Revista Científica de Ingeniería, Industria y Arquitectura
Vol.8, Núm.15 (ene-jun 2025) ISSN: 2737-6451
Cita sugerida: Rubio-Tobar (2025). Factores de deserción estudiantil y
estrategias de retención en carreras universitarias de Ingeniería y Áreas
Técnicas. Revista Científica FINIBUS – Ingeniería, Industria y Arquitectura,
8(15), 133-142. https://doi.org/10.56124/finibus.v8i15.014
DOI: https://doi.org/10.56124/finibus.v8i15.014
Recibido: 09-09-2024 Revisado: 30-11-2024
Aceptado: 09-12-2024 Publicado: 24-01-2025
Artículo de revisión
Factores de deserción estudiantil y estrategias de
retención en carreras universitarias de Ingeniería y
Áreas Técnicas
Humphrey Xavier Rubio-Tobar [1]
[1] Universidad de Investigación e Innovación de México (UIIX). Escuela de Doctorado. Morelos, México.
Autor para correspondencia: hrubiot@comunidad.uiix.edu.mx
Resumen
La deserción estudiantil en la educación superior, particularmente en carreras de ingeniería y áreas técnicas, tiene implicaciones
académicas, sociales y económicas ampliamente documentadas. Este estudio presenta una Revisión Sistemática de Literatura
(SLR) basada en 57 artículos publicados entre 2000 y 2024 en la base de datos Scopus. A partir de la revisión, se evidenciaron
factores relacionados con el abandono estudiantil y estrategias reportadas para mejorar la retención. Los hallazgos se agruparon
en clústeres temáticos que destacan el uso de tecnologías de aprendizaje automático para predecir el riesgo académico, la
influencia de factores socioeconómicos y psicosociales en la deserción, y la efectividad de políticas institucionales orientadas
a la retención. La literatura señala que variables como el desempeño académico previo, la autoeficacia y el acceso a recursos
económicos son predictores clave del abandono. Herramientas de analítica educativa, como algoritmos de aprendizaje
profundo, han mostrado alta precisión en la identificación temprana de estudiantes en riesgo, aunque su implementación
enfrenta limitaciones en contextos rurales o con infraestructura tecnológica insuficiente. Este análisis enfatiza la importancia
de estrategias integrales que combinen enfoques tecnológicos, pedagógicos y psicosociales. Si bien las tecnologías avanzadas
ofrecen ventajas notables, su efectividad y sostenibilidad dependen de su adaptabilidad a diferentes contextos y de la
incorporación de factores humanos en los modelos predictivos.
Palabras Clave: deserción estudiantil, retención académica, educación superior, ingeniería, aprendizaje automático.
Student Dropout Factors and Retention Strategies in Engineering and Technical University
Degrees
Abstract
Student dropout in higher education, particularly in engineering and technical fields, entails well-documented academic, social,
and economic implications. This study presents a Systematic Literature Review (SLR) based on 57 articles published between
2000 and 2024 from the Scopus database. The review identified factors associated with student attrition and documented
strategies aimed at improving retention. Findings were organized into thematic clusters, highlighting the use of machine
learning technologies to predict academic risk, the influence of socioeconomic and psychosocial factors on dropout rates, and
the effectiveness of institutional policies in fostering retention. The literature indicates that variables such as prior academic
performance, self-efficacy, and access to financial resources are key predictors of attrition. Educational analytics tools, such as
deep learning algorithms, have demonstrated high accuracy in early identification of at-risk students; however, their
implementation faces constraints in rural areas or settings with limited technological infrastructure. This analysis underscores
the importance of integrated strategies that combine technological, pedagogical, and psychosocial approaches. While advanced
technologies offer notable advantages, their effectiveness and sustainability depend on their adaptability to diverse contexts
and the integration of human factors into predictive models.
Keywords: student attrition, academic retention, higher education, engineering, machine learning.
.
134
1. Introducción
La deserción estudiantil en la educación superior es una
problemática que afecta tanto a los estudiantes como a las
instituciones educativas, generando implicaciones
académicas, sociales y económicas (Miranda & Guzmán,
2017). Este fenómeno se relaciona con múltiples factores,
que incluyen barreras académicas, limitaciones
socioeconómicas y carencias en el soporte institucional. Para
los estudiantes, el abandono implica una interrupción en sus
metas profesionales y personales, mientras que, para las
instituciones, supone pérdidas en términos de recursos
invertidos y una disminución en indicadores clave como la
tasa de graduación y la reputación académica (Silva &
Sampaio, 2022).
En carreras universitarias de ingeniería y áreas técnicas, la
situación es aún más crítica debido al nivel de exigencia de
los programas y las dificultades que enfrentan los estudiantes
en su transición académica. Factores como la preparación
insuficiente en áreas fundamentales, la falta de habilidades
de aprendizaje autónomo y las restricciones económicas
contribuyen al riesgo de abandono. Además, el carácter
técnico de estas carreras puede amplificar los desafíos,
exigiendo estrategias más especializadas para mejorar las
tasas de retención y apoyar a los estudiantes durante su
trayectoria educativa (Huerta-Manzanilla et al., 2021;
Pertegal-Felices et al., 2022).
El presente artículo se basa en una Revisión Sistemática de
Literatura (SLR) realizada en la base de datos Scopus,
diseñada para analizar los factores asociados a la deserción
estudiantil y las estrategias de retención en carreras
universitarias de ingeniería y áreas técnicas. El proceso de
búsqueda y selección se realizó bajo criterios específicos,
que incluyeron estudios publicados entre 2000 y 2024, en
inglés y español, disponibles en acceso abierto, y enfocados
en el contexto de la educación superior. Se identificaron 57
artículos relevantes, que fueron objeto de un análisis
profundo para responder a tres preguntas clave: ¿cuáles son
los enfoques temáticos predominantes en los estudios sobre
deserción y retención?, ¿qué factores relacionados con la
deserción estudiantil en carreras universitarias de
ingeniería y áreas técnicas han sido identificados en la
literatura? y ¿qué estrategias reportadas en la literatura han
sido efectivas para mejorar la retención estudiantil en
programas técnicos e ingeniería?.
