Minería de datos educativos y predicción de abandono mediante técnicas de ensamble

Resumen

El abandono estudiantil en la educación superior constituye una problemática estructural que afecta la eficiencia institucional, la equidad educativa y la sostenibilidad de los sistemas universitarios. El objetivo de la investigación fue analizar la minería de datos educativos y las técnicas de ensamble para la predicción del abandono estudiantil. La metodología se sustentó en un enfoque cuantitativo, diseño no experimental, correlacional y predictivo, utilizando datos secundarios provenientes de organismos oficiales como INEC, SENESCYT, UNESCO, Banco Mundial y CEPAL. Se aplicaron modelos de regresión logística múltiple, regresión LASSO y algoritmos de ensamble como Random Forest y Gradient Boosting, junto con métricas de evaluación como precisión, sensibilidad, especificidad y AUC. Los resultados más relevantes evidencian que el rendimiento académico, la participación en entornos virtuales y las condiciones socioeconómicas son los principales factores asociados al abandono, alcanzándose niveles de precisión superiores al 90 % en los modelos de ensamble, los cuales superan significativamente a los modelos tradicionales. Se concluye que la integración de técnicas de minería de datos y aprendizaje automático mejora de forma sustancial la capacidad predictiva del abandono estudiantil, facilitando la toma de decisiones institucionales orientadas a la retención académica.