ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(186)
http://www.aulavirtual.web.ve
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(187)
http://www.aulavirtual.web.ve
REVISTA CIENTÍFICA
AULA VIRTUAL
Director Editor:
La Revista seriada Científica Arbitrada e Indexada
Aula Virtual, es de acceso abierto y en formato
electrónico; la misma está orientada a la
divulgación de las producciones científicas creadas
por investigadores en diversas áreas del
conocimiento. Su cobertura temática abarca
Tecnología, Ciencias de la Salud, Ciencias
Administrativas, Ciencias Sociales, Ciencias
Jurídicas y Políticas, Ciencias Exactas y otras áreas
afines. Su publicación es CONTINUA, indexada y
arbitrada por especialistas en el área, bajo la
modalidad de doble ciego. Se reciben las
producciones tipo: Artículo Científico en las
diferentes modalidades cualitativas y cuantitativas,
Avances Investigativos, Ensayos, Reseñas
Bibliográficas, Ponencias o publicaciones
derivada de eventos, y cualquier otro tipo de
investigación orientada al tratamiento y
profundización de la información de los campos de
estudios de las diferentes ciencias. La Revista Aula
Virtual, busca fomentar la divulgación del
conocimiento científico y el pensamiento crítico
reflexivo en el ámbito investigativo.
• Dra. Leidy Hernández PhD.
• Dr. Fernando Bárbara
Consejo Asesor:
• MSc. Manuel Mujica
• MSc. Wilman Briceño
• Dra. Harizmar Izquierdo
• Dr. José Gregorio Sánchez
Revista Científica Arbitrada de
Fundación Aula Virtual
Email: revista@aulavirtual.web.ve
URL: http://aulavirtual.web.ve/revista
ISSN:
Depósito Legal:
País:
Año de Inicio:
Periodicidad:
Sistema de Arbitraje:
Licencia:
Volumen:
Número:
Año:
Período:
Dirección Fiscal:
2665-0398
LA2020000026
Venezuela
2020
Continua
Revisión por pares. “Doble Ciego”
Creative Commons CC BY NC ND
7
14
2026
Enero 2026 - Junio 2026 (continua)
Av. Libertador, Arca del Norte, Nro.
52D, Barquisimeto estado Lara,
Venezuela, C.P. 3001
Generando Conocimiento
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(188)
http://www.aulavirtual.web.ve
INTEGRACIÓN DE VARIABLES CONTEXTUALES, CONDUCTUALES Y
SOCIODEMOGRÁFICAS EN LA PREDICCIÓN DE LA DESERCIÓN ESTUDIANTIL EN
EDUCACIÓN SUPERIOR: UNA REVISIÓN SISTEMÁTICA
INTEGRATION OF CONTEXTUAL, BEHAVIORAL, AND SOCIODEMOGRAPHIC
VARIABLES IN PREDICTING STUDENT DROPOUT IN HIGHER EDUCATION: A
SYSTEMATIC REVIEW
Tipo de Publicación: Articulo Científico
Recibido: 23/12/2025
Aceptado: 31/12/2025
Publicado: 28/02/2026
Código Único AV: e648
Páginas: 1(186-203)
DOI: https://doi.org/10.5281/zenodo.18814655
Autor:
Ronald Verástegui Sánchez
Contador Público
Doctor en Contabilidad
https://orcid.org/0000-0002-7226-3606
E-mail: revedi64@yahoo.com.ar
Afiliación: Universidad Tecnológica del Perú
País: República del Perú
Isidora Concepción Zapata Periche
Contador Publico
Doctor en Gestión y Ciencias de la Educación
https://orcid.org/0000-0001-9673-0435
E-mail: izapatap@unp.edu.pe
Afiliación: Universidad Nacional de Piura
País: República del Perú
Simón Zapata Periche
Contador Publico
Doctor en Contabilidad y Finanzas
https://orcid.org/0000-0002-2214-1264
E-mail: speriche@unp.edu.pe
Afiliación: Universidad Nacional de Piura
País: República del Perú
Rafael Jesús Herrera Torres
Estudiante de Derecho
https://orcid.org/0000-0002-9105-8341
E-mail: rafaeljesusherreratorres1@gmail.com
Afiliación: Universidad Cesar Vallejo
País: República del Perú
Resumen
El presente artículo tuvo como objetivo analizar la integración de variables
contextuales, conductuales y sociodemográficas en los modelos predictivos de
la deserción estudiantil en la educación superior, con el propósito de examinar
cómo dichas dimensiones fueron incorporadas y valoradas en la literatura
científica reciente. Para ello, se desarrolló una revisión sistemática siguiendo
directrices metodológicas estandarizadas. La metodología empleada permitió
sintetizar de manera estructurada los enfoques, modelos y estrategias de
operacionalización de variables utilizados en la predicción de la deserción. Los
resultados evidenciaron que los modelos que integraron de forma conjunta
variables contextuales, conductuales y sociodemográficas tendieron a presentar
un mayor valor explicativo y una mejor capacidad para identificar perfiles de
riesgo, en comparación con aquellos basados exclusivamente en variables
académicas. En conclusión, el estudio permitió reafirmar que la deserción
estudiantil fue abordada de manera más efectiva desde una perspectiva
multidimensional, destacándose la necesidad de desarrollar modelos predictivos
más integrales, interpretables y contextualizados, capaces de orientar de forma
pertinente las estrategias institucionales de prevención y retención en la
educación superior.
Palabras Clave
Deserción estudiantil, modelos predictivos, variables
contextuales, variables conductuales, variables
sociodemográficas.