El artículo se estructura en cuatro secciones. La primera
aborda la metodología utilizada para la recopilación y
análisis de los artículos seleccionados, detallando el proceso
de búsqueda, los criterios de inclusión y exclusión, y las
técnicas de clasificación aplicadas. En la segunda sección, se
presentan los resultados obtenidos, organizados en clústeres
temáticos que incluyen áreas como las tecnologías de
aprendizaje automático para la predicción académica, los
factores asociados al rendimiento y el entorno, y las
aplicaciones de la analítica educativa en estrategias de
retención. La tercera sección discute los hallazgos en
relación con estudios previos y analiza las áreas que
requieren mayor atención, identificando desafíos y
oportunidades para futuras investigaciones. Finalmente, se
ofrecen conclusiones basadas en el análisis de los
documentos seleccionados para este estudio.
2. Metodología
Se realizó una Revisión Sistemática de Literatura (SLR) para
analizar y sintetizar la evidencia disponible sobre la
deserción estudiantil y las estrategias de retención en
carreras universitarias de ingeniería y áreas técnicas. Este
enfoque metodológico asegura un proceso estructurado y
transparente, garantizando que los resultados sean
exhaustivos y estén respaldados por estudios relevantes. La
SLR, reconocida por su utilidad en la identificación y
evaluación de literatura científica, es ampliamente utilizada
en investigaciones que abordan fenómenos complejos, como
la deserción en educación superior, proporcionando una base
sólida para generar conocimiento y diseñar intervenciones
efectivas (Kitchenham & Charters, 2007; Petticrew &
Roberts, 2006).
En este estudio se plantearon tres preguntas de investigación
fundamentales. La primera busca determinar cómo se
clasifican los documentos seleccionados en función de los
enfoques y áreas temáticas relacionadas con la deserción
estudiantil y la retención. La segunda se enfoca en identificar
los factores más relevantes que influyen en la deserción
estudiantil en carreras universitarias de ingeniería y áreas
técnicas y la tercera en identificar que estrategias han sido
efectivas para mejorar la retención estudiantil. Estas
preguntas guían el análisis y permiten estructurar los
hallazgos de manera que aporten respuestas claras y
relevantes.
Para la búsqueda de literatura, se empleó la base de datos
Scopus utilizando la cadena:
TITLE-ABS-KEY (retention AND dropout AND from AND
university) AND PUBYEAR > 1999 AND PUBYEAR < 2025 AND
(LIMIT-TO (DOCTYPE, "ar")) AND (LIMIT-TO (OA, "all")) AND
(LIMIT-TO (LANGUAGE, "English") OR LIMIT-TO
(LANGUAGE, "Spanish")) AND (EXCLUDE (SUBJAREA,
"MEDI") OR EXCLUDE (SUBJAREA, "NURS") OR EXCLUDE
(SUBJAREA, "PHAR") OR EXCLUDE (SUBJAREA, "HEAL")).
Esta búsqueda inicial identificó 507 documentos. A partir de
estos resultados, se aplicaron criterios de inclusión y
exclusión. Se consideraron únicamente artículos científicos
publicados en inglés o español, disponibles en acceso abierto
y relacionados con la educación superior, excluyendo
aquellos enfocados en ciencias de la salud, farmacología,
enfermería y áreas similares. Tras esta selección, se redujo el
135
número de documentos a 112, los cuales fueron evaluados en
detalle según sus títulos y resúmenes, seleccionando 62
artículos. De estos, se accedió al texto completo de 57
documentos, que fueron sometidos a un análisis exhaustivo.
3. Resultados
En esta sección se presentan los hallazgos obtenidos a partir
del análisis de los documentos seleccionados mediante la
metodología de Revisión Sistemática de la Literatura (SLR).
Los resultados se organizan considerando los clústeres
identificados con el uso de la herramienta VOSviewer, la
cual permitió agrupar las temáticas clave del tema
investigado mediante el análisis de coocurrencia de palabras
clave. Cada clúster fue categorizado y analizado de forma
detallada, brindando una visión integral de las tendencias
predominantes, los enfoques recurrentes y las áreas de
oportunidad dentro del campo de estudio. A continuación, se
realiza un análisis en relación con las preguntas de
investigación planteadas:
P1: ¿Cómo se clasifican los documentos seleccionados
según los enfoques y áreas temáticas relacionadas con la
deserción estudiantil y la retención?
Los documentos seleccionados fueron clasificados mediante
técnicas de análisis de coocurrencia de términos utilizando
herramientas como VOSviewer. Este procedimiento
permitió agrupar los estudios en clústeres temáticos,
identificando áreas como el uso de aprendizaje automático
para la predicción y retención estudiantil, los factores
asociados al rendimiento académico y la deserción en
educación superior, y la aplicación de analítica educativa
para diseñar estrategias de intervención. Este proceso
responde a la primera pregunta de investigación,
proporcionando una visión estructurada de las principales
áreas de enfoque en la literatura revisada.
Análisis de coocurrencia de términos
La Figura 1 presenta un análisis de coocurrencia de términos
en publicaciones académicas con una dimensión temporal
que abarca desde 2021 hasta 2023. Los colores indican la
concentración temporal de las investigaciones, destacando
tendencias recientes y áreas de interés emergente. En las
áreas relacionadas con aprendizaje automático y predicción
académica, términos como "adaptive boosting" y "decision
trees" aparecen asociados con los años más recientes,
reflejando el crecimiento de estas técnicas avanzadas en el
ámbito educativo. Por otro lado, conceptos vinculados al
rendimiento académico y los entornos educativos, como
"higher education institutions" y "academic performance,"
mantienen una presencia constante a lo largo del período, lo
que sugiere su relevancia persistente en el análisis
académico. Asimismo, la aparición de términos como
"covid-19" hacia el final del espectro temporal resalta la
influencia del contexto pandémico en los estudios
relacionados con la educación, especialmente en áreas
rurales y el impacto en el sector universitario.
Figura 1: Análisis de coocurrencia de terminos (temporalidad).
136
El gráfico de co-ocurrencia, generado mediante VOSviewer
(Figura 2), proporciona un análisis detallado de los términos
relacionados con la educación superior, el rendimiento
académico y el uso de tecnologías avanzadas para la
predicción y el análisis de datos en el ámbito estudiantil. Este
análisis permite identificar las principales áreas de
investigación mediante la agrupación de términos en
clústeres que reflejan temáticas específicas.
El primer clúster, identificado con el color rojo, se centra en
el uso del aprendizaje automático en el análisis educativo.
Términos como "students", "machine learning", "decision
trees", "adaptive boosting" y "risk assessment" dominan este
grupo. La presencia de algoritmos como árboles de decisión
y métodos de boosting sugiere que el enfoque principal está
en la predicción del rendimiento de los estudiantes y la
evaluación de riesgos académicos. Esto refleja un interés en
la implementación de herramientas tecnológicas para
abordar desafíos relacionados con la educación, utilizando
técnicas de análisis de datos avanzadas.
Figura 2: Gráfico de coocurrencia de términos.
El segundo clúster, representado en verde, agrupa términos
relacionados con el rendimiento académico y el entorno del
sector universitario. Conceptos como "academic
performance", "higher education", "university sector" y
"student" destacan como áreas clave de investigación. Este
grupo muestra un enfoque en el análisis de los factores que
afectan el rendimiento académico, incluyendo el impacto de
la pandemia de COVID-19 y las particularidades de las áreas
rurales. Esto sugiere una preocupación por comprender las
dinámicas del aprendizaje en contextos diversos y su
relación con el desempeño de los estudiantes.
El tercer clúster, identificado en azul, se orienta hacia la
predicción de la deserción estudiantil y la analítica
educativa. Términos como "dropout prediction", "student
retention", "deep learning" y "education computing" indican
un interés en el uso de tecnologías como el aprendizaje
profundo para mejorar la retención estudiantil. Este clúster
enfatiza la importancia de aplicar herramientas avanzadas de
análisis para abordar uno de los mayores desafíos en la
educación superior: la deserción. Esto refleja un compromiso
con el uso de la tecnología para implementar estrategias
efectivas en las instituciones educativas.
Los vínculos entre los clústeres muestran relaciones
interdisciplinarias que conectan términos como "students" y
"higher education", los cuales actúan como nodos centrales
en el gráfico. Esto evidencia que los estudiantes y las
instituciones de educación superior son el eje central de
estudio, mientras que las herramientas tecnológicas se
integran como soluciones prácticas para problemas como la
deserción, la retención y el rendimiento. La conexión entre
clústeres también destaca la integración de enfoques
tecnológicos y académicos para generar soluciones más
robustas y específicas.
137
En términos de tendencias emergentes, el gráfico muestra un
creciente interés por las "predictive analytics" en el ámbito
educativo, lo cual vincula el análisis de datos con la toma de
decisiones estratégicas en las instituciones. La presencia de
términos relacionados con el COVID-19 refleja la relevancia
actual de estudiar los efectos de la pandemia en la educación
superior. Asimismo, la inclusión de "rural area" sugiere un
interés en contextos específicos y su relación con el
rendimiento académico y la equidad en el acceso a la
educación.
Análisis del Clúster Rojo: Tecnologías de Aprendizaje
Automático para la Predicción Académica
Las tecnologías de aprendizaje automático han desempeñado
un papel crucial en la predicción de la deserción estudiantil
en educación superior. Estas herramientas permiten procesar
grandes volúmenes de datos académicos, demográficos y
conductuales, identificando patrones complejos que no son
evidentes con métodos tradicionales. Los algoritmos más
utilizados incluyen redes neuronales, árboles de decisión y
Random Forest, que destacan por su precisión en la
identificación de estudiantes en riesgo de abandono
(Miranda & Guzmán, 2017; Oqaidi et al., 2022).
El análisis de los artículos, clasificados en este clúster, indica
que una de las aplicaciones clave del aprendizaje automático
es la identificación de factores asociados con la deserción.
Variables como el desempeño académico previo (Goran et
al., 2024), la participación en actividades extracurriculares y
el acceso a recursos económicos (Marcq et al., 2024) se
identificaron consistentemente como predictores
significativos. En un estudio realizado en Chile, el uso de
redes neuronales logró una precisión del 83 % en la
predicción de deserción, destacando la influencia de factores
como el puntaje de ingreso y las calificaciones de secundaria
(Miranda & Guzmán, 2017). Por otro lado, en Estados
Unidos, el modelo Random Forest alcanzó un 88 % de
precisión al integrar métricas de interacción basadas en
aplicaciones móviles y datos sociodemográficos,
demostrando que los factores conductuales también son
críticos para la predicción (Matz et al., 2023).
El uso de aprendizaje profundo ha mostrado avances
relevantes, particularmente con modelos como las redes
neuronales recurrentes (RNN) y de memoria a largo plazo
(LSTM). Estas técnicas permiten analizar datos
longitudinales, como patrones de asistencia y rendimiento
académico, logrando precisiones superiores al 88 % (Uliyan
et al., 2021). Además, la implementación de uplift modeling
ha sido destacada como una herramienta efectiva para
personalizar intervenciones de retención, enfocándose en
estudiantes que tienen mayor probabilidad de beneficiarse de
estrategias específicas, optimizando así la asignación de
recursos (Olaya et al., 2020).
