Aplicación de Aprendizaje Automático para la Predicción de la Eficiencia Terminal en el TecNM campus Chihuahua México
Resumen
La presente investigación examina la factibilidad de implementar técnicas de aprendizaje automático para pronosticar la eficiencia terminal —es decir, el porcentaje de estudiantes que concluyen sus estudios en un periodo máximo de 12 semestres— en el Tecnológico Nacional de México, campus Chihuahua, para las cohortes 2016 a 2020. Se empleó un conjunto de datos compuesto por diez cohortes semestrales, las cuales incluyen datos de ingreso, egreso y titulación, desagregadas por género y programa formativo. Después de un meticuloso preprocesamiento y codificación de variables (incluyendo una dummy de "cohorte en pandemia"), se entrenaron modelos de regresión logística, un Foresta Aleatoria, XGBoost, análisis de supervivencia (Cox y Foresta Aleatoria de Supervivencia) y un Perceptrón Multicapa (MLP) con dos capas encubiertas. El MLP, tras un entrenamiento de 100 etapas, logró un Error Medio Cuadrático de 0.03408 y un R2 de 0.28, reflejando la tendencia general de la serie en cuestión. Además, los hallazgos indican una disminución de la eficiencia media de 39.9 % (pre-pandemia) a 4.8 % (post-pandemia) y una discrepancia de género superior a 13 puntos porcentuales (20.6% en mujeres contra 6.8 % en hombres). Se aborda la integración de estas variables en sistemas de alerta precoz y la necesidad de enriquecer el dataset para potenciar su robustez y confiabilidad.
Descargas
Citas
Arellano‑Esparza, C. A., & Ángeles Ortiz‑Espinoza. (2022). Educación media superior en México: abandono escolar y políticas públicas durante la COVID‑19. Íconos – Revista de Ciencias Sociales.
Aznarte, J. L. (2020, 1 jul). Consideraciones éticas en torno al uso de tecnologías basadas en datos masivos en la UNED. RIED. Revista Iberoamericana de Educación a Distancia, 23(2), 237. https://doi.org/10.5944/ried.23.2.26590
Bolaños Gramajo, V. Y. (2023, 17 abr). Ética estadística: Revisión de literatura sobre lineamientos de práctica profesional. Revista Psicólogos, 8(22). https://doi.org/10.59205/rp.v8i22.167
Bustos Narváez, Á. C. (2023). Deserción escolar en pandemia en Puerto Guzmán, Putumayo, Colombia. Revista Criterios.
Carreño, J., Martínez, D. A., & Páez, D. (2023, 15 nov). Predicción y prevención de deserción escolar mediante I.A.: Una revisión a fin de identificar modelos y factores relevantes. I+T+C – Research, Technology and Science, 1(17). https://doi.org/10.57173/ritc.v1n17a2
Claudia, R., Hernández, R. N., A., Benjamin, C. L., & Juan, P. T. (2016). Tratamiento masivo de datos utilizando técnicas de machine learning.
de Souza, M. A. M. (2024). Evasão escolar na pandemia da COVID‑19: Evidências para o Brasil. A Economia em Revista – AERE.
E., A. F. (2023). Introducción al machine learning en senología. Revista de Senología y Patología Mamaria. https://doi.org/10.1016/j.senol.2023.100503
Ester, M. C. A. (2024). Análisis de estrategias innovadoras para retención estudiantil con inteligencia artificial: Una perspectiva multidisciplinaria. European Public & Social Innovation Review. https://doi.org/10.31637/epsir-2024-440
González, H. D. B., Cruz, J. G. B., & Gómez, O. T. T. (2022). Incidencia de la pandemia en los índices de deserción escolar en el sistema educativo ecuatoriano. Ciencia Latina Revista Científica Multidisciplinar.
J., E. (2022). Gestión administrativa y deserción escolar en la institución educativa San Lorenzo de Suaza Huila, período 2014‑2019. Revista Dialogus. https://doi.org/10.37594/dialogus.v1i7.525
J., S.-G. (2021). Machine learning y sus aplicaciones. https://doi.org/10.47300/978-9962-5599-8-6-03
J., S. P.-S., Ingrid, D., T., P., & Carmen, M. d. M. (2023). Factores explicativos de la deserción universitaria abordados mediante inteligencia artificial. Revista Electrónica de Investigación Educativa, 25. https://doi.org/10.24320/redie.2023.25.e18.4455
José, E., Hernández, R., Wilmer, A., & Sánchez, S. (2024). El abordaje de la deserción escolar desde la mirada prometedora de la inteligencia artificial. Línea Imaginaria. https://doi.org/10.56219/lneaimaginaria.v1i19.3209
Julio, A. Z., Ivette, M. A., & Geomar, G. S. (2022). Revisión de literatura sobre las técnicas de machine learning en la detección de fraudes bancarios. Sapienza: International Journal of Interdisciplinary Studies. https://doi.org/10.51798/sijis.v3i1.257
Marín Juarros, V., & Tur Ferrer, G. (2023, 20 mar). La privacidad de los datos en tecnología educativa: Resultados de una revisión de alcance. Edutec. Revista Electrónica de Tecnología Educativa, (83), 7–23. https://doi.org/10.21556/edutec.2023.83.2701
Melo Júnior, H. G., Franqueira, A. d. S., Santos, S. M. A. V., Rezende, C. K., Silva, P. R. d. O., & Silva, R. A. (2024, 11 sep). Toma de decisión basada en datos: Uso de datos para mejorar la eficiencia y eficacia en la gestión escolar. Contribuciones a las Ciencias Sociales, 17(9), e10385. https://doi.org/10.55905/revconv.17n.9-098
Miguel Vite Ayala, M. V. A., Paredes Camacho, J. E., Quiroga Gallo, M. A., & Gonzales Gutiérrez, E. W. (2023, 7 feb). Dashboard for the improvement of school management in educational institutions. Ciencia Latina Revista Científica Multidisciplinar, 7(1), 3018–3037. https://doi.org/10.37811/cl_rcm.v7i1.4639
Muñoz, G. D. M., & Cadena, J. P. T. (2024). Gestión administrativa en la deserción escolar de los colegios del distrito 02d03 Chimbo – San Miguel de Bolívar. Reincisol.
N., P.-B., Juan, S. B.-G., & Julián, D. G. O. (2021). Neurooncología y su relación con las herramientas de machine learning: Un estudio de revisión. Revista Innovación y Desarrollo Sostenible. https://doi.org/10.47185/27113760.v2n1.43
Núñez, R., A. A. D. L. H., & M., S. G. (2019). Big data analysis and machine learning in intensive care units. Medicina Intensiva. https://doi.org/10.1016/j.medin.2018.10.007
Parra, V., & Matus, G. (2016, dic). Usos de datos y mejora escolar: Una aproximación a los sentidos y prácticas educativas subyacentes a los procesos de toma de decisiones. Calidad en la Educación, (45), 207–250. https://doi.org/10.4067/S0718-45652016000200007
Parra‑Sánchez, J. S., Torres Pardo, I. D., & Martínez De Merino, C. Y. (2023, 29 jun). Factores explicativos de la deserción universitaria abordados mediante inteligencia artificial. Revista Electrónica de Investigación Educativa, 25, 1–17. https://doi.org/10.24320/redie.2023.25.e18.4455
Sabino, V., & Acuña, K. (2022). Pandemia y deserción escolar en la Universidad Autónoma de Guerrero, México. Gestionar Revista de Empresa y Gobierno.
Vázquez‑Cano, E., & Pascual Moscoso, C. (2022, 23 sep). Protección de datos y uso ético de la tecnología para una didáctica sostenible. Revista Electrónica Interuniversitaria de Formación del Profesorado, 25(3), 95–110. https://doi.org/10.6018/reifop.529831
Añapa Quiñónez, P. L., Recalde Páez, J. P., Fey Zalamea, C. D., Rivera Quiñónez, E. D., & Acuri Pacheco, D. A. (2025). Estrategias para la Implementación Efectiva del Aprendizaje Híbrido (Blended Learning) en Instituciones Educativas Rurales del Ecuador: Un Análisis Integral. Ciencia Y Reflexión, 4(2), 1160–1184. https://doi.org/10.70747/cr.v4i2.325
Agila Mocha, R. J., Vivanco Ureña, C. I., León Bravo, F. E., & Reyes Carrión , J. P. (2025). Software Educativos para el Proceso de Enseñanza Aprendizaje de Matemáticas en Bachillerato. Ciencia Y Reflexión, 4(2), 1341–1369. https://doi.org/10.70747/cr.v4i2.334
Chen Shih , J. (2025). Relación entre inteligencia emocional y rendimiento académico en estudiantes de nivel superior de Arequipa en la postpandemia . Ciencia Y Reflexión, 4(2), 648–667. https://doi.org/10.70747/cr.v4i2.299
Derechos de autor 2025 Abraham Efraím Rodríguez-Mata , Elizabeth Rodríguez Salcido, Víctor Alejandro González-Huitrón, Jesus Alfonso Medrano-Hermosillo
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
