Técnicas de machine Learning para predecir la deserción estudiantil universitaria: Una revisión sistemática de la literatura: Machine learning techniques to predict university student dropout: A systematic review of the literature

• Sabando Moreira, Pedro Alfredo ^[1] ; Zambrano Montenegro, David Fernando ^[1]
  1. [1] Universidad Técnica de Manabí

     Universidad Técnica de Manabí

     Portoviejo, Ecuador

     
• Localización: Revista Científica Multidisciplinar G-ner@ndo, ISSN-e 2806-5905, Vol. 5, Nº. 2, 2024 (Ejemplar dedicado a: CIENCIA E INNOVACIÓN EN DIVERSAS DISCIPLINAS CIENTÍFICAS; Pág. 1181 – 1189)
• Idioma: español
• Enlaces
  • Texto completo
• Resumen

  • La predicción de la deserción estudiantil en universidades es crucial para mejorar la retención y el éxito académico. Este estudio tiene como objetivo evaluar la efectividad de las técnicas de Machine Learning (ML) en la predicción de la deserción estudiantil a través de una revisión sistemática de la literatura existente. Se adoptó un enfoque exploratorio y un análisis documental basado en la metodología PRISMA. Se definieron preguntas de investigación, se buscaron documentos relevantes en bases de datos académicas (IEEE Xplore, Scopus, Web of Science, Scielo), se seleccionaron estudios primarios siguiendo criterios de inclusión y exclusión, y se extrajeron datos relevantes de los resúmenes. El mapeo de estudios permitió una comprensión estructurada del panorama de investigación. La revisión identificó que técnicas avanzadas de ML, como Deep Learning y modelos híbridos, muestran una alta efectividad en la predicción de la deserción estudiantil, con precisiones que alcanzan hasta el 96%. Las técnicas como Ensemble Learning y Variedad de Algoritmos también demostraron altos niveles de efectividad, evidenciando su capacidad para manejar la complejidad de los datos estudiantiles. Los factores académicos y demográficos fueron los más comúnmente identificados como predictores claves en los modelos de ML. Los modelos de ML avanzados superan a los enfoques tradicionales en términos de precisión y manejo de datos complejos. Sin embargo, la variabilidad en la calidad de los estudios y la falta de estandarización en los métodos sugieren la necesidad de investigaciones futuras más diversas y estandarizadas para generalizar mejor los hallazgos.