se utilizó como
validación. Las métricas utilizadas incluyeron la precisión, el área bajo la curva ROC para los
clasificadores, el índice de concordancia (C-index) para los modelos de supervivencia y el Índice de
Matriz de Supervivencia (MSE) para la red neuronal. Esta técnica de validación cruzada garantiza que
cada cohorte proporcione de manera simultánea datos de entrenamiento y contraste, reduciendo así el
sesgo en la evaluación.
El experimento se llevó a cabo en una estación de trabajo dotada de un procesador Intel Core i7‐9700K
con una frecuencia de 3.6 GHz, 32 GB de memoria RAM y un disco SSD NVMe, sin requerir
aceleración por GPU debido al volumen moderado de datos y la complejidad controlada de los modelos.
Las implementaciones fueron desarrolladas en Python 3.9, empleando bibliotecas estándar como
Pandas, NumPy, scikit-learn, XGBoost, lifelines y scikit-survival. Este ambiente aseguró la
reproducibilidad y eficacia en el cálculo, posibilitando iteraciones aceleradas en la calibración de
hiperparámetros.
Pese a las restricciones intrínsecas al limitado horizonte temporal y a la escasez de observaciones, los
modelos exhibieron una conducta coherente con las tendencias detectadas, capturando las fluctuaciones
de eficiencia terminal y corroborando la factibilidad de la técnica. Sin embargo, los hallazgos enfatizan
la necesidad de enriquecer el conjunto de datos con datos a nivel estudiantil (calificaciones,
reprobaciones, variables socioeconómicas) y extender el periodo de estudio para optimizar la
pág. 1626
generalización y robustez de la propuesta. Este estudio, concebido como una investigación inicial,
establece los cimientos para futuros desarrollos de sistemas predictivos en contextos académicos. En
estos contextos, la incorporación de variables más numerosas y volúmenes de datos incrementará la
fiabilidad y utilidad práctica de las herramientas de inteligencia artificial en la optimización de la
retención y el egreso oportuno.
RESULTADOS
La evolución de la eficiencia terminal —entendida como el porcentaje de estudiantes que egresan en un
plazo máximo de doce semestres— para las diez cohortes 2016‑1 a 2020‑2 se resume en las siguientes
tablas 1 y 2. Se observa un inicio bajo en 2016‑1 (16.2 %), un pico en 2016‑2 (54.4 %), un periodo de
estabilización en 2017–2018 (33 – 50 \%) y una caída abrupta en 2019‑1 (19.1 \%), seguida por cohortes
aún inconclusas.
Tabla 1. Eficiencia estimada. Serie de tiempo de la eficiencia terminal por cohorte de ingreso
Cohorte Periodo de ingreso Eficiencia
2016-1 Enero–Junio 2016 16.2
2016-2 Agosto–Diciembre 2016 54.4
2017-1 Enero–Junio 2017 32.9
2017-2 Agosto–Diciembre 2017 47.6
2018-1 Enero–Junio 2018 37.7
2018-2 Agosto–Diciembre 2018 50.4
2019-1 Enero–Junio 2019 19.1
2019-2* Agosto–Diciembre 2019 0
2020-1* Enero–Junio 2020 0
2020-2*
Agosto–Diciembre 2020
(Pandemia) 0
Para probar la factibilidad de aprendizaje profundo con un conjunto tan limitado, entrenamos un
Perceptrón Multicapa (MLP) con dos capas ocultas de diez neuronas cada una, activación ReLU y 100
épocas de entrenamiento. Los valores reales y predichos por el MLP recoge el desempeño global en
términos de Error Medio Cuadrático (MSE) y coeficiente de determinación .
generalización y robustez de la propuesta. Este estudio, concebido como una investigación inicial,
establece los cimientos para futuros desarrollos de sistemas predictivos en contextos académicos. En
estos contextos, la incorporación de variables más numerosas y volúmenes de datos incrementará la
fiabilidad y utilidad práctica de las herramientas de inteligencia artificial en la optimización de la
retención y el egreso oportuno.
RESULTADOS
La evolución de la eficiencia terminal —entendida como el porcentaje de estudiantes que egresan en un
plazo máximo de doce semestres— para las diez cohortes 2016‑1 a 2020‑2 se resume en las siguientes
tablas 1 y 2. Se observa un inicio bajo en 2016‑1 (16.2 %), un pico en 2016‑2 (54.4 %), un periodo de
estabilización en 2017–2018 (33 – 50 \%) y una caída abrupta en 2019‑1 (19.1 \%), seguida por cohortes
aún inconclusas.
Tabla 1. Eficiencia estimada. Serie de tiempo de la eficiencia terminal por cohorte de ingreso
Cohorte Periodo de ingreso Eficiencia
2016-1 Enero–Junio 2016 16.2
2016-2 Agosto–Diciembre 2016 54.4
2017-1 Enero–Junio 2017 32.9
2017-2 Agosto–Diciembre 2017 47.6
2018-1 Enero–Junio 2018 37.7
2018-2 Agosto–Diciembre 2018 50.4
2019-1 Enero–Junio 2019 19.1
2019-2* Agosto–Diciembre 2019 0
2020-1* Enero–Junio 2020 0
2020-2*
Agosto–Diciembre 2020
(Pandemia) 0
Para probar la factibilidad de aprendizaje profundo con un conjunto tan limitado, entrenamos un
Perceptrón Multicapa (MLP) con dos capas ocultas de diez neuronas cada una, activación ReLU y 100
épocas de entrenamiento. Los valores reales y predichos por el MLP recoge el desempeño global en
términos de Error Medio Cuadrático (MSE) y coeficiente de determinación .
pág. 1627
Figura 1. Predicción estimada usando redes neuronales 100 epocas
El modelo MLP obtuvo un MSE de 0.03408 después de 100 épocas de entrenamiento. El coeficiente de
determinación R2 es de 0.28, lo que explica alrededor del 28 % de la varianza de la eficiencia terminal,
debido a las cohortes codificadas como variable de entrada. A pesar de que el modelo es capaz de
capturar la tendencia general de la serie temporal con un número reducido de iteraciones, el MSE
obtenido es superior al de la versión entrenada durante 5 000 épocas (0.01982). Cuando se trabaja con
muestras limitadas, se ilustra el compromiso entre el tiempo de entrenamiento y la precisión del ajuste.
La eficiencia terminal promedio cayó de 39.9 % a 4.8 % debido a la transición forzada a la modalidad
virtual, según un análisis comparativo entre periodos. Las estudiantes femeninas presentaron un 20.6 %
de eficiencia, mientras que los estudiantes masculinos tuvieron un 6.8 %.
Figura 2. Disparidad de genero en el TecNM campus Chihuahua
Figura 1. Predicción estimada usando redes neuronales 100 epocas
El modelo MLP obtuvo un MSE de 0.03408 después de 100 épocas de entrenamiento. El coeficiente de
determinación R2 es de 0.28, lo que explica alrededor del 28 % de la varianza de la eficiencia terminal,
debido a las cohortes codificadas como variable de entrada. A pesar de que el modelo es capaz de
capturar la tendencia general de la serie temporal con un número reducido de iteraciones, el MSE
obtenido es superior al de la versión entrenada durante 5 000 épocas (0.01982). Cuando se trabaja con
muestras limitadas, se ilustra el compromiso entre el tiempo de entrenamiento y la precisión del ajuste.
La eficiencia terminal promedio cayó de 39.9 % a 4.8 % debido a la transición forzada a la modalidad
virtual, según un análisis comparativo entre periodos. Las estudiantes femeninas presentaron un 20.6 %
de eficiencia, mientras que los estudiantes masculinos tuvieron un 6.8 %.
Figura 2. Disparidad de genero en el TecNM campus Chihuahua
pág. 1628
El gráfico ilustra la eficiencia terminal desagregada por género para las cohortes anteriores a la pandemia
(2016‐1 a 2018‐2). En todas las instancias, las mujeres exhiben tasas significativamente superiores en
comparación con los hombres, con discrepancias que fluctúan entre 6 y 22 puntos porcentuales. Este
patrón se manifiesta en un promedio de 20.6% en el caso de las estudiantes, en comparación con el 6.8
% en el caso de los alumnos varones.
La evaluación indica la presencia de elementos diferenciadores —académicos, de patrones de estudio o
de adaptación al entorno— que propician un egreso más precoz en las mujeres. Para corroborar
estadísticamente este descubrimiento, se sugiere la implementación de una prueba de chi-cuadrado que
establezca la independencia entre las variables de género y el estado de egreso (graduación en un periodo
de 12 semestres en comparación con el retraso o deserción). Además, en futuras implementaciones de
modelos predictivos, es imperativo incorporar una variable de género para identificar este fenómeno y
dirigir estrategias específicas de mentoría o apoyo para mitigar la disparidad en el rendimiento.