Desde una perspectiva metodológica, la integración de
marcos como CRISP-DM con el Marco Lógico ha facilitado
el análisis estructurado de los datos y el diseño de
intervenciones efectivas. Esta combinación permite
identificar no solo los factores que influyen en la deserción,
sino también cómo estos interactúan, proporcionando una
base sólida para estrategias basadas en evidencia (Flores et
al., 2022). Asimismo, técnicas como el análisis de
componentes principales y el clustering jerárquico han
permitido clasificar a los estudiantes según perfiles de
riesgo, lo que facilita el diseño de planes de intervención
específicos para grupos con características similares
(Hinojosa et al., 2022). En Filipinas, la combinación de
análisis de supervivencia con modelos de ensamblaje
permitió identificar variables críticas como el promedio
general de calificaciones y las notas en materias
fundamentales como matemáticas, lo que resaltó la
importancia de enfoques interdisciplinarios para abordar la
deserción (Patacsil, 2020). En tanto, en el ámbito de cursos
en línea, el aprendizaje automático se ha utilizado para
analizar las interacciones iniciales en plataformas digitales,
demostrando su eficacia en la predicción temprana de
abandono (Urteaga et al., 2020).
Análisis del Clúster Verde: Rendimiento Académico y
Entornos Universitarios
El análisis del rendimiento académico y los entornos
universitarios ha demostrado ser esencial para comprender y
mitigar los factores que contribuyen a la deserción
estudiantil en la educación superior. Según los artículos
revisados, estos factores incluyen variables
socioeconómicas, académicas, tecnológicas y psicosociales,
que interactúan de manera compleja en diferentes contextos
educativos.
La densidad de co-inscripción en programas de ingeniería,
medida a través del análisis de redes y modelos de regresión
logística, ha sido destacada como un indicador robusto de
persistencia y graduación. Un estudio longitudinal en ocho
universidades públicas de Estados Unidos demostró que los
estudiantes con una mayor densidad de co-inscripción tienen
probabilidades significativamente mayores de completar sus
estudios. Este hallazgo resalta la importancia de promover
cohortes académicas cohesionadas para mejorar las tasas de
retención (Huerta-Manzanilla et al., 2021).
En áreas rurales, las barreras socioeconómicas y la
infraestructura educativa limitada afectan
considerablemente las tasas de deserción. Investigaciones
realizadas en comunidades rurales han identificado la
presión económica, el trabajo remunerado y las restricciones
tecnológicas como factores determinantes. Las becas
dirigidas y los programas de mentoría se presentan como
estrategias eficaces para mitigar estas desigualdades y
fomentar la retención (Asenjo et al., 2024).
138
El impacto de las modalidades educativas virtuales también
ha sido ampliamente estudiado, especialmente en contextos
de vulnerabilidad. Factores como la percepción de baja
calidad de los contenidos académicos y las deficiencias
tecnológicas han sido identificados como barreras
significativas. En Colombia, un modelo de regresión
logística multinomial destacó que la combinación de
problemas financieros y acceso limitado a infraestructura
tecnológica incrementa el riesgo de abandono académico.
Estos hallazgos subrayan la necesidad de políticas integrales
que fortalezcan tanto la accesibilidad tecnológica como la
calidad de los contenidos educativos (Segovia et al., 2024).
Desde el aspecto psicológico, la autoeficacia y el aprendizaje
autorregulado actúan como mediadores críticos en la
intención de persistir académicamente. En Rumanía, se
encontró que la satisfacción con la especialización
académica y el apoyo social percibido están estrechamente
vinculados a la retención estudiantil. La autoeficacia, en
particular, actúa como un mediador clave entre estas
variables, resaltando la necesidad de entornos educativos que
refuercen estas capacidades (Cădariu & Rad, 2023).
El análisis de la resiliencia durante la pandemia de COVID-
19 en Ecuador evidenció que los estudiantes con mayores
niveles de resiliencia tenían menores probabilidades de
abandonar sus estudios. Este hallazgo pone de relieve la
importancia de factores socioculturales e interpersonales, así
como de las estrategias institucionales que apoyen el
bienestar integral de los estudiantes (Pertegal-Felices et al.,
2022).
Desde la perspectiva de políticas institucionales, se ha
demostrado que las ayudas financieras y asistenciales son las
más efectivas para reducir la deserción. En Brasil, un modelo
integral de evaluación propuso medir el impacto de estas
políticas no solo en términos de permanencia, sino también
en el rendimiento académico y el tiempo de graduación.
Estas estrategias adaptadas a las características de las
poblaciones estudiantiles permiten abordar las necesidades
específicas de los estudiantes, maximizando su efectividad
(Silva & Sampaio, 2022). Estas investigaciones subrayan la
importancia de un enfoque multidimensional para abordar la
deserción estudiantil. La integración de estrategias que
consideren las necesidades académicas, tecnológicas,
socioeconómicas y psicológicas es crucial para mejorar las
tasas de retención y garantizar el éxito académico en la
educación superior.
Análisis del Clúster Azul: Analítica Educativa y Predicción
de Deserción
El aprendizaje automático representa un recurso clave para
abordar la deserción estudiantil, al facilitar la identificación
de patrones de riesgo y el diseño de intervenciones basadas
en datos. Estas tecnologías han sido aplicadas en distintos
contextos educativos, integrando variables académicas,
sociodemográficas y conductuales para construir modelos
predictivos que logran anticipar el abandono con altos
niveles de precisión (Urbina-Nájera et al., 2020).
En Chile, (Miranda & Guzmán, 2017) implementaron redes
neuronales, árboles de decisión y redes bayesianas,
alcanzando precisiones del 83 %. Factores como el puntaje
en la Prueba de Selección Universitaria (PSU) y las notas
promedio de secundaria se identificaron como los
principales determinantes de la deserción. Por otro lado,
modelos basados en cadenas de Markov, utilizados por
(González-Campos et al., 2020), analizaron datos
longitudinales, revelando que el 39 % de los abandonos
ocurre en los primeros dos semestres. Este hallazgo subraya
la necesidad de implementar intervenciones tempranas.
El aprendizaje profundo ha mostrado ser una técnica
avanzada en la predicción del riesgo estudiantil. (Uliyan et
al., 2021) utilizaron redes neuronales BLSTM combinadas
con CRF, logrando precisiones superiores al 88 %. Este
enfoque permite procesar secuencias de datos longitudinales,
como calificaciones y asistencia, para identificar riesgos de
manera más detallada. De manera complementaria, (Olaya et
al., 2020) introdujeron el uplift modeling, una técnica
diseñada para personalizar intervenciones dirigidas a
estudiantes con alta probabilidad de responder
favorablemente a programas de retención.
En instituciones como la Arab Open University, (Sayed,
2024) aplicó redes neuronales convolucionales (CNN)
integrando datos del sistema de gestión de aprendizaje y del
sistema de información estudiantil. Este enfoque alcanzó
precisiones del 98.6 %, destacando variables como el
desempeño inicial y la carga académica como predictores
claves. Similarmente, (Oqaidi et al., 2022) destacaron la
importancia de algoritmos como Random Forest y Support
Vector Machines en la construcción de modelos de
predicción eficaces, especialmente en contextos de alta
diversidad sociodemográfica.
El análisis de componentes principales y el clustering
jerárquico también han sido herramientas útiles para
clasificar a los estudiantes según perfiles de riesgo. Estos
métodos permiten identificar grupos específicos y diseñar
intervenciones adaptadas a las características de cada grupo,
como se observó en estudios realizados en México y Chile
(Hinojosa et al., 2022; Urbina-Nájera et al., 2020). Además,
se han utilizado técnicas de ensamblaje, como Bagging y
Boosting, para combinar múltiples algoritmos y mejorar la
precisión de las predicciones (Patacsil, 2020).
Desde una perspectiva metodológica, la integración del
modelo CRISP-DM con el Marco Lógico ha permitido
estructurar de manera efectiva el análisis de datos
educativos. Este marco facilita la identificación de
problemas y objetivos, proporcionando una guía para el
139
diseño de estrategias basadas en evidencia (Flores et al.,
2022).
Las tecnologías de aprendizaje automático han transformado
la forma en que las instituciones educativas abordan la
deserción estudiantil. Estas herramientas no solo permiten
anticipar riesgos, sino también diseñar estrategias de
intervención basadas en datos específicos de cada
institución, optimizando los recursos y mejorando las tasas
de retención.
P2: ¿Qué factores relacionados con la deserción
estudiantil en carreras universitarias de ingeniería y
áreas técnicas han sido identificados en la literatura?
La literatura revisada evidencia que la deserción estudiantil
en carreras universitarias de ingeniería y áreas técnicas está
influenciada por una combinación de factores académicos,
socioeconómicos, psicosociales y tecnológicos. En el ámbito
académico, el desempeño previo en asignaturas clave como
matemáticas y programación, junto con los puntajes en
pruebas de ingreso como la PSU en Chile, se destacan como
predictores del abandono estudiantil (Gallegos et al., 2018;
Lázaro et al., 2020). La integración académica, medida por
la interacción frecuente con profesores y compañeros,
también se ha identificado como un elemento relevante en la
retención, especialmente en los primeros años de formación
(González-Campos et al., 2020; Shmeleva & Froumin,
2020). Sin embargo, las dificultades en asignaturas iniciales
continúan siendo un factor crítico que incrementa las tasas
de abandono (Sacală et al., 2021; Vidal et al., 2022).
En el plano socioeconómico, la insuficiencia de recursos
financieros representa una de las principales barreras para la
continuidad educativa, particularmente en estudiantes
provenientes de entornos vulnerables (Cocoradă et al., 2021;
Segovia et al., 2024).
El acceso a becas y créditos, por otro lado, ha mostrado ser
un recurso fundamental para mitigar las desigualdades
económicas y mejorar las tasas de retención (Branson &
Whitelaw, 2024; Gallegos et al., 2018). Desde una
perspectiva psicosocial, la motivación intrínseca y la
autoeficacia personal destacan como variables asociadas a la
permanencia estudiantil, mientras que el apoyo social y altos
niveles de resiliencia refuerzan la capacidad de los
estudiantes para afrontar las demandas académicas (Cădariu
& Rad, 2023; Pertegal-Felices et al., 2022; Vidal et al.,
2022).
Los avances tecnológicos en analítica educativa, como el uso
de algoritmos de aprendizaje automático, han permitido
predecir con alta precisión a los estudiantes en riesgo de
deserción. Sin embargo, estas herramientas enfrentan
limitaciones en contextos con infraestructura tecnológica
restringida (González-Campos et al., 2020; Sayed, 2024).
Asimismo, en modalidades virtuales, factores como la
percepción de baja calidad en los contenidos y la falta de
interacción social han mostrado un impacto negativo en la
retención (García Aretio, 2019; Segovia et al., 2024). En
conjunto, estos hallazgos subrayan la necesidad de
estrategias integrales que consideren la interacción entre
estos factores para reducir las tasas de abandono y fomentar
la continuidad académica.
P3: ¿Qué estrategias reportadas en la literatura han sido
efectivas para mejorar la retención estudiantil en
programas técnicos e ingeniería?
La literatura revisada identifica diversas estrategias
implementadas en programas técnicos e ingeniería que han
demostrado efectividad para mejorar la retención estudiantil.
