Modelo predictivo de riesgos de deserción estudiantil para la Institución Universitaria Pascual Bravo

Abstract

La deserción universitaria es un problema complejo con repercusiones económicas, sociales y personales significativas. Los altos índices de abandono escolar representan una pérdida de recursos financieros y oportunidades de movilidad social, perpetuando ciclos de pobreza y desigualdad. Identificar tempranamente a los estudiantes en riesgo de abandonar permite implementar programas de apoyo específicos, optimizar recursos, y mejorar las políticas educativas, lo que fortalece el compromiso estudiantil y mejora las tasas de retención. La intervención temprana es crucial para abordar este fenómeno de manera efectiva, beneficiando tanto a los individuos como a la sociedad en su conjunto. Este proyecto propone el desarrollo de un modelo predictivo de deserción académica, utilizando técnicas avanzadas de modelado de datos. El objetivo es generar información relevante que permita la creación de alertas preventivas y tempranas para mitigar este fenómeno. Se espera que este modelo contribuya a la identificación de los factores clave que influyen en la deserción, ofreciendo a la institución herramientas más eficaces para intervenir antes de que los estudiantes abandonen sus estudios. Este enfoque no solo busca reducir las tasas de deserción, sino también mejorar la eficiencia en la utilización de recursos públicos destinados a la educación superior. Utilizando técnicas avanzadas de análisis de datos y modelado estadístico, se buscará generar alertas tempranas que ayuden a las instituciones educativas a implementar estrategias de prevención más efectivas. Este estudio se estructurará en cuatro fases principales: la recopilación y limpieza de datos, el desarrollo y ajuste del modelo, y la validación de este con datos históricos de estudiantes. Este trabajo se inscribe en el marco del semillero de investigación SAMDATA, donde participa el investigador externo Juan Carlos Briñez de León. La solución planteada se apoya en el análisis de datos históricos de la institución, integrando variables académicas, socioeconómicas, demográficas y comportamentales para construir un modelo de riesgo. Como producto final, se espera generar una API que integre este modelo con los sistemas institucionales, permitiendo el monitoreo automático del riesgo de deserción y facilitando la toma de decisiones.

Abstract University dropout is a complex issue with significant economic, social, and personal repercussions. High dropout rates represent a loss of financial resources and opportunities for social mobility, perpetuating cycles of poverty and inequality. Early identification of students at risk of dropping out makes it possible to implement targeted support programs, optimize resource allocation, and improve educational policies—thereby strengthening student engagement and improving retention rates. Early intervention is crucial to effectively address this phenomenon, benefiting both individuals and society as a whole. This project proposes the development of a predictive model for academic dropout, using advanced data modeling techniques. The objective is to generate relevant information that enables the creation of early and preventive alerts to mitigate this issue. The model is expected to contribute to identifying the key factors that influence dropout, providing the institution with more effective tools to intervene before students abandon their studies. This approach aims not only to reduce dropout rates but also to improve the efficiency in the use of public resources allocated to higher education. Using advanced data analysis and statistical modeling techniques, the project aims to generate early warnings that help educational institutions implement more effective prevention strategies. This study will be structured in four main phases: data collection and cleaning, model development and tuning, and validation using historical student data. This work is part of the research group SAMDATA, which includes the participation of external researcher Juan Carlos Briñez de León. The proposed solution is based on the analysis of the institution's historical data, integrating academic, socioeconomic, demographic, and behavioral variables to build a risk model. As a final product, the project aims to develop an API that integrates the model with institutional systems, enabling automatic monitoring of dropout risk and supporting informed decision-making.