CONCLUSIONES
En conclusión, el presente estudio proporciona pruebas convincentes de que las técnicas de artificial
intelligence, que incluyen classification modelos, técnicas de survival-analysis y redes neurales
profundas, tienen la capacidad de prever con precisión las tasas de graduación en tiempo real en un
entorno de educación superior, incluso cuando se entrenan en un único y limitado temporal dataset.
Mediante la modelización de diez cohortes bianuales desde 2016 hasta 2020, se han replicado no solo
las observadas variaciones en terminal efficiency—enfatizando una declinación alarmante en cohortes
post-pandemia y un persistente desequilibrio de género que supera los thirteen percentage points—
también se ha evidenciado que un Perceptron Multilayer de menor escala, con únicamente dos layers
ocultos y un centenar de epochs de formación, puede explicar aproximadamente el cuarto de la varianza
(R2 ≈ 0.28) at a media squared error de 0.034. Estos hallazgos corroboran la viabilidad de implementar
sistemas early-warning basados en inteligencia artificial para identificar cohortes o individuos en
situación de alto riesgo y para orientar intervenciones pedagógicas específicas. Esencialmente, el estudio
enfatiza la necesidad de enriquecer predictive modelos con características granular a nivel de estudiante
y socioeconómico, con el objetivo de potenciar su robustez y equidad. En el contexto de una creciente
complejidad de los escenarios educativos, nuestro enfoque proporciona un fundamento escalable para
El gráfico ilustra la eficiencia terminal desagregada por género para las cohortes anteriores a la pandemia
(2016‐1 a 2018‐2). En todas las instancias, las mujeres exhiben tasas significativamente superiores en
comparación con los hombres, con discrepancias que fluctúan entre 6 y 22 puntos porcentuales. Este
patrón se manifiesta en un promedio de 20.6% en el caso de las estudiantes, en comparación con el 6.8
% en el caso de los alumnos varones.
La evaluación indica la presencia de elementos diferenciadores —académicos, de patrones de estudio o
de adaptación al entorno— que propician un egreso más precoz en las mujeres. Para corroborar
estadísticamente este descubrimiento, se sugiere la implementación de una prueba de chi-cuadrado que
establezca la independencia entre las variables de género y el estado de egreso (graduación en un periodo
de 12 semestres en comparación con el retraso o deserción). Además, en futuras implementaciones de
modelos predictivos, es imperativo incorporar una variable de género para identificar este fenómeno y
dirigir estrategias específicas de mentoría o apoyo para mitigar la disparidad en el rendimiento.
CONCLUSIONES
En conclusión, el presente estudio proporciona pruebas convincentes de que las técnicas de artificial
intelligence, que incluyen classification modelos, técnicas de survival-analysis y redes neurales
profundas, tienen la capacidad de prever con precisión las tasas de graduación en tiempo real en un
entorno de educación superior, incluso cuando se entrenan en un único y limitado temporal dataset.
Mediante la modelización de diez cohortes bianuales desde 2016 hasta 2020, se han replicado no solo
las observadas variaciones en terminal efficiency—enfatizando una declinación alarmante en cohortes
post-pandemia y un persistente desequilibrio de género que supera los thirteen percentage points—
también se ha evidenciado que un Perceptron Multilayer de menor escala, con únicamente dos layers
ocultos y un centenar de epochs de formación, puede explicar aproximadamente el cuarto de la varianza
(R2 ≈ 0.28) at a media squared error de 0.034. Estos hallazgos corroboran la viabilidad de implementar
sistemas early-warning basados en inteligencia artificial para identificar cohortes o individuos en
situación de alto riesgo y para orientar intervenciones pedagógicas específicas. Esencialmente, el estudio
enfatiza la necesidad de enriquecer predictive modelos con características granular a nivel de estudiante
y socioeconómico, con el objetivo de potenciar su robustez y equidad. En el contexto de una creciente
complejidad de los escenarios educativos, nuestro enfoque proporciona un fundamento escalable para
pág. 1629
la formulación de políticas, permitiendo a las instituciones cerrar de manera proactiva las brechas de
rendimiento, optimizar la asignación de recursos, y en última instancia, potenciar la retención y el
rendimiento académico de los estudiantes.
REFERENCIAS BIBLIOGRÁFICAS
Arellano‑Esparza, C. A., & Ángeles Ortiz‑Espinoza. (2022). Educación media superior en México:
abandono escolar y políticas públicas durante la COVID‑19. Íconos – Revista de Ciencias
Sociales.
Aznarte, J. L. (2020, 1 jul). Consideraciones éticas en torno al uso de tecnologías basadas en datos
masivos en la UNED. RIED. Revista Iberoamericana de Educación a Distancia, 23(2), 237.
https://doi.org/10.5944/ried.23.2.26590
Bolaños Gramajo, V. Y. (2023, 17 abr). Ética estadística: Revisión de literatura sobre lineamientos de
práctica profesional. Revista Psicólogos, 8(22). https://doi.org/10.59205/rp.v8i22.167
Bustos Narváez, Á. C. (2023). Deserción escolar en pandemia en Puerto Guzmán, Putumayo, Colombia.
Revista Criterios.
Carreño, J., Martínez, D. A., & Páez, D. (2023, 15 nov). Predicción y prevención de deserción escolar
mediante I.A.: Una revisión a fin de identificar modelos y factores relevantes. I+T+C – Research,
Technology and Science, 1(17). https://doi.org/10.57173/ritc.v1n17a2
Claudia, R., Hernández, R. N., A., Benjamin, C. L., & Juan, P. T. (2016). Tratamiento masivo de datos
utilizando técnicas de machine learning.
de Souza, M. A. M. (2024). Evasão escolar na pandemia da COVID‑19: Evidências para o Brasil. A
Economia em Revista – AERE.
E., A. F. (2023). Introducción al machine learning en senología. Revista de Senología y Patología
Mamaria. https://doi.org/10.1016/j.senol.2023.100503
Ester, M. C. A. (2024). Análisis de estrategias innovadoras para retención estudiantil con inteligencia
artificial: Una perspectiva multidisciplinaria. European Public & Social Innovation Review.
https://doi.org/10.31637/epsir-2024-440
González, H. D. B., Cruz, J. G. B., & Gómez, O. T. T. (2022). Incidencia de la pandemia en los índices
de deserción escolar en el sistema educativo ecuatoriano. Ciencia Latina Revista Científica
la formulación de políticas, permitiendo a las instituciones cerrar de manera proactiva las brechas de
rendimiento, optimizar la asignación de recursos, y en última instancia, potenciar la retención y el
rendimiento académico de los estudiantes.
REFERENCIAS BIBLIOGRÁFICAS
Arellano‑Esparza, C. A., & Ángeles Ortiz‑Espinoza. (2022). Educación media superior en México:
abandono escolar y políticas públicas durante la COVID‑19. Íconos – Revista de Ciencias
Sociales.
Aznarte, J. L. (2020, 1 jul). Consideraciones éticas en torno al uso de tecnologías basadas en datos
masivos en la UNED. RIED. Revista Iberoamericana de Educación a Distancia, 23(2), 237.
https://doi.org/10.5944/ried.23.2.26590
Bolaños Gramajo, V. Y. (2023, 17 abr). Ética estadística: Revisión de literatura sobre lineamientos de
práctica profesional. Revista Psicólogos, 8(22). https://doi.org/10.59205/rp.v8i22.167
Bustos Narváez, Á. C. (2023). Deserción escolar en pandemia en Puerto Guzmán, Putumayo, Colombia.
Revista Criterios.
Carreño, J., Martínez, D. A., & Páez, D. (2023, 15 nov). Predicción y prevención de deserción escolar
mediante I.A.: Una revisión a fin de identificar modelos y factores relevantes. I+T+C – Research,
Technology and Science, 1(17). https://doi.org/10.57173/ritc.v1n17a2
Claudia, R., Hernández, R. N., A., Benjamin, C. L., & Juan, P. T. (2016). Tratamiento masivo de datos
utilizando técnicas de machine learning.
de Souza, M. A. M. (2024). Evasão escolar na pandemia da COVID‑19: Evidências para o Brasil. A
Economia em Revista – AERE.
E., A. F. (2023). Introducción al machine learning en senología. Revista de Senología y Patología
Mamaria. https://doi.org/10.1016/j.senol.2023.100503
Ester, M. C. A. (2024). Análisis de estrategias innovadoras para retención estudiantil con inteligencia
artificial: Una perspectiva multidisciplinaria. European Public & Social Innovation Review.
https://doi.org/10.31637/epsir-2024-440
González, H. D. B., Cruz, J. G. B., & Gómez, O. T. T. (2022). Incidencia de la pandemia en los índices
de deserción escolar en el sistema educativo ecuatoriano. Ciencia Latina Revista Científica
pág. 1630
Multidisciplinar.
J., E. (2022). Gestión administrativa y deserción escolar en la institución educativa San Lorenzo de
Suaza Huila, período 2014‑2019. Revista Dialogus. https://doi.org/10.37594/dialogus.v1i7.525
J., S.-G. (2021). Machine learning y sus aplicaciones. https://doi.org/10.47300/978-9962-5599-8-6-03
J., S. P.-S., Ingrid, D., T., P., & Carmen, M. d. M. (2023). Factores explicativos de la deserción
universitaria abordados mediante inteligencia artificial. Revista Electrónica de Investigación
Educativa, 25. https://doi.org/10.24320/redie.2023.25.e18.4455
José, E., Hernández, R., Wilmer, A., & Sánchez, S. (2024). El abordaje de la deserción escolar desde la
mirada prometedora de la inteligencia artificial. Línea Imaginaria.
https://doi.org/10.56219/lneaimaginaria.v1i19.3209
Julio, A. Z., Ivette, M. A., & Geomar, G. S. (2022). Revisión de literatura sobre las técnicas de machine
learning en la detección de fraudes bancarios. Sapienza: International Journal of Interdisciplinary
Studies. https://doi.org/10.51798/sijis.v3i1.257
Marín Juarros, V., & Tur Ferrer, G. (2023, 20 mar). La privacidad de los datos en tecnología educativa:
Resultados de una revisión de alcance. Edutec. Revista Electrónica de Tecnología Educativa, (83),
7–23. https://doi.org/10.21556/edutec.2023.83.2701
Melo Júnior, H. G., Franqueira, A. d. S., Santos, S. M. A. V., Rezende, C. K., Silva, P. R. d. O., & Silva,
R. A. (2024, 11 sep). Toma de decisión basada en datos: Uso de datos para mejorar la eficiencia
y eficacia en la gestión escolar. Contribuciones a las Ciencias Sociales, 17(9), e10385.
https://doi.org/10.55905/revconv.17n.9-098
Miguel Vite Ayala, M. V. A., Paredes Camacho, J. E., Quiroga Gallo, M. A., & Gonzales Gutiérrez,
E. W. (2023, 7 feb). Dashboard for the improvement of school management in educational
institutions. Ciencia Latina Revista Científica Multidisciplinar, 7(1), 3018–3037.
https://doi.org/10.37811/cl_rcm.v7i1.4639
Muñoz, G. D. M., & Cadena, J. P. T. (2024). Gestión administrativa en la deserción escolar de los
colegios del distrito 02d03 Chimbo – San Miguel de Bolívar. Reincisol.
N., P.-B., Juan, S. B.-G., & Julián, D. G. O. (2021). Neurooncología y su relación con las herramientas
de machine learning: Un estudio de revisión. Revista Innovación y Desarrollo Sostenible.
Multidisciplinar.
J., E. (2022). Gestión administrativa y deserción escolar en la institución educativa San Lorenzo de
Suaza Huila, período 2014‑2019. Revista Dialogus. https://doi.org/10.37594/dialogus.v1i7.525
J., S.-G. (2021). Machine learning y sus aplicaciones. https://doi.org/10.47300/978-9962-5599-8-6-03
J., S. P.-S., Ingrid, D., T., P., & Carmen, M. d. M. (2023). Factores explicativos de la deserción
universitaria abordados mediante inteligencia artificial. Revista Electrónica de Investigación
Educativa, 25. https://doi.org/10.24320/redie.2023.25.e18.4455
José, E., Hernández, R., Wilmer, A., & Sánchez, S. (2024). El abordaje de la deserción escolar desde la
mirada prometedora de la inteligencia artificial. Línea Imaginaria.
https://doi.org/10.56219/lneaimaginaria.v1i19.3209
Julio, A. Z., Ivette, M. A., & Geomar, G. S. (2022). Revisión de literatura sobre las técnicas de machine
learning en la detección de fraudes bancarios. Sapienza: International Journal of Interdisciplinary
Studies. https://doi.org/10.51798/sijis.v3i1.257
Marín Juarros, V., & Tur Ferrer, G. (2023, 20 mar). La privacidad de los datos en tecnología educativa:
Resultados de una revisión de alcance. Edutec. Revista Electrónica de Tecnología Educativa, (83),
7–23. https://doi.org/10.21556/edutec.2023.83.2701
Melo Júnior, H. G., Franqueira, A. d. S., Santos, S. M. A. V., Rezende, C. K., Silva, P. R. d. O., & Silva,
R. A. (2024, 11 sep). Toma de decisión basada en datos: Uso de datos para mejorar la eficiencia
y eficacia en la gestión escolar. Contribuciones a las Ciencias Sociales, 17(9), e10385.
https://doi.org/10.55905/revconv.17n.9-098
Miguel Vite Ayala, M. V. A., Paredes Camacho, J. E., Quiroga Gallo, M. A., & Gonzales Gutiérrez,
E. W. (2023, 7 feb). Dashboard for the improvement of school management in educational
institutions. Ciencia Latina Revista Científica Multidisciplinar, 7(1), 3018–3037.
https://doi.org/10.37811/cl_rcm.v7i1.4639
Muñoz, G. D. M., & Cadena, J. P. T. (2024). Gestión administrativa en la deserción escolar de los
colegios del distrito 02d03 Chimbo – San Miguel de Bolívar. Reincisol.
N., P.-B., Juan, S. B.-G., & Julián, D. G. O. (2021). Neurooncología y su relación con las herramientas
de machine learning: Un estudio de revisión. Revista Innovación y Desarrollo Sostenible.
pág. 1631
https://doi.org/10.47185/27113760.v2n1.43
Núñez, R., A. A. D. L. H., & M., S. G. (2019). Big data analysis and machine learning in intensive care
units. Medicina Intensiva. https://doi.org/10.1016/j.medin.2018.10.007
Parra, V., & Matus, G. (2016, dic). Usos de datos y mejora escolar: Una aproximación a los sentidos y
prácticas educativas subyacentes a los procesos de toma de decisiones. Calidad en la Educación,
(45), 207–250. https://doi.org/10.4067/S0718-45652016000200007
Parra‑Sánchez, J. S., Torres Pardo, I. D., & Martínez De Merino, C. Y. (2023, 29 jun). Factores
explicativos de la deserción universitaria abordados mediante inteligencia artificial. Revista
Electrónica de Investigación Educativa, 25, 1–17.
https://doi.org/10.24320/redie.2023.25.e18.4455
Sabino, V., & Acuña, K. (2022). Pandemia y deserción escolar en la Universidad Autónoma de
Guerrero, México. Gestionar Revista de Empresa y Gobierno.
Vázquez‑Cano, E., & Pascual Moscoso, C. (2022, 23 sep). Protección de datos y uso ético de la
tecnología para una didáctica sostenible. Revista Electrónica Interuniversitaria de Formación del
Profesorado, 25(3), 95–110. https://doi.org/10.6018/reifop.529831
https://doi.org/10.47185/27113760.v2n1.43
Núñez, R., A. A. D. L. H., & M., S. G. (2019). Big data analysis and machine learning in intensive care
units. Medicina Intensiva. https://doi.org/10.1016/j.medin.2018.10.007
Parra, V., & Matus, G. (2016, dic). Usos de datos y mejora escolar: Una aproximación a los sentidos y
prácticas educativas subyacentes a los procesos de toma de decisiones. Calidad en la Educación,
(45), 207–250. https://doi.org/10.4067/S0718-45652016000200007
Parra‑Sánchez, J. S., Torres Pardo, I. D., & Martínez De Merino, C. Y. (2023, 29 jun). Factores
explicativos de la deserción universitaria abordados mediante inteligencia artificial. Revista
Electrónica de Investigación Educativa, 25, 1–17.
https://doi.org/10.24320/redie.2023.25.e18.4455
Sabino, V., & Acuña, K. (2022). Pandemia y deserción escolar en la Universidad Autónoma de
Guerrero, México. Gestionar Revista de Empresa y Gobierno.
Vázquez‑Cano, E., & Pascual Moscoso, C. (2022, 23 sep). Protección de datos y uso ético de la
tecnología para una didáctica sostenible. Revista Electrónica Interuniversitaria de Formación del
Profesorado, 25(3), 95–110. https://doi.org/10.6018/reifop.529831