En el ámbito académico, los programas de tutorías
personalizadas y nivelación académica han sido efectivos en
reducir las tasas de abandono, especialmente en los primeros
años de estudio. En Filipinas, el uso de modelos predictivos
como árboles de decisión permitió identificar a estudiantes
en riesgo y aplicar intervenciones tempranas, logrando una
disminución significativa en las tasas de deserción (Patacsil,
2020). De manera similar, en Chile, el programa "Me quedo
en la universidad" se centró en el apoyo académico y
emocional, mostrando resultados positivos en la retención de
estudiantes de ingeniería civil biomédica (Castillo et al.,
2019).
La integración social también se presenta como una
estrategia clave. Investigaciones realizadas en México y
Rusia destacan que los estudiantes que participan
activamente en actividades extracurriculares y mantienen
interacciones regulares con profesores y compañeros tienen
mayores probabilidades de completar sus estudios (Barragán
Moreno & González Támara, 2017; Shmeleva & Froumin,
2020). En este sentido, la promoción de actividades que
fortalezcan la cohesión estudiantil y la creación de redes de
apoyo social son fundamentales.
En el ámbito tecnológico, los algoritmos de aprendizaje
automático han optimizado los esfuerzos por identificar
estudiantes en riesgo. Herramientas como Random Forest,
Support Vector Machines y XGBoost han mostrado alta
precisión en la predicción del abandono, permitiendo diseñar
intervenciones específicas. Por ejemplo, en la Pontificia
Universidad Católica del Ecuador, el uso de estos modelos
predictivos mejoró significativamente la retención
estudiantil mediante la personalización de estrategias de
intervención (Guanin-Fajardo et al., 2024; Oqaidi et al.,
2022).
Por último, se destaca la implementación de políticas de
apoyo financiero y académico. En Colombia y Rumania, las
becas específicas y los programas de mentoría han reducido
las tasas de abandono, especialmente entre estudiantes de
140
entornos vulnerables (Acevedo, 2023; Cocoradă et al.,
2021). En general, la efectividad de estas estrategias depende
de su capacidad para adaptarse a las necesidades específicas
de los estudiantes y de los contextos institucionales donde se
aplican.
4. Discusión
El análisis de los factores asociados a la deserción estudiantil
y las estrategias de retención en la educación superior revela
oportunidades significativas para ampliar el alcance de las
investigaciones actuales. Si bien los modelos predictivos y
las intervenciones institucionales han logrado avances en la
comprensión y mitigación del abandono, persisten áreas que
requieren mayor atención para lograr un abordaje más
integral.
Uno de los aspectos identificados es la limitada
adaptabilidad de los modelos predictivos a contextos
diversos. La mayoría de los estudios se concentran en
instituciones con infraestructura tecnológica avanzada,
dejando un margen reducido para su implementación en
universidades rurales o en regiones con recursos limitados.
Este enfoque restringido limita el potencial de estas
herramientas para abordar las dinámicas específicas de las
comunidades educativas menos favorecidas (Miranda &
Guzmán, 2017; Oqaidi et al., 2022)
Además, los factores psicosociales, como la autoeficacia, la
resiliencia y la motivación, son mencionados de manera
superficial en los estudios revisados. Aunque estas
dimensiones influyen significativamente en la permanencia
estudiantil, su integración en las estrategias de retención y
modelos predictivos no ha sido suficientemente desarrollada,
dejando de lado elementos clave en la experiencia del
estudiante (Cădariu & Rad, 2023; Pertegal-Felices et al.,
2022).
En el ámbito de la educación virtual e híbrida, las
investigaciones se han centrado principalmente en el
impacto de los problemas tecnológicos y de accesibilidad.
Sin embargo, los estudios sobre cómo mejorar la interacción
social y académica en estas modalidades aún son limitados.
Elementos como la participación activa, la colaboración en
línea y el apoyo social son esenciales para fortalecer la
retención en estos entornos y aún no han sido explorados a
profundidad (Segovia et al., 2024; Urteaga et al., 2020).
Otro aspecto es la falta de evaluaciones longitudinales que
permitan medir el impacto a largo plazo de las estrategias
implementadas. Aunque muchas intervenciones muestran
resultados prometedores en las etapas iniciales, pocos
estudios han documentado su sostenibilidad y efectividad
con el paso del tiempo, dificultando el diseño de políticas
educativas duraderas y escalables (Flores et al., 2022; Silva
& Sampaio, 2022). Por último, la integración de enfoques
interdisciplinarios que combinen análisis cuantitativos y
cualitativos sigue siendo escasa. Este tipo de aproximación
podría ofrecer una visión más completa sobre las causas
subyacentes del abandono y ayudar a diseñar estrategias que
consideren tanto las características individuales como las
institucionales (Hinojosa et al., 2022; Olaya et al., 2020).
El panorama actual del estudio sobre deserción estudiantil
sugiere que es crucial ampliar el enfoque para incluir
dimensiones que hasta ahora han sido subrepresentadas.
Abordar estas áreas permitirá no solo mejorar la
comprensión del fenómeno, sino también diseñar estrategias
más efectivas y sostenibles que respondan a las necesidades
específicas de los estudiantes y las instituciones.
Por último, se destaca la implementación de políticas de
apoyo financiero y académico. En Colombia y Rumania, las
becas específicas y los programas de mentoría han reducido
las tasas de abandono, especialmente entre estudiantes de
entornos vulnerables (Acevedo, 2023; Cocoradă et al.,
2021). En general, la efectividad de estas estrategias depende
de su capacidad para adaptarse a las necesidades específicas
de los estudiantes y de los contextos institucionales donde se
aplican.
5. Conclusiones
La revisión sistemática identificó factores documentados en
la literatura que influyen en la deserción estudiantil en
carreras de ingeniería y áreas técnicas, así como estrategias
dirigidas a mejorar la retención. Entre los factores más
frecuentes se encuentran el rendimiento académico previo,
las habilidades de aprendizaje autónomo y el acceso a
recursos económicos. Además, las herramientas de
aprendizaje automático, como los algoritmos de
clasificación y modelos de aprendizaje profundo, han
mostrado precisión en la identificación temprana de
estudiantes en riesgo, aunque su implementación presenta
dificultades en instituciones con infraestructura tecnológica
limitada.
Las estrategias revisadas destacan la necesidad de abordar de
manera conjunta elementos tecnológicos, pedagógicos y
sociales para reducir las tasas de abandono. Sin embargo,
una parte importante de los estudios se enfoca en contextos
con recursos tecnológicos avanzados, dejando áreas poco
exploradas en entornos rurales o con menores recursos.
También se observa que variables relacionadas con aspectos
psicosociales, como la motivación y el apoyo social, no son
comúnmente integradas en los modelos predictivos
revisados.
La ausencia de análisis longitudinales limita la evaluación de
la efectividad de las estrategias a largo plazo. Para avanzar
en el conocimiento del fenómeno de la deserción, es esencial
ampliar las investigaciones hacia contextos menos
141
estudiados y adaptar las herramientas disponibles a
diferentes escenarios educativos, lo que permitirá un
abordaje más inclusivo y aplicable.
Referencias
Acevedo, F. (2023). The deficient factual basis of the main
explanatory models of dropout in higher education.
Journal of Education and Learning, 17(2), 241–248.
https://doi.org/10.11591/edulearn.v17i2.20756
Asenjo, E., Santos, L., Puican, L., Ventura, F., Huanca, L.,
Valladolid, A., & Hinojosa, C. (2024). Fostering equity
in rural education: a literature review on student dropout
and retention strategies. Revista de Gestao Social e
Ambiental, 18(1).
https://doi.org/10.24857/RGSA.V18N1-083
Barragán Moreno, S. P., & González Támara, L. (2017).
Approach to student dropouts from the perspective of
social and academic integration. Revista de La
Educacion Superior, 46(183), 63–86.
https://doi.org/10.1016/j.resu.2017.05.004
Branson, N., & Whitelaw, E. (2024). South African student
retention during 2020: Evidence from system-wide
higher education institutional data. South African
Journal of Economics, 92(1), 9–30.
https://doi.org/10.1111/saje.12361
Cădariu, I.-E., & Rad, D. (2023). Predictors of Romanian
Psychology Students’ Intention to Successfully
Complete Their Courses—A Process-Based Psychology
Theory Approach. Behavioral Sciences, 13(7).
https://doi.org/10.3390/bs13070549
Castillo, P., Morales, T., & Miranda, C. (2019). Evaluation
of a psycho-social support program about concepts of
persistence and university retention. Revista Brasileira
de Educacao, 24, 1–24. https://doi.org/10.1590/S1413-
24782019240058
Cocoradă, E., Curtu, A. L., Năstasă, L. E., & Vorovencii, I.
(2021). Dropout intention, motivation and socio-
demographics of forestry students in Romania. Forests,
12(5). https://doi.org/10.3390/f12050618
Flores, V., Heras, S., & Julián, V. (2022). A New
Methodological Framework for Project Design to
Analyse and Prevent Students from Dropping Out of
Higher Education. Electronics (Switzerland), 11(18).
https://doi.org/10.3390/electronics11182902
Gallegos, J. A., Campos, N. A., Canales, K. A., & González,
E. N. (2018). Determining factors of university dropout.
A case of the faculty of economy and administration
sciences of the Catholic University of the Most Holy
Conception (Chile). Formacion Universitaria, 11(3), 11–
18. https://doi.org/10.4067/S0718-50062018000300011
García Aretio, L. (2019). The problem with distance
education dropout rate. Answers from the Mediated
Educational Dialogue. RIED-Revista Iberoamericana de
Educacion a Distancia, 22(1), 245–270.
https://doi.org/10.5944/ried.22.1.22433
González-Campos, J. A., Carvajal-Muquillaza, C. M., &
Aspeé-Chacón, J. E. (2020). Modelación de la deserción
universitaria mediante cadenas de Markov. Uniciencia,
34(1), 129–146.
https://www.redalyc.org/articulo.oa?id=475962995008
Goran, R., Jovanovic, L., Bacanin, N., Stankovic, M. S.,
Simic, V., Antonijevic, M., & Zivkovic, M. (2024).
Identifying and Understanding Student Dropouts Using
Metaheuristic Optimized Classifiers and Explainable
Artificial Intelligence Techniques. IEEE Access, 12,
122377–122400.
https://doi.org/10.1109/ACCESS.2024.3446653
Guanin-Fajardo, J. H., Guaña-Moya, J., & Casillas, J.
(2024). Predicting Academic Success of College
Students Using Machine Learning Techniques. Data,
9(4). https://doi.org/10.3390/data9040060
Hinojosa, M., Derpich, I., Alfaro, M., Ruete, D., Caroca, A.,
& Gatica, G. (2022). Procedimento de agrupamento de
alunos de acordo com o risco de evasão para melhorar a
gestão estudantil no ensino superior. Texto Livre, 15,
e37275. https://doi.org/10.35699/1983-
3652.2022.37275
Huerta-Manzanilla, E. L., Ohland, M. W., & Peniche-Vera,
R. D. R. (2021). Co-enrollment density predicts
engineering students’ persistence and graduation:
College networks and logistic regression analysis.
Studies in Educational Evaluation, 70.
https://doi.org/10.1016/j.stueduc.2021.101025
Kitchenham, B., & Charters, S. (2007). Guidelines for
performing Systematic Literature Reviews in Software
Engineering. 2.
Lázaro, N., Callejas, Z., & Griol, D. (2020). Factors that
affect student desertion in careers in Computer
Engineering profile. Revista Fuentes, 22(1), 105–126.
https://doi.org/10.12795/revistafuentes.2020.v22.i1.09
Marcq, K., Donayre, E. J. C., & Braeken, J. (2024). The role
of item format in the PISA 2018 mathematics literacy
assessment: A cross-country study. Studies in
Educational Evaluation, 83, 101401.
https://doi.org/https://doi.org/10.1016/j.stueduc.2024.1
01401
Matz, S. C., Bukow, C. S., Peters, H., Deacons, C., & Stachl,
C. (2023). Using machine learning to predict student
retention from socio-demographic characteristics and
app-based engagement metrics. Scientific Reports,
13(1). https://doi.org/10.1038/s41598-023-32484-w
Miranda, M. A., & Guzmán, J. (2017). Análisis de la
deserción de estudiantes universitarios usando técnicas
de minería de datos. Formacion Universitaria, 10(3), 61–
68. https://doi.org/10.4067/S0718-50062017000300007
142
Olaya, D., Vásquez, J., Maldonado, S., Miranda, J., &
Verbeke, W. (2020). Uplift Modeling for preventing
student dropout in higher education. Decision Support
Systems, 134.
https://doi.org/10.1016/j.dss.2020.113320
Oqaidi, K., Aouhassi, S., & Mansouri, K. (2022). Towards a
Students’ Dropout Prediction Model in Higher
Education Institutions Using Machine Learning
Algorithms. International Journal of Emerging
Technologies in Learning, 17(18), 103–117.
https://doi.org/10.3991/ijet.v17i18.25567
Patacsil, F. F. (2020). Survival analysis approach for early
prediction of student dropout using enrollment student
data and ensemble models. Universal Journal of
Educational Research, 8(9), 4036–4047.
https://doi.org/10.13189/ujer.2020.080929
Pertegal-Felices, M. L., Valdivieso-Salazar, D. A., Espín-
León, A., & Jimeno-Morenilla, A. (2022). Resilience
and Academic Dropout in Ecuadorian University
Students during COVID-19. Sustainability
(Switzerland), 14(13).
https://doi.org/10.3390/su14138066
Petticrew, M., & Roberts, H. (2006). Why Do We Need
Systematic Reviews? In Systematic Reviews in the
Social Sciences (pp. 1–26). Wiley online Library.
https://doi.org/https://doi.org/10.1002/9780470754887.
ch1
Sacală, M.-D., Pătărlăgeanu, S. R., Popescu, M.-F., &
Constantin, M. (2021). Econometric research of the mix
of factors influencing first-year students’ dropout
decision at the faculty of agri-food and environmental
economics. Economic Computation and Economic
Cybernetics Studies and Research, 55(3), 203–220.
https://doi.org/10.24818/18423264/55.3.21.13
Sayed, M. (2024). Student Progression and Dropout Rates
Using Convolutional Neural Network: A Case Study of
the Arab Open University. Journal of Advanced
Computational Intelligence and Intelligent Informatics,
28(3), 668–678.
https://doi.org/10.20965/jaciii.2024.p0668
Segovia, N., Said Hung, E., & Aguilera, F. J. (2024).
Abandono en la educación superior virtual colombiana:
factores de riesgo para grupos vulnerables. Revista
Colombiana de Educación, 90, 261–284.
https://doi.org/10.17227/rce.num90-15581
Shmeleva, E., & Froumin, I. (2020). Factors of Attrition
among Computer Science and Engineering
Undergraduates in Russia. Voprosy Obrazovaniya /
Educational Studies Moscow, 3, 56–74.
https://doi.org/10.17323/1814-9545-2020-3-110-136
Silva, P. T. de F. e, & Sampaio, L. M. B. (2022). Student
retention policies in higher education: reflections from a
literature review for the Brazilian context. Revista de
Administração Pública, 56(5), 603–631.
https://doi.org/10.1590/0034-761220220034x
Uliyan, D., Aljaloud, A. S., Alkhalil, A., Amer, H. S. A.,
Mohamed, M. A. E. A., & Alogali, A. F. M. (2021).
Deep Learning Model to Predict Students Retention
Using BLSTM and CRF. IEEE Access, 9, 135550–
135558.
https://doi.org/10.1109/ACCESS.2021.3117117
Urbina-Nájera, A. B., Camino-Hampshire, J. C., & Cruz
Barbosa, R. (2020). University dropout: Prevention
patterns through the application of educational data
mining. RELIEVE - Revista Electronica de
Investigacion y Evaluacion Educativa, 26(1), 1–19.
https://doi.org/10.7203/relieve.26.1.16061
Urteaga, I., Siri, L., & Garófalo, G. (2020). Early dropout
prediction via machine learning in professional online
courses. RIED-Revista Iberoamericana de Educacion a
Distancia, 23(2), 147–167.
https://doi.org/10.5944/ried.23.2.26356
Vidal, J., Gilar-Corbi, R., Pozo-Rico, T., Castejón, J.-L., &
Sánchez-Almeida, T. (2022). Predictors of University
Attrition: Looking for an Equitable and Sustainable
Higher Education. Sustainability (Switzerland), 14(17).
https://doi.org/10.3390/su141710994
Conflicto de intereses
El autor ha declarado que no existe conflicto de intereses en
esta obra.
Nota del Editor:
Descargo de responsabilidad: Los datos, declaraciones,
opiniones contenidas en el documento son responsabilidad
únicamente de los autores y no de la Revista Científica
FINIBUS – Ingeniería, Industria y Arquitectura. La Revista
y sus editores renuncian a toda responsabilidad por daño a
persona o propiedad resultante de los métodos,
instrucciones, producto o idea mencionado en el contenido.
Derechos de autor 2025. Revista Científica
FINIBUS - ISSN: 2737-6451.
Esta obra está bajo una licencia:
Internacional Creative Commons
Atribución-NoComercial-CompartirIgual
.4.0