Abstract
Student dropout in higher education has been a complex and persistent problem
affecting institutional efficiency, educational equity, and students' academic
trajectories, prompting the development of predictive models aimed at its early
detection. In this context, this article aimed to analyze the integration of
contextual, behavioral, and sociodemographic variables in predictive models of
student dropout in higher education, examining how these dimensions have
been incorporated and valued in recent scientific literature. To this end, a
systematic review was conducted following standardized methodological
guidelines. The methodology employed allowed for a structured synthesis of the
approaches, models, and strategies for operationalizing variables used in
predicting dropout. The results showed that models integrating contextual,
behavioral, and sociodemographic variables tended to have greater explanatory
power and a better capacity to identify risk profiles compared to those based
exclusively on academic variables. In conclusion, the study reaffirmed that
student dropout was addressed more effectively from a multidimensional
perspective, highlighting the need to develop more comprehensive,
interpretable, and contextualized predictive models capable of appropriately
guiding institutional prevention and retention strategies in higher education.
Keywords
Student dropout, predictive models, contextual variables,
behavioral variables, sociodemographic variables.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(189)
http://www.aulavirtual.web.ve
Introducción
La deserción estudiantil (DE) en la educación
superior se configura como un fenómeno de
naturaleza compleja y multicausal, que se posiciona
como uno de los retos de mayor relevancia para las
instituciones educativas a escala global (Díaz-Landa
et al., 2021). Esta problemática no solo incide en la
calidad y continuidad de los procesos formativos,
sino que también repercute de manera directa en los
indicadores de eficiencia institucional, la
sostenibilidad financiera y, de forma sustantiva, en
las trayectorias académicas y profesionales de los
estudiantes (Cárdenas et al., 2023). La magnitud del
fenómeno se evidencia en las elevadas tasas de
abandono registradas en diversos contextos
geográficos y tipos de instituciones, lo que ha
impulsado el diseño de estrategias de intervención
sustentadas en la identificación temprana de
variables asociadas al riesgo de deserción (Choque
& Sosa-Jauregui, 2022).
En este escenario, la minería de datos
educativos adquiere relevancia como un recurso
metodológico con alto potencial para la
identificación, el análisis y la eventual mitigación de
la DE (Tavico, 2021). Los algoritmos de machine
learning y las técnicas de data mining permiten
procesar grandes volúmenes de información
académica, conductual y sociodemográfica, con el
fin de identificar patrones y características
asociados al abandono de los estudios (Sánchez et
al., 2020). No obstante, la literatura científica actual
evidencia una brecha significativa en la integración
sistemática de variables contextuales, conductuales
y sociodemográficas en los modelos predictivos
desarrollados (Barahona-Anguisaca et al., 2024). Si
bien existen estudios orientados a la predicción del
rendimiento académico mediante técnicas de
minería de datos, una proporción considerable de
estos enfoques se concentra en variables académicas
tradicionales, dejando de lado la complejidad
multidimensional que caracteriza la DE (Cabral et
al., 2024).
La incorporación limitada de estas
dimensiones configura un vacío temático relevante,
en la medida en que la DE deriva de la interacción
de múltiples factores que exceden el ámbito
estrictamente académico (Álvarez et al., 2022). En
este sentido, las variables contextuales —como el
entorno socioeconómico, la disponibilidad de
recursos institucionales y el acceso a mecanismos de
apoyo— se articulan con factores conductuales,
tales como la motivación, la autorregulación del
aprendizaje y los patrones de participación
académica, así como con atributos
sociodemográficos, entre ellos la edad, el género y
el origen socioeconómico del estudiante (Caraballo,
2024).
La consideración fragmentada de estos
componentes en los modelos predictivos restringe la
capacidad institucional para diseñar intervenciones
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(190)
http://www.aulavirtual.web.ve
personalizadas y contextualizadas que atiendan los
factores subyacentes de la DE (Castro-Azuara et al.,
2020). En consecuencia, resulta pertinente
desarrollar una revisión sistemática orientada a
integrar el conocimiento disponible, con el
propósito de examinar cómo estas variables son
incorporadas en los modelos de minería de datos
destinados a la identificación temprana de la DE en
la educación superior, reconociendo tanto los
avances alcanzados como las limitaciones
persistentes en este campo de estudio (Matas et al.,
2020).
La literatura científica reciente documenta
avances significativos en la aplicación de técnicas
de minería de datos para la predicción de la DE en
la educación superior; sin embargo, también revela
limitaciones importantes en cuanto a la integración
sistemática de variables contextuales, conductuales
y sociodemográficas en los modelos desarrollados.
Ayala et al., (2021) examinan modelos orientados a
la estimación del riesgo académico en programas de
computación mediante el uso de minería de datos
aplicada al ámbito educativo, identificando
atributos con elevada capacidad explicativa y
proponiendo soluciones tecnológicas para la
detección temprana del riesgo académico.
Aunque este estudio evidencia la factibilidad
de emplear metodologías basadas en minería de
datos para la identificación de estudiantes en
situación de riesgo, su análisis se centra
predominantemente en variables académicas
convencionales, relegando la complejidad
multidimensional que caracteriza la DE.
De manera similar, Chacha et al., (2023)
desarrollan un esquema predictivo de la DE
sustentado en un modelo de regresión logística
binaria múltiple, orientado a la identificación de
situaciones potenciales de abandono en
instituciones de educación superior en Ecuador. Si
bien este trabajo constituye un aporte metodológico
relevante al incorporar procedimientos estadísticos
robustos, su alcance se limita al análisis de variables
académicas y administrativas, sin integrar de forma
articulada dimensiones contextuales, conductuales y
sociodemográficas asociadas al proceso de decisión
del estudiante respecto a la continuidad de sus
estudios. Esta omisión restringe la capacidad
explicativa del modelo y pone de manifiesto un
vacío temático persistente en la literatura
especializada.
Por su parte, Silva et al., (2020) analizan
enfoques predictivos aplicados a la gