FACTORES ASOCIADOS AL BIENESTAR ESTUDIANTIL Y
AL RIESGO DE INTERRUPCIÓN ACADÉMICA MEDIANTE
ANALÍTICA DE DATOS EN INSTITUTOS DE EDUCACIÓN
SUPERIOR DE LA PROVINCIA DE EL ORO
FACTORS ASSOCIATED WITH STUDENT WELL-BEING AND RISK OF
ACADEMIC INTERRUPTION USING DATA ANALYTICS IN HIGHER
EDUCATION INSTITUTES IN THE PROVINCE OF EL ORO
Cristian Stalin Sancho López
Instituto Superior Tecnológico Huaquillas, Ecuador
Jonathan Enrique Sanmartin Pangay
Instituto Superior Tecnológico Huaquillas, Ecuador
David Xavier Chila Klinger
Instituto Superior Tecnológico Huaquillas, Ecuador
William Geovanny Cabrera Fajardo
Instituto Superior Tecnológico Huaquillas, Ecuador
pág. 6385
DOI: https://doi.org/10.37811/cl_rcm.v10i5.26488
Factores Asociados al Bienestar Estudiantil y al Riesgo de Interrupción
Académica Mediante Analítica de Datos en Institutos de Educación
Superior de la Provincia de El Oro
Cristian Stalin Sancho López1
csancho@isth.edu.ec
https://orcid.org/0000-0002-2974-5896
Instituto Superior Tecnológico Huaquillas
Huaquillas, Ecuador
Jonathan Enrique Sanmartin Pangay
jsanmartin@isth.edu.ec
https://orcid.org/0009-0008-3179-1518
Instituto Superior Tecnológico Huaquillas
Huaquillas, Ecuador
David Xavier Chila Klinger
dchila@isth.edu.ec
https://orcid.org/0009-0005-8306-1072
Instituto Superior Tecnológico Huaquillas
Huaquillas, Ecuador
William Geovanny Cabrera Fajardo
wcabrera@isth.edu.ec
https://orcid.org/0000-0003-3704-8510
Instituto Superior Tecnológico Huaquillas
Huaquillas, Ecuador
RESUMEN
El objetivo del estudio fue analizar factores académicos, socioeconómicos, laborales, tecnológicos y de
bienestar asociados con un indicador preventivo de riesgo de interrupción académica en estudiantes de
dos institutos de educación superior de la provincia de El Oro. Se desarrolló un estudio cuantitativo, no
experimental y transversal con 270 registros. La variable de resultado agrupó como señal preventiva las
respuestas “Sí” y “No está seguro/a” ante la intención de interrumpir los estudios. Se aplicaron
estadística descriptiva, pruebas χ², V de Cramér, ajuste de Benjamini-Hochberg, regresión logística y
validación cruzada estratificada. El 34,1 % presentó intención o incertidumbre respecto de la
continuidad. Las asociaciones bivariadas de mayor magnitud correspondieron a carga laboral igual o
superior a 31 horas semanales, motivación moderada/baja y presencia de personas dependientes. En el
modelo ajustado, estos tres factores conservaron asociaciones significativas. El modelo alcanzó un AUC
de 0,794, con sensibilidad de 54,3 % y especificidad de 89,9 %. Los resultados respaldan un enfoque
multidimensional de acompañamiento estudiantil y no justifican una clasificación automática o causal
del abandono
Palabras clave: bienestar estudiantil, permanencia académica, interrupción académica, analítica de
datos, educación superior
1 Autor principal
Correspondencia: csancho@isth.edu.ec
DOI: https://doi.org/10.37811/cl_rcm.v10i5.26488
Factores Asociados al Bienestar Estudiantil y al Riesgo de Interrupción
Académica Mediante Analítica de Datos en Institutos de Educación
Superior de la Provincia de El Oro
Cristian Stalin Sancho López1
csancho@isth.edu.ec
https://orcid.org/0000-0002-2974-5896
Instituto Superior Tecnológico Huaquillas
Huaquillas, Ecuador
Jonathan Enrique Sanmartin Pangay
jsanmartin@isth.edu.ec
https://orcid.org/0009-0008-3179-1518
Instituto Superior Tecnológico Huaquillas
Huaquillas, Ecuador
David Xavier Chila Klinger
dchila@isth.edu.ec
https://orcid.org/0009-0005-8306-1072
Instituto Superior Tecnológico Huaquillas
Huaquillas, Ecuador
William Geovanny Cabrera Fajardo
wcabrera@isth.edu.ec
https://orcid.org/0000-0003-3704-8510
Instituto Superior Tecnológico Huaquillas
Huaquillas, Ecuador
RESUMEN
El objetivo del estudio fue analizar factores académicos, socioeconómicos, laborales, tecnológicos y de
bienestar asociados con un indicador preventivo de riesgo de interrupción académica en estudiantes de
dos institutos de educación superior de la provincia de El Oro. Se desarrolló un estudio cuantitativo, no
experimental y transversal con 270 registros. La variable de resultado agrupó como señal preventiva las
respuestas “Sí” y “No está seguro/a” ante la intención de interrumpir los estudios. Se aplicaron
estadística descriptiva, pruebas χ², V de Cramér, ajuste de Benjamini-Hochberg, regresión logística y
validación cruzada estratificada. El 34,1 % presentó intención o incertidumbre respecto de la
continuidad. Las asociaciones bivariadas de mayor magnitud correspondieron a carga laboral igual o
superior a 31 horas semanales, motivación moderada/baja y presencia de personas dependientes. En el
modelo ajustado, estos tres factores conservaron asociaciones significativas. El modelo alcanzó un AUC
de 0,794, con sensibilidad de 54,3 % y especificidad de 89,9 %. Los resultados respaldan un enfoque
multidimensional de acompañamiento estudiantil y no justifican una clasificación automática o causal
del abandono
Palabras clave: bienestar estudiantil, permanencia académica, interrupción académica, analítica de
datos, educación superior
1 Autor principal
Correspondencia: csancho@isth.edu.ec
pág. 6386
Factors Associated with Student Well-Being and Risk of Academic
Interruption Using Data Analytics In Higher Education Institutes in the
Province of El Oro
ABSTRACT
The study aimed to analyze academic, socioeconomic, work-related, technological, and well-being
factors associated with a preventive indicator of academic interruption risk among students from two
higher education institutes in the province of El Oro, Ecuador. A quantitative, non-experimental, cross-
sectional study was conducted using 270 records. The outcome variable classified “Yes” and “Not sure”
responses to the intention to interrupt studies as a preventive signal. Descriptive statistics, chi-square
tests, Cramér’s V, Benjamini-Hochberg adjustment, logistic regression, and stratified cross-validation
were applied. Overall, 34.1% of students expressed either an intention to interrupt or uncertainty about
continuing. The strongest bivariate associations were observed for working 31 hours or more per week,
moderate/low motivation, and having dependents. These three factors remained statistically significant
in the adjusted model. The model achieved an AUC of 0.794, with 54.3% sensitivity and 89.9%
specificity. The findings support a multidimensional approach to student support and should not be
interpreted as evidence for automatic or causal classification of dropout
Keywords: student well-being, academic persistence, academic interruption, data analytics, higher
education
Artículo recibido 12 setiembre 2026
Aceptado para publicación: 22 octubre 2026
Factors Associated with Student Well-Being and Risk of Academic
Interruption Using Data Analytics In Higher Education Institutes in the
Province of El Oro
ABSTRACT
The study aimed to analyze academic, socioeconomic, work-related, technological, and well-being
factors associated with a preventive indicator of academic interruption risk among students from two
higher education institutes in the province of El Oro, Ecuador. A quantitative, non-experimental, cross-
sectional study was conducted using 270 records. The outcome variable classified “Yes” and “Not sure”
responses to the intention to interrupt studies as a preventive signal. Descriptive statistics, chi-square
tests, Cramér’s V, Benjamini-Hochberg adjustment, logistic regression, and stratified cross-validation
were applied. Overall, 34.1% of students expressed either an intention to interrupt or uncertainty about
continuing. The strongest bivariate associations were observed for working 31 hours or more per week,
moderate/low motivation, and having dependents. These three factors remained statistically significant
in the adjusted model. The model achieved an AUC of 0.794, with 54.3% sensitivity and 89.9%
specificity. The findings support a multidimensional approach to student support and should not be
interpreted as evidence for automatic or causal classification of dropout
Keywords: student well-being, academic persistence, academic interruption, data analytics, higher
education
Artículo recibido 12 setiembre 2026
Aceptado para publicación: 22 octubre 2026
pág. 6387
INTRODUCCIÓN
La permanencia estudiantil constituye un problema relevante para los sistemas de educación superior
porque el abandono no se explica por una única condición observable, sino por la interacción de factores
personales, académicos, económicos, familiares e institucionales. Las revisiones contemporáneas
coinciden en que la desvinculación debe entenderse como un proceso multicausal y dinámico, en el que
las circunstancias del estudiante se combinan con su integración académica y con los recursos
disponibles para sostener la trayectoria formativa (Aina et al., 2022; Barragán Moreno & González
Támara, 2024; Guzmán et al., 2021). Esta lectura obliga a superar las explicaciones reducidas al
rendimiento o a la reprobación y a incorporar dimensiones como tiempo de trabajo, responsabilidades
de cuidado, acceso tecnológico, percepción de bienestar y motivación.
En el contexto ecuatoriano, la investigación reciente también muestra que la interrupción de los estudios
responde a configuraciones multifactoriales. Núñez-Naranjo (2024), en un estudio realizado en
educación superior ecuatoriana, subraya la interacción de determinantes personales, familiares,
económicos, académicos e institucionales. En términos prácticos, esta heterogeneidad implica que
estudiantes con promedios semejantes pueden presentar condiciones muy distintas de continuidad si
uno de ellos enfrenta jornadas laborales extensas, obligaciones de cuidado o inestabilidad económica.
Por ello, el análisis del bienestar no puede desligarse del estudio de la permanencia.
La relación entre trabajo y trayectoria educativa merece una atención particular. La evidencia
internacional ha asociado una mayor intensidad laboral durante los estudios con menor acumulación de
créditos, mayor tiempo para completar la titulación y menor probabilidad de graduación (Ecton et al.,
2023). De manera complementaria, Lessky y Unger (2023) señalan que el empleo intensivo durante la
formación se vincula con necesidades financieras y desigualdades previas. Estas observaciones son
pertinentes en territorios donde una proporción relevante del estudiantado combina formación, empleo
y responsabilidades familiares.
La motivación y el compromiso académico constituyen otra dimensión central. Passeggia et al. (2023)
encontraron que estilos motivacionales más autónomos se relacionan con mayor compromiso y menor
intención de abandono, mientras que el bienestar subjetivo participa en las relaciones entre motivación,
compromiso e intención de desvinculación.
INTRODUCCIÓN
La permanencia estudiantil constituye un problema relevante para los sistemas de educación superior
porque el abandono no se explica por una única condición observable, sino por la interacción de factores
personales, académicos, económicos, familiares e institucionales. Las revisiones contemporáneas
coinciden en que la desvinculación debe entenderse como un proceso multicausal y dinámico, en el que
las circunstancias del estudiante se combinan con su integración académica y con los recursos
disponibles para sostener la trayectoria formativa (Aina et al., 2022; Barragán Moreno & González
Támara, 2024; Guzmán et al., 2021). Esta lectura obliga a superar las explicaciones reducidas al
rendimiento o a la reprobación y a incorporar dimensiones como tiempo de trabajo, responsabilidades
de cuidado, acceso tecnológico, percepción de bienestar y motivación.
En el contexto ecuatoriano, la investigación reciente también muestra que la interrupción de los estudios
responde a configuraciones multifactoriales. Núñez-Naranjo (2024), en un estudio realizado en
educación superior ecuatoriana, subraya la interacción de determinantes personales, familiares,
económicos, académicos e institucionales. En términos prácticos, esta heterogeneidad implica que
estudiantes con promedios semejantes pueden presentar condiciones muy distintas de continuidad si
uno de ellos enfrenta jornadas laborales extensas, obligaciones de cuidado o inestabilidad económica.
Por ello, el análisis del bienestar no puede desligarse del estudio de la permanencia.
La relación entre trabajo y trayectoria educativa merece una atención particular. La evidencia
internacional ha asociado una mayor intensidad laboral durante los estudios con menor acumulación de
créditos, mayor tiempo para completar la titulación y menor probabilidad de graduación (Ecton et al.,
2023). De manera complementaria, Lessky y Unger (2023) señalan que el empleo intensivo durante la
formación se vincula con necesidades financieras y desigualdades previas. Estas observaciones son
pertinentes en territorios donde una proporción relevante del estudiantado combina formación, empleo
y responsabilidades familiares.
La motivación y el compromiso académico constituyen otra dimensión central. Passeggia et al. (2023)
encontraron que estilos motivacionales más autónomos se relacionan con mayor compromiso y menor
intención de abandono, mientras que el bienestar subjetivo participa en las relaciones entre motivación,
compromiso e intención de desvinculación.
pág. 6388
En esa línea, la intención de abandonar no debe interpretarse como una decisión irrevocable, sino como
una señal susceptible de intervención, especialmente cuando aparece junto con sobrecarga laboral,
tensiones económicas o dificultades de conciliación entre estudio y vida familiar.
El desarrollo de la analítica educativa amplía las posibilidades para estudiar estas configuraciones. La
literatura reciente describe un tránsito desde la simple visualización de indicadores hacia enfoques que
integran datos, estadística, minería de datos y aprendizaje automático para apoyar el seguimiento de
trayectorias y la toma de decisiones (Stojanov & Daniel, 2024). Sin embargo, Bergdahl et al. (2024)
advierten que muchos estudios de learning analytics privilegian indicadores conductuales observables
y no siempre capturan adecuadamente la naturaleza multidimensional del compromiso estudiantil.
La capacidad predictiva, por sí sola, tampoco debe convertirse en el criterio principal de utilidad
institucional. Vaarma y Li (2024) muestran que variables académicas y de actividad digital pueden
aportar información valiosa para modelos de abandono, pero la utilidad de estos sistemas depende del
momento de medición, la calidad de los datos y la posibilidad de interpretar los predictores. A su vez,
Alfredo et al. (2024) destacan que los sistemas de analítica e inteligencia artificial aplicados a educación
deben preservar el control humano, la privacidad, la confiabilidad y la participación de los actores
educativos. Una alerta debería conducir a una conversación o intervención de apoyo, no a una etiqueta
automática.
En América Latina, Gutierrez-Pachas et al. (2023) han mostrado la conveniencia de combinar
información académica, socioeconómica y de equidad con métodos estadísticos y computacionales para
estudiar el abandono. No obstante, la generalización de modelos desarrollados en universidades de gran
escala hacia institutos tecnológicos o contextos provinciales debe realizarse con cautela, porque la
composición de la población, las modalidades de estudio y las condiciones laborales locales pueden
modificar la relevancia de cada factor.
Con base en estas consideraciones, el presente estudio analiza una muestra de estudiantes pertenecientes
a dos institutos de educación superior de la provincia de El Oro, cuyas identidades se mantienen
anonimizadas. La pregunta de investigación fue: ¿qué factores académicos, socioeconómicos, laborales,
tecnológicos y de bienestar se asocian con un indicador preventivo de riesgo de interrupción académica
en estudiantes de institutos de educación superior de la provincia de El Oro?
En esa línea, la intención de abandonar no debe interpretarse como una decisión irrevocable, sino como
una señal susceptible de intervención, especialmente cuando aparece junto con sobrecarga laboral,
tensiones económicas o dificultades de conciliación entre estudio y vida familiar.
El desarrollo de la analítica educativa amplía las posibilidades para estudiar estas configuraciones. La
literatura reciente describe un tránsito desde la simple visualización de indicadores hacia enfoques que
integran datos, estadística, minería de datos y aprendizaje automático para apoyar el seguimiento de
trayectorias y la toma de decisiones (Stojanov & Daniel, 2024). Sin embargo, Bergdahl et al. (2024)
advierten que muchos estudios de learning analytics privilegian indicadores conductuales observables
y no siempre capturan adecuadamente la naturaleza multidimensional del compromiso estudiantil.
La capacidad predictiva, por sí sola, tampoco debe convertirse en el criterio principal de utilidad
institucional. Vaarma y Li (2024) muestran que variables académicas y de actividad digital pueden
aportar información valiosa para modelos de abandono, pero la utilidad de estos sistemas depende del
momento de medición, la calidad de los datos y la posibilidad de interpretar los predictores. A su vez,
Alfredo et al. (2024) destacan que los sistemas de analítica e inteligencia artificial aplicados a educación
deben preservar el control humano, la privacidad, la confiabilidad y la participación de los actores
educativos. Una alerta debería conducir a una conversación o intervención de apoyo, no a una etiqueta
automática.
En América Latina, Gutierrez-Pachas et al. (2023) han mostrado la conveniencia de combinar
información académica, socioeconómica y de equidad con métodos estadísticos y computacionales para
estudiar el abandono. No obstante, la generalización de modelos desarrollados en universidades de gran
escala hacia institutos tecnológicos o contextos provinciales debe realizarse con cautela, porque la
composición de la población, las modalidades de estudio y las condiciones laborales locales pueden
modificar la relevancia de cada factor.
Con base en estas consideraciones, el presente estudio analiza una muestra de estudiantes pertenecientes
a dos institutos de educación superior de la provincia de El Oro, cuyas identidades se mantienen
anonimizadas. La pregunta de investigación fue: ¿qué factores académicos, socioeconómicos, laborales,
tecnológicos y de bienestar se asocian con un indicador preventivo de riesgo de interrupción académica
en estudiantes de institutos de educación superior de la provincia de El Oro?
pág. 6389
El objetivo general fue analizar dichos factores mediante técnicas estadísticas y de analítica de datos
para generar evidencia orientada a estrategias institucionales de acompañamiento y permanencia. Como
principio interpretativo, se distingue entre asociación, predicción y causalidad: el diseño transversal
permite identificar relaciones estadísticas, pero no establecer causalidad directa.
METODOLOGÍA
Diseño del estudio
Se realizó un estudio cuantitativo, no experimental y transversal, con componentes descriptivo,
comparativo y analítico. Las variables fueron observadas sin manipulación y la base analizada
corresponde a un único periodo de levantamiento. El componente analítico se desarrolló mediante
pruebas de asociación, regresión logística y una evaluación exploratoria de capacidad discriminativa.
Población y muestra
La población de referencia estuvo integrada por 900 estudiantes distribuidos entre dos instituciones de
educación superior de la provincia de El Oro. El diseño muestral del proyecto estableció un tamaño de
270 estudiantes mediante el cálculo para población finita, con un nivel de confianza del 95 %, una
proporción esperada de 0,50 y un error máximo de 5 %. La asignación proporcional prevista fue de 30
observaciones para el estrato de 100 estudiantes y 240 para el estrato de 800 estudiantes; la base final
conserva exactamente esa distribución.
El proyecto plantea un procedimiento probabilístico que combina selección aleatoria y estratificación
proporcional. No obstante, los archivos disponibles no contienen un registro operativo que permita
auditar el mecanismo exacto de selección de cada participante dentro de los estratos. Por esta razón, el
artículo conserva la descripción del diseño previsto y reconoce esta limitación de trazabilidad. Las
instituciones se anonimizaron como Institución A e Institución B.
Instrumento y variables
La información se obtuvo mediante una encuesta digital estructurada. La base procesada contiene 270
registros y 24 variables relacionadas con institución, carrera, ciclo, modalidad, edad, estado civil,
convivencia, dependientes, situación laboral, horas de trabajo, ingreso del hogar, dificultad económica,
acceso a internet, competencia digital, promedio académico, asignaturas reprobadas, rendimiento
El objetivo general fue analizar dichos factores mediante técnicas estadísticas y de analítica de datos
para generar evidencia orientada a estrategias institucionales de acompañamiento y permanencia. Como
principio interpretativo, se distingue entre asociación, predicción y causalidad: el diseño transversal
permite identificar relaciones estadísticas, pero no establecer causalidad directa.
METODOLOGÍA
Diseño del estudio
Se realizó un estudio cuantitativo, no experimental y transversal, con componentes descriptivo,
comparativo y analítico. Las variables fueron observadas sin manipulación y la base analizada
corresponde a un único periodo de levantamiento. El componente analítico se desarrolló mediante
pruebas de asociación, regresión logística y una evaluación exploratoria de capacidad discriminativa.
Población y muestra
La población de referencia estuvo integrada por 900 estudiantes distribuidos entre dos instituciones de
educación superior de la provincia de El Oro. El diseño muestral del proyecto estableció un tamaño de
270 estudiantes mediante el cálculo para población finita, con un nivel de confianza del 95 %, una
proporción esperada de 0,50 y un error máximo de 5 %. La asignación proporcional prevista fue de 30
observaciones para el estrato de 100 estudiantes y 240 para el estrato de 800 estudiantes; la base final
conserva exactamente esa distribución.
El proyecto plantea un procedimiento probabilístico que combina selección aleatoria y estratificación
proporcional. No obstante, los archivos disponibles no contienen un registro operativo que permita
auditar el mecanismo exacto de selección de cada participante dentro de los estratos. Por esta razón, el
artículo conserva la descripción del diseño previsto y reconoce esta limitación de trazabilidad. Las
instituciones se anonimizaron como Institución A e Institución B.
Instrumento y variables
La información se obtuvo mediante una encuesta digital estructurada. La base procesada contiene 270
registros y 24 variables relacionadas con institución, carrera, ciclo, modalidad, edad, estado civil,
convivencia, dependientes, situación laboral, horas de trabajo, ingreso del hogar, dificultad económica,
acceso a internet, competencia digital, promedio académico, asignaturas reprobadas, rendimiento
pág. 6390
percibido, motivación, frecuencia de estrés, intención de interrumpir y probabilidad de continuar,
además de variables derivadas de número de reprobaciones y una etiqueta previa de clúster.
La documentación del proyecto refiere procesos de validación del instrumento; sin embargo, en los
archivos analizados no se identificaron coeficientes de confiabilidad, matrices de validez de contenido,
resultados de pilotaje ni índices psicométricos que permitan reportar una validación cuantitativa
reproducible. En consecuencia, el cuestionario se describe como instrumento estructurado y esta
ausencia se reconoce como limitación.
Variable de resultado y operacionalización
La variable principal fue la intención de interrumpir los estudios, con tres categorías: “No”, “No está
seguro/a” y “Sí”. Para fines preventivos se construyó un indicador binario que asignó valor 1 a las
respuestas “Sí” y “No está seguro/a”, y valor 0 a “No”. Esta agrupación no pretende equiparar
incertidumbre con abandono efectivo; se utiliza como proxy preventivo para identificar una señal
explícita o ambivalente respecto de la continuidad.
Para los análisis bivariados se definieron factores dicotómicos con criterios interpretables: carga laboral
alta (31 horas semanales o más), motivación moderada/baja, presencia de personas dependientes,
rendimiento percibido regular/muy bajo, ausencia de internet domiciliario, estrés recurrente, dificultad
económica al menos algunas veces, tercer ciclo o superior, competencia digital media/baja, edad de 25
años o más, institución de procedencia y presencia de al menos una asignatura reprobada.
Preparación y análisis de datos
La matriz final no presentó valores nulos en las 24 variables. Intención de interrumpir y probabilidad
de continuar se mantuvieron como indicadores distintos porque sus respuestas no fueron perfectamente
inversas. La etiqueta de clúster incluida en la base no se utilizó como evidencia confirmatoria, dado que
los archivos disponibles no documentan de manera reproducible las variables, el escalamiento y los
parámetros empleados para generar los conglomerados.
Se calcularon frecuencias absolutas y relativas para caracterizar la muestra. Las asociaciones entre
factores dicotómicos y el indicador de riesgo se evaluaron mediante χ² de Pearson, reportando V de
Cramér como medida de magnitud y aplicando el procedimiento de Benjamini-Hochberg para controlar
la tasa de falsos descubrimientos.
percibido, motivación, frecuencia de estrés, intención de interrumpir y probabilidad de continuar,
además de variables derivadas de número de reprobaciones y una etiqueta previa de clúster.
La documentación del proyecto refiere procesos de validación del instrumento; sin embargo, en los
archivos analizados no se identificaron coeficientes de confiabilidad, matrices de validez de contenido,
resultados de pilotaje ni índices psicométricos que permitan reportar una validación cuantitativa
reproducible. En consecuencia, el cuestionario se describe como instrumento estructurado y esta
ausencia se reconoce como limitación.
Variable de resultado y operacionalización
La variable principal fue la intención de interrumpir los estudios, con tres categorías: “No”, “No está
seguro/a” y “Sí”. Para fines preventivos se construyó un indicador binario que asignó valor 1 a las
respuestas “Sí” y “No está seguro/a”, y valor 0 a “No”. Esta agrupación no pretende equiparar
incertidumbre con abandono efectivo; se utiliza como proxy preventivo para identificar una señal
explícita o ambivalente respecto de la continuidad.
Para los análisis bivariados se definieron factores dicotómicos con criterios interpretables: carga laboral
alta (31 horas semanales o más), motivación moderada/baja, presencia de personas dependientes,
rendimiento percibido regular/muy bajo, ausencia de internet domiciliario, estrés recurrente, dificultad
económica al menos algunas veces, tercer ciclo o superior, competencia digital media/baja, edad de 25
años o más, institución de procedencia y presencia de al menos una asignatura reprobada.
Preparación y análisis de datos
La matriz final no presentó valores nulos en las 24 variables. Intención de interrumpir y probabilidad
de continuar se mantuvieron como indicadores distintos porque sus respuestas no fueron perfectamente
inversas. La etiqueta de clúster incluida en la base no se utilizó como evidencia confirmatoria, dado que
los archivos disponibles no documentan de manera reproducible las variables, el escalamiento y los
parámetros empleados para generar los conglomerados.
Se calcularon frecuencias absolutas y relativas para caracterizar la muestra. Las asociaciones entre
factores dicotómicos y el indicador de riesgo se evaluaron mediante χ² de Pearson, reportando V de
Cramér como medida de magnitud y aplicando el procedimiento de Benjamini-Hochberg para controlar
la tasa de falsos descubrimientos.
pág. 6391
Para el análisis multivariado se estimó una regresión logística binaria con ocho predictores sustantivos:
motivación moderada/baja, carga laboral alta, personas dependientes, rendimiento percibido
regular/bajo, ausencia de internet domiciliario, dificultad económica, estrés recurrente e institución de
procedencia.
Se reportaron odds ratios ajustadas, intervalos de confianza del 95 % y valores p. Los VIF aproximados
se situaron entre 1,12 y 1,48, sin indicios de multicolinealidad problemática.
Como evaluación exploratoria de discriminación se aplicó validación cruzada estratificada de 10
pliegues con predicciones fuera de muestra. Se calcularon AUC, exactitud, sensibilidad, especificidad,
precisión y F1.
El intervalo de confianza del AUC se estimó mediante 5.000 remuestreos bootstrap. El análisis se
efectuó con Python, SciPy, statsmodels y scikit-learn.
Consideraciones éticas
Se trabajó con la matriz procesada sin datos de identificación personal y los resultados se presentan de
forma agregada. La documentación del proyecto establece la exclusión de datos sensibles innecesarios
y la prohibición de divulgar respuestas individuales. Los archivos revisados no incluyen un número de
aprobación de comité de ética ni un registro formal de consentimiento informado; estos elementos deben
verificarse e incorporarse antes de un eventual envío editorial si fueron gestionados durante el
levantamiento.
RESULTADOS Y DISCUSIÓN
Caracterización de la muestra
La muestra estuvo integrada por 270 estudiantes: 30 (11,1 %) de la Institución A y 240 (88,9 %) de la
Institución B. Predominaron los grupos de 21 a 24 años (32,2 %) y 17 a 20 años (25,2 %), y la modalidad
presencial representó el 76,7 % de los casos. El 94,4 % declaró acceso a internet domiciliario, 78,2 %
calificó su rendimiento como bueno o excelente y 73,3 % se consideró motivado o muy motivado. La
Tabla 1 sintetiza las características seleccionadas de la muestra.
Para el análisis multivariado se estimó una regresión logística binaria con ocho predictores sustantivos:
motivación moderada/baja, carga laboral alta, personas dependientes, rendimiento percibido
regular/bajo, ausencia de internet domiciliario, dificultad económica, estrés recurrente e institución de
procedencia.
Se reportaron odds ratios ajustadas, intervalos de confianza del 95 % y valores p. Los VIF aproximados
se situaron entre 1,12 y 1,48, sin indicios de multicolinealidad problemática.
Como evaluación exploratoria de discriminación se aplicó validación cruzada estratificada de 10
pliegues con predicciones fuera de muestra. Se calcularon AUC, exactitud, sensibilidad, especificidad,
precisión y F1.
El intervalo de confianza del AUC se estimó mediante 5.000 remuestreos bootstrap. El análisis se
efectuó con Python, SciPy, statsmodels y scikit-learn.
Consideraciones éticas
Se trabajó con la matriz procesada sin datos de identificación personal y los resultados se presentan de
forma agregada. La documentación del proyecto establece la exclusión de datos sensibles innecesarios
y la prohibición de divulgar respuestas individuales. Los archivos revisados no incluyen un número de
aprobación de comité de ética ni un registro formal de consentimiento informado; estos elementos deben
verificarse e incorporarse antes de un eventual envío editorial si fueron gestionados durante el
levantamiento.
RESULTADOS Y DISCUSIÓN
Caracterización de la muestra
La muestra estuvo integrada por 270 estudiantes: 30 (11,1 %) de la Institución A y 240 (88,9 %) de la
Institución B. Predominaron los grupos de 21 a 24 años (32,2 %) y 17 a 20 años (25,2 %), y la modalidad
presencial representó el 76,7 % de los casos. El 94,4 % declaró acceso a internet domiciliario, 78,2 %
calificó su rendimiento como bueno o excelente y 73,3 % se consideró motivado o muy motivado. La
Tabla 1 sintetiza las características seleccionadas de la muestra.
pág. 6392
Tabla 1. Características seleccionadas de la muestra (n = 270)
Variable Categoría n %
Edad 17-20 años 68 25,2
Edad 21-24 años 87 32,2
Edad 25-29 años 59 21,9
Edad 30-34 años 25 9,3
Edad 35 años o más 31 11,5
Modalidad Presencial 207 76,7
Modalidad Híbrida 52 19,3
Modalidad Virtual 11 4,1
Acceso a internet Sí 255 94,4
Acceso a internet No 15 5,6
Rendimiento percibido Excelente 85 31,5
Rendimiento percibido Bueno 126 46,7
Rendimiento percibido Regular/Muy bajo 59 21,9
Motivación Motivado/Muy motivado 198 73,3
Motivación Moderada/Poca 72 26,7
Fuente: elaboración propia
Indicador preventivo de riesgo de interrupción
Ante la pregunta sobre intención de interrumpir los estudios, 178 estudiantes (65,9 %) respondieron
“No”, 61 (22,6 %) “No está seguro/a” y 31 (11,5 %) “Sí”. Con la definición preventiva del estudio, 92
estudiantes (34,1 %; IC 95 %: 28,7-39,9) presentaron intención o incertidumbre respecto de la
continuidad. La proporción fue 36,7 % en la Institución A y 33,8 % en la Institución B, sin diferencia
estadísticamente significativa, χ²(1)=0,10; p=0,751; V=0,019.
Figura 1. Distribución de la intención declarada de interrumpir los estudios.
Fuente: elaboración propia a partir de la base analizada.
Tabla 1. Características seleccionadas de la muestra (n = 270)
Variable Categoría n %
Edad 17-20 años 68 25,2
Edad 21-24 años 87 32,2
Edad 25-29 años 59 21,9
Edad 30-34 años 25 9,3
Edad 35 años o más 31 11,5
Modalidad Presencial 207 76,7
Modalidad Híbrida 52 19,3
Modalidad Virtual 11 4,1
Acceso a internet Sí 255 94,4
Acceso a internet No 15 5,6
Rendimiento percibido Excelente 85 31,5
Rendimiento percibido Bueno 126 46,7
Rendimiento percibido Regular/Muy bajo 59 21,9
Motivación Motivado/Muy motivado 198 73,3
Motivación Moderada/Poca 72 26,7
Fuente: elaboración propia
Indicador preventivo de riesgo de interrupción
Ante la pregunta sobre intención de interrumpir los estudios, 178 estudiantes (65,9 %) respondieron
“No”, 61 (22,6 %) “No está seguro/a” y 31 (11,5 %) “Sí”. Con la definición preventiva del estudio, 92
estudiantes (34,1 %; IC 95 %: 28,7-39,9) presentaron intención o incertidumbre respecto de la
continuidad. La proporción fue 36,7 % en la Institución A y 33,8 % en la Institución B, sin diferencia
estadísticamente significativa, χ²(1)=0,10; p=0,751; V=0,019.
Figura 1. Distribución de la intención declarada de interrumpir los estudios.
Fuente: elaboración propia a partir de la base analizada.
pág. 6393
La intención de interrupción debe interpretarse como una señal temprana y no como abandono
confirmado. Esta distinción es consistente con la literatura que describe la permanencia como un
proceso dinámico en el que motivación, condiciones económicas, integración académica y
responsabilidades externas interactúan antes de una decisión final de desvinculación (Aina et al., 2022;
Passeggia et al., 2023).
Factores asociados con el indicador preventivo
Las asociaciones bivariadas de mayor magnitud correspondieron a carga laboral igual o superior a 31
horas semanales (V=0,424), motivación moderada/baja (V=0,379) y presencia de personas
dependientes (V=0,309). También se observaron asociaciones con rendimiento percibido regular/bajo,
ausencia de internet domiciliario, estrés recurrente, dificultad económica, ciclo académico y
competencia digital. La Tabla 2 presenta las estimaciones principales y los valores p ajustados por
Benjamini-Hochberg.
Tabla 2. Factores asociados con el indicador preventivo de riesgo de interrupción
Factor Riesgo
con factor
Riesgo
sin factor
χ² p p
ajustada
V
Carga laboral ≥31 h/semana 71,7 % 23,3 % 48,53 <0,001 <0,001 0,424
Motivación moderada/baja 63,9 % 23,2 % 38,85 <0,001 <0,001 0,379
Personas dependientes 49,6 % 20,3 % 25,75 <0,001 <0,001 0,309
Rendimiento percibido regular/bajo 59,3 % 27,0 % 21,42 <0,001 <0,001 0,282
Sin internet domiciliario 86,7 % 31,0 % 19,56 <0,001 <0,001 0,269
Estrés recurrente 44,4 % 19,1 % 18,55 <0,001 <0,001 0,262
Dificultad económica al menos algunas veces 42,3 % 22,8 % 11,15 <0,001 0,001 0,203
Tercer ciclo o superior 51,0 % 30,1 % 8,00 0,005 0,007 0,172
Competencia digital media/baja 43,2 % 27,7 % 7,05 0,008 0,011 0,162
Edad ≥25 años 40,9 % 29,0 % 4,12 0,042 0,051 0,123
Institución de procedencia 33,8 % 36,7 % 0,10 0,751 0,819 0,019
Alguna asignatura reprobada 33,3 % 34,2 % 0,01 0,912 0,912 0,007
Nota. La p ajustada corresponde al procedimiento de Benjamini-Hochberg. La variable dificultad económica se
considera presente cuando la respuesta fue “Algunas veces”, “Frecuentemente” o “Siempre”.
La carga laboral fue el factor bivariado de mayor magnitud y su dirección coincide con estudios que
relacionan una elevada intensidad de trabajo con trayectorias académicas más exigentes y menor
probabilidad de graduación (Ecton et al., 2023; Lessky & Unger, 2023). En esta muestra, la necesidad
de compatibilizar estudio y empleo parece constituir una dimensión más informativa que la pertenencia
institucional por sí sola.
La intención de interrupción debe interpretarse como una señal temprana y no como abandono
confirmado. Esta distinción es consistente con la literatura que describe la permanencia como un
proceso dinámico en el que motivación, condiciones económicas, integración académica y
responsabilidades externas interactúan antes de una decisión final de desvinculación (Aina et al., 2022;
Passeggia et al., 2023).
Factores asociados con el indicador preventivo
Las asociaciones bivariadas de mayor magnitud correspondieron a carga laboral igual o superior a 31
horas semanales (V=0,424), motivación moderada/baja (V=0,379) y presencia de personas
dependientes (V=0,309). También se observaron asociaciones con rendimiento percibido regular/bajo,
ausencia de internet domiciliario, estrés recurrente, dificultad económica, ciclo académico y
competencia digital. La Tabla 2 presenta las estimaciones principales y los valores p ajustados por
Benjamini-Hochberg.
Tabla 2. Factores asociados con el indicador preventivo de riesgo de interrupción
Factor Riesgo
con factor
Riesgo
sin factor
χ² p p
ajustada
V
Carga laboral ≥31 h/semana 71,7 % 23,3 % 48,53 <0,001 <0,001 0,424
Motivación moderada/baja 63,9 % 23,2 % 38,85 <0,001 <0,001 0,379
Personas dependientes 49,6 % 20,3 % 25,75 <0,001 <0,001 0,309
Rendimiento percibido regular/bajo 59,3 % 27,0 % 21,42 <0,001 <0,001 0,282
Sin internet domiciliario 86,7 % 31,0 % 19,56 <0,001 <0,001 0,269
Estrés recurrente 44,4 % 19,1 % 18,55 <0,001 <0,001 0,262
Dificultad económica al menos algunas veces 42,3 % 22,8 % 11,15 <0,001 0,001 0,203
Tercer ciclo o superior 51,0 % 30,1 % 8,00 0,005 0,007 0,172
Competencia digital media/baja 43,2 % 27,7 % 7,05 0,008 0,011 0,162
Edad ≥25 años 40,9 % 29,0 % 4,12 0,042 0,051 0,123
Institución de procedencia 33,8 % 36,7 % 0,10 0,751 0,819 0,019
Alguna asignatura reprobada 33,3 % 34,2 % 0,01 0,912 0,912 0,007
Nota. La p ajustada corresponde al procedimiento de Benjamini-Hochberg. La variable dificultad económica se
considera presente cuando la respuesta fue “Algunas veces”, “Frecuentemente” o “Siempre”.
La carga laboral fue el factor bivariado de mayor magnitud y su dirección coincide con estudios que
relacionan una elevada intensidad de trabajo con trayectorias académicas más exigentes y menor
probabilidad de graduación (Ecton et al., 2023; Lessky & Unger, 2023). En esta muestra, la necesidad
de compatibilizar estudio y empleo parece constituir una dimensión más informativa que la pertenencia
institucional por sí sola.
pág. 6394
La motivación moderada o baja también mostró una asociación marcada. Este patrón converge con
Passeggia et al. (2023), quienes vinculan motivación, compromiso académico, bienestar subjetivo e
intención de abandono. Del mismo modo, la presencia de personas dependientes sugiere que las
responsabilidades de cuidado deben incorporarse al análisis de permanencia; Holmes y Nikiforidou
(2023) documentan cargas de tiempo, estrés e incompatibilidades académicas entre estudiantes con
responsabilidades parentales.
La ausencia de internet domiciliario presentó una asociación bivariada alta, aunque solo 15 estudiantes
pertenecían a esta categoría. Por ello, la magnitud descriptiva debe leerse junto con la precisión
estadística. El rendimiento percibido sí mostró asociación, mientras que haber reprobado al menos una
asignatura no la mostró. La diferencia puede explicarse porque este estudio analiza intención o
incertidumbre de interrupción y no abandono efectivamente observado; los modelos basados en
registros longitudinales pueden captar etapas posteriores del proceso (Vaarma & Li, 2024).
Modelo multivariado y capacidad discriminativa
El modelo logístico global fue significativo (p<0,001) y alcanzó un pseudo-R² de McFadden de 0,273.
Tres factores conservaron asociaciones ajustadas: motivación moderada/baja (OR=4,22; IC 95 %: 1,93-
9,25), carga laboral igual o superior a 31 horas semanales (OR=3,54; IC 95 %: 1,60-7,84) y presencia
de personas dependientes (OR=2,92; IC 95 %: 1,44-5,93). La Figura 2 muestra los OR ajustados e
intervalos de confianza del conjunto de predictores.
Figura 2. Odds ratios ajustadas e intervalos de confianza del 95 % del modelo multivariado.
Fuente: elaboración propia a partir de la base analizada.
La motivación moderada o baja también mostró una asociación marcada. Este patrón converge con
Passeggia et al. (2023), quienes vinculan motivación, compromiso académico, bienestar subjetivo e
intención de abandono. Del mismo modo, la presencia de personas dependientes sugiere que las
responsabilidades de cuidado deben incorporarse al análisis de permanencia; Holmes y Nikiforidou
(2023) documentan cargas de tiempo, estrés e incompatibilidades académicas entre estudiantes con
responsabilidades parentales.
La ausencia de internet domiciliario presentó una asociación bivariada alta, aunque solo 15 estudiantes
pertenecían a esta categoría. Por ello, la magnitud descriptiva debe leerse junto con la precisión
estadística. El rendimiento percibido sí mostró asociación, mientras que haber reprobado al menos una
asignatura no la mostró. La diferencia puede explicarse porque este estudio analiza intención o
incertidumbre de interrupción y no abandono efectivamente observado; los modelos basados en
registros longitudinales pueden captar etapas posteriores del proceso (Vaarma & Li, 2024).
Modelo multivariado y capacidad discriminativa
El modelo logístico global fue significativo (p<0,001) y alcanzó un pseudo-R² de McFadden de 0,273.
Tres factores conservaron asociaciones ajustadas: motivación moderada/baja (OR=4,22; IC 95 %: 1,93-
9,25), carga laboral igual o superior a 31 horas semanales (OR=3,54; IC 95 %: 1,60-7,84) y presencia
de personas dependientes (OR=2,92; IC 95 %: 1,44-5,93). La Figura 2 muestra los OR ajustados e
intervalos de confianza del conjunto de predictores.
Figura 2. Odds ratios ajustadas e intervalos de confianza del 95 % del modelo multivariado.
Fuente: elaboración propia a partir de la base analizada.
pág. 6395
Las dificultades económicas, el estrés recurrente y el rendimiento percibido perdieron significación al
incorporarse simultáneamente en la regresión. Esto no implica ausencia de relevancia, sino que parte
de su información puede estar compartida con otros factores. La literatura socioeconómica y los
estudios multidimensionales de abandono enfatizan precisamente que las condiciones operan de manera
interrelacionada y no como determinantes aislados (Aina et al., 2022; Barragán Moreno & González
Támara, 2024; Núñez-Naranjo, 2024).
La ausencia de internet mantuvo una OR elevada, pero con un intervalo amplio debido al pequeño
tamaño del subgrupo. En futuras investigaciones convendría incorporar medidas más finas de
conectividad, estabilidad del servicio y disponibilidad de dispositivos. La institución de procedencia no
mostró asociación significativa en el modelo, lo cual no demuestra equivalencia institucional, sino que
dentro de esta muestra la variación individual en motivación, carga laboral y responsabilidades
familiares resultó más informativa que la etiqueta institucional.
Desempeño exploratorio fuera de muestra
La validación cruzada estratificada de 10 pliegues produjo un AUC de 0,794 (IC 95 % bootstrap: 0,735-
0,851). Con un umbral de 0,50, la exactitud fue 77,8 %, la sensibilidad 54,3 %, la especificidad 89,9 %,
la precisión 73,5 % y el F1 0,625. La Figura 3 presenta la curva ROC construida con predicciones fuera
de muestra.
Figura 3. Curva ROC obtenida mediante validación cruzada estratificada.
Fuente: elaboración propia a partir de la base analizada.
Las dificultades económicas, el estrés recurrente y el rendimiento percibido perdieron significación al
incorporarse simultáneamente en la regresión. Esto no implica ausencia de relevancia, sino que parte
de su información puede estar compartida con otros factores. La literatura socioeconómica y los
estudios multidimensionales de abandono enfatizan precisamente que las condiciones operan de manera
interrelacionada y no como determinantes aislados (Aina et al., 2022; Barragán Moreno & González
Támara, 2024; Núñez-Naranjo, 2024).
La ausencia de internet mantuvo una OR elevada, pero con un intervalo amplio debido al pequeño
tamaño del subgrupo. En futuras investigaciones convendría incorporar medidas más finas de
conectividad, estabilidad del servicio y disponibilidad de dispositivos. La institución de procedencia no
mostró asociación significativa en el modelo, lo cual no demuestra equivalencia institucional, sino que
dentro de esta muestra la variación individual en motivación, carga laboral y responsabilidades
familiares resultó más informativa que la etiqueta institucional.
Desempeño exploratorio fuera de muestra
La validación cruzada estratificada de 10 pliegues produjo un AUC de 0,794 (IC 95 % bootstrap: 0,735-
0,851). Con un umbral de 0,50, la exactitud fue 77,8 %, la sensibilidad 54,3 %, la especificidad 89,9 %,
la precisión 73,5 % y el F1 0,625. La Figura 3 presenta la curva ROC construida con predicciones fuera
de muestra.
Figura 3. Curva ROC obtenida mediante validación cruzada estratificada.
Fuente: elaboración propia a partir de la base analizada.
pág. 6396
El AUC indica una discriminación moderada a buena en esta muestra, pero la sensibilidad de 54,3 %
muestra que un uso operativo con el umbral convencional dejaría sin detectar una proporción relevante
de estudiantes incluidos en el indicador preventivo. Por ello, el modelo no debe utilizarse como
mecanismo automático de decisión. Gutierrez-Pachas et al. (2023) muestran el potencial de combinar
variables académicas y socioeconómicas en contextos latinoamericanos, mientras que Alfredo et al.
(2024) insisten en que los sistemas de analítica e inteligencia artificial educativa deben conservar
control humano, transparencia y participación de los usuarios.
Relación entre intención de interrupción y expectativa de continuidad
La pregunta complementaria sobre probabilidad de continuar mostró una expectativa globalmente
favorable. No obstante, entre quienes respondieron que consideraban interrumpir sus estudios o no
estaban seguros también se observaron respuestas de continuidad probable o muy probable. Esto indica
que ambas variables no son equivalentes y pueden captar dimensiones distintas de incertidumbre,
expectativa y condiciones de permanencia.
Figura 4. Probabilidad de continuar según intención declarada de interrumpir los estudios.
Fuente: elaboración propia. Porcentajes calculados dentro de cada categoría de intención de interrupción.
Este hallazgo respalda el uso de la intención de interrupción como señal preventiva y no como decisión
consumada. Desde una perspectiva institucional, la ambivalencia puede constituir precisamente una
ventana para el acompañamiento. Un tablero o sistema de alerta tendría mayor utilidad si permite
El AUC indica una discriminación moderada a buena en esta muestra, pero la sensibilidad de 54,3 %
muestra que un uso operativo con el umbral convencional dejaría sin detectar una proporción relevante
de estudiantes incluidos en el indicador preventivo. Por ello, el modelo no debe utilizarse como
mecanismo automático de decisión. Gutierrez-Pachas et al. (2023) muestran el potencial de combinar
variables académicas y socioeconómicas en contextos latinoamericanos, mientras que Alfredo et al.
(2024) insisten en que los sistemas de analítica e inteligencia artificial educativa deben conservar
control humano, transparencia y participación de los usuarios.
Relación entre intención de interrupción y expectativa de continuidad
La pregunta complementaria sobre probabilidad de continuar mostró una expectativa globalmente
favorable. No obstante, entre quienes respondieron que consideraban interrumpir sus estudios o no
estaban seguros también se observaron respuestas de continuidad probable o muy probable. Esto indica
que ambas variables no son equivalentes y pueden captar dimensiones distintas de incertidumbre,
expectativa y condiciones de permanencia.
Figura 4. Probabilidad de continuar según intención declarada de interrumpir los estudios.
Fuente: elaboración propia. Porcentajes calculados dentro de cada categoría de intención de interrupción.
Este hallazgo respalda el uso de la intención de interrupción como señal preventiva y no como decisión
consumada. Desde una perspectiva institucional, la ambivalencia puede constituir precisamente una
ventana para el acompañamiento. Un tablero o sistema de alerta tendría mayor utilidad si permite
pág. 6397
identificar combinaciones de condiciones —carga laboral, responsabilidades familiares, motivación y
barreras económicas o tecnológicas— y conduce a una revisión humana contextualizada, en lugar de
asignar una etiqueta definitiva (Paulsen & Lindsay, 2024).
Implicaciones y limitaciones
Los resultados sugieren que las estrategias de permanencia deberían combinar dimensiones académicas
y extraacadémicas. Una ficha breve de seguimiento podría incorporar carga laboral, responsabilidades
de cuidado, motivación, dificultades económicas, conectividad y percepción del rendimiento. El
propósito sería identificar barreras susceptibles de apoyo mediante tutorías, orientación, ajustes de
horario, derivación a bienestar o apoyo tecnológico, sin asumir que la asociación observada demuestra
causalidad.
El estudio presenta limitaciones. El diseño transversal impide establecer temporalidad y causalidad; el
desenlace corresponde a intención o incertidumbre de interrupción y no a abandono longitudinalmente
confirmado; la muestra procede de dos instituciones y no debe generalizarse automáticamente a toda la
provincia; no se dispone de trazabilidad completa del mecanismo operativo de selección de
participantes ni de indicadores psicométricos reproducibles del instrumento; algunos subgrupos son
pequeños; y la validación cruzada evalúa estabilidad interna pero no reemplaza una validación externa.
La variable de clúster preexistente no se utilizó como evidencia confirmatoria por falta de
documentación suficiente sobre su construcción.
CONCLUSIONES
El indicador preventivo de riesgo de interrupción académica alcanzó al 34,1 % de los estudiantes
analizados al agrupar intención explícita e incertidumbre respecto de la continuidad. Los factores con
asociaciones ajustadas más claras fueron motivación moderada/baja, carga laboral de 31 horas
semanales o más y presencia de personas dependientes. Estos hallazgos muestran que la permanencia
no puede comprenderse únicamente desde el desempeño académico y que las condiciones de vida del
estudiante deben incorporarse al diagnóstico institucional.
El modelo multivariado presentó una capacidad discriminativa moderada a buena, pero su sensibilidad
limita cualquier uso como sistema automatizado de alerta. La evidencia es más adecuada para apoyar
mecanismos de acompañamiento que para asignar etiquetas.
identificar combinaciones de condiciones —carga laboral, responsabilidades familiares, motivación y
barreras económicas o tecnológicas— y conduce a una revisión humana contextualizada, en lugar de
asignar una etiqueta definitiva (Paulsen & Lindsay, 2024).
Implicaciones y limitaciones
Los resultados sugieren que las estrategias de permanencia deberían combinar dimensiones académicas
y extraacadémicas. Una ficha breve de seguimiento podría incorporar carga laboral, responsabilidades
de cuidado, motivación, dificultades económicas, conectividad y percepción del rendimiento. El
propósito sería identificar barreras susceptibles de apoyo mediante tutorías, orientación, ajustes de
horario, derivación a bienestar o apoyo tecnológico, sin asumir que la asociación observada demuestra
causalidad.
El estudio presenta limitaciones. El diseño transversal impide establecer temporalidad y causalidad; el
desenlace corresponde a intención o incertidumbre de interrupción y no a abandono longitudinalmente
confirmado; la muestra procede de dos instituciones y no debe generalizarse automáticamente a toda la
provincia; no se dispone de trazabilidad completa del mecanismo operativo de selección de
participantes ni de indicadores psicométricos reproducibles del instrumento; algunos subgrupos son
pequeños; y la validación cruzada evalúa estabilidad interna pero no reemplaza una validación externa.
La variable de clúster preexistente no se utilizó como evidencia confirmatoria por falta de
documentación suficiente sobre su construcción.
CONCLUSIONES
El indicador preventivo de riesgo de interrupción académica alcanzó al 34,1 % de los estudiantes
analizados al agrupar intención explícita e incertidumbre respecto de la continuidad. Los factores con
asociaciones ajustadas más claras fueron motivación moderada/baja, carga laboral de 31 horas
semanales o más y presencia de personas dependientes. Estos hallazgos muestran que la permanencia
no puede comprenderse únicamente desde el desempeño académico y que las condiciones de vida del
estudiante deben incorporarse al diagnóstico institucional.
El modelo multivariado presentó una capacidad discriminativa moderada a buena, pero su sensibilidad
limita cualquier uso como sistema automatizado de alerta. La evidencia es más adecuada para apoyar
mecanismos de acompañamiento que para asignar etiquetas.
pág. 6398
Una aplicación responsable debería combinar indicadores cuantitativos con valoración humana,
permitir al estudiante contextualizar su situación y evaluar prospectivamente si las intervenciones
reducen efectivamente la interrupción.
La continuidad de esta línea de investigación debería incorporar seguimiento longitudinal, registro de
abandono real, validación externa y documentación completa del proceso de muestreo e instrumento.
Con estas mejoras sería posible avanzar desde un modelo transversal de asociación hacia un sistema de
alerta temprana evaluado con mayor rigor, manteniendo como principio que la analítica educativa debe
ampliar la capacidad de acompañamiento institucional y no sustituir el juicio pedagógico ni la agencia
del estudiante.
REFERENCIAS BIBLIOGRÁFICAS
Aina, C., Baici, E., Casalone, G., & Pastore, F. (2022). The determinants of university dropout: A review
of the socio-economic literature. Socio-Economic Planning Sciences, 79, Article 101102.
https://doi.org/10.1016/j.seps.2021.101102
Alfredo, R., Echeverria, V., Jin, Y., Yan, L., Swiecki, Z., Gašević, D., & Martinez-Maldonado, R. (2024).
Human-centred learning analytics and AI in education: A systematic literature review.
Computers and Education: Artificial Intelligence, 6, Article 100215.
https://doi.org/10.1016/j.caeai.2024.100215
Barragán Moreno, S. P., & González Támara, L. (2024). Complexities of student dropout in higher
education: A multidimensional analysis. Frontiers in Education, 9, 1461650.
https://doi.org/10.3389/feduc.2024.1461650
Bergdahl, N., Bond, M., Sjöberg, J., Dougherty, M., & Oxley, E. (2024). Unpacking student engagement
in higher education learning analytics: A systematic review. International Journal of
Educational Technology in Higher Education, 21, Article 63. https://doi.org/10.1186/s41239-
024-00493-y
Ecton, W. G., Heinrich, C. J., & Carruthers, C. K. (2023). Earning to learn: Working while enrolled in
Tennessee colleges and universities. AERA Open, 9(1), 1-16.
https://doi.org/10.1177/23328584221140410
Una aplicación responsable debería combinar indicadores cuantitativos con valoración humana,
permitir al estudiante contextualizar su situación y evaluar prospectivamente si las intervenciones
reducen efectivamente la interrupción.
La continuidad de esta línea de investigación debería incorporar seguimiento longitudinal, registro de
abandono real, validación externa y documentación completa del proceso de muestreo e instrumento.
Con estas mejoras sería posible avanzar desde un modelo transversal de asociación hacia un sistema de
alerta temprana evaluado con mayor rigor, manteniendo como principio que la analítica educativa debe
ampliar la capacidad de acompañamiento institucional y no sustituir el juicio pedagógico ni la agencia
del estudiante.
REFERENCIAS BIBLIOGRÁFICAS
Aina, C., Baici, E., Casalone, G., & Pastore, F. (2022). The determinants of university dropout: A review
of the socio-economic literature. Socio-Economic Planning Sciences, 79, Article 101102.
https://doi.org/10.1016/j.seps.2021.101102
Alfredo, R., Echeverria, V., Jin, Y., Yan, L., Swiecki, Z., Gašević, D., & Martinez-Maldonado, R. (2024).
Human-centred learning analytics and AI in education: A systematic literature review.
Computers and Education: Artificial Intelligence, 6, Article 100215.
https://doi.org/10.1016/j.caeai.2024.100215
Barragán Moreno, S. P., & González Támara, L. (2024). Complexities of student dropout in higher
education: A multidimensional analysis. Frontiers in Education, 9, 1461650.
https://doi.org/10.3389/feduc.2024.1461650
Bergdahl, N., Bond, M., Sjöberg, J., Dougherty, M., & Oxley, E. (2024). Unpacking student engagement
in higher education learning analytics: A systematic review. International Journal of
Educational Technology in Higher Education, 21, Article 63. https://doi.org/10.1186/s41239-
024-00493-y
Ecton, W. G., Heinrich, C. J., & Carruthers, C. K. (2023). Earning to learn: Working while enrolled in
Tennessee colleges and universities. AERA Open, 9(1), 1-16.
https://doi.org/10.1177/23328584221140410
pág. 6399
Gutierrez-Pachas, D. A., Garcia-Zanabria, G., Cuadros-Vargas, E., Camara-Chavez, G., & Gomez-
Nieto, E. (2023). Supporting decision-making process on higher education dropout by
analyzing academic, socioeconomic, and equity factors through machine learning and survival
analysis methods in the Latin American context. Education Sciences, 13(2), Article 154.
https://doi.org/10.3390/educsci13020154
Guzmán, A., Barragán, S., & Cala Vitery, F. (2021). Dropout in rural higher education: A systematic
review. Frontiers in Education, 6, 727833. https://doi.org/10.3389/feduc.2021.727833
Holmes, S. E., & Nikiforidou, Z. (2023). “They don’t realise how hard it is”: Investigating the lived
experiences of higher education students with parental responsibilities during the COVID-19
pandemic. Higher Education Quarterly, 77, 638-654. https://doi.org/10.1111/hequ.12423
Lessky, F., & Unger, M. (2023). Working long hours while studying: A higher risk for First-in-Family
students and students of particular fields of study? European Journal of Higher Education,
13(3), 347-366. https://doi.org/10.1080/21568235.2022.2047084
Núñez-Naranjo, A. F. (2024). Analysis of the determinant factors in university dropout: A case study of
Ecuador. Frontiers in Education, 9, 1444534. https://doi.org/10.3389/feduc.2024.1444534
Passeggia, R., Testa, I., Esposito, G., De Luca Picione, R., Ragozini, G., & Freda, M. F. (2023).
Examining the relation between first-year university students’ intention to drop-out and
academic engagement: The role of motivation, subjective well-being and retrospective
judgements of school experience. Innovative Higher Education, 48, 837-859.
https://doi.org/10.1007/s10755-023-09674-5
Paulsen, L., & Lindsay, E. (2024). Learning analytics dashboards are increasingly becoming about
learning and not just analytics: A systematic review. Education and Information Technologies,
29, 14279-14308. https://doi.org/10.1007/s10639-023-12401-4
Stojanov, A., & Daniel, B. K. (2024). A decade of research into the application of big data and analytics
in higher education: A systematic review of the literature. Education and Information
Technologies, 29, 5807-5831. https://doi.org/10.1007/s10639-023-12033-8
Gutierrez-Pachas, D. A., Garcia-Zanabria, G., Cuadros-Vargas, E., Camara-Chavez, G., & Gomez-
Nieto, E. (2023). Supporting decision-making process on higher education dropout by
analyzing academic, socioeconomic, and equity factors through machine learning and survival
analysis methods in the Latin American context. Education Sciences, 13(2), Article 154.
https://doi.org/10.3390/educsci13020154
Guzmán, A., Barragán, S., & Cala Vitery, F. (2021). Dropout in rural higher education: A systematic
review. Frontiers in Education, 6, 727833. https://doi.org/10.3389/feduc.2021.727833
Holmes, S. E., & Nikiforidou, Z. (2023). “They don’t realise how hard it is”: Investigating the lived
experiences of higher education students with parental responsibilities during the COVID-19
pandemic. Higher Education Quarterly, 77, 638-654. https://doi.org/10.1111/hequ.12423
Lessky, F., & Unger, M. (2023). Working long hours while studying: A higher risk for First-in-Family
students and students of particular fields of study? European Journal of Higher Education,
13(3), 347-366. https://doi.org/10.1080/21568235.2022.2047084
Núñez-Naranjo, A. F. (2024). Analysis of the determinant factors in university dropout: A case study of
Ecuador. Frontiers in Education, 9, 1444534. https://doi.org/10.3389/feduc.2024.1444534
Passeggia, R., Testa, I., Esposito, G., De Luca Picione, R., Ragozini, G., & Freda, M. F. (2023).
Examining the relation between first-year university students’ intention to drop-out and
academic engagement: The role of motivation, subjective well-being and retrospective
judgements of school experience. Innovative Higher Education, 48, 837-859.
https://doi.org/10.1007/s10755-023-09674-5
Paulsen, L., & Lindsay, E. (2024). Learning analytics dashboards are increasingly becoming about
learning and not just analytics: A systematic review. Education and Information Technologies,
29, 14279-14308. https://doi.org/10.1007/s10639-023-12401-4
Stojanov, A., & Daniel, B. K. (2024). A decade of research into the application of big data and analytics
in higher education: A systematic review of the literature. Education and Information
Technologies, 29, 5807-5831. https://doi.org/10.1007/s10639-023-12033-8
pág. 6400
Vaarma, M., & Li, H. (2024). Predicting student dropouts with machine learning: An empirical study in
Finnish higher education. Technology in Society, 76, Article 102474.
https://doi.org/10.1016/j.techsoc.2024.102474
Vaarma, M., & Li, H. (2024). Predicting student dropouts with machine learning: An empirical study in
Finnish higher education. Technology in Society, 76, Article 102474.
https://doi.org/10.1016/j.techsoc.2024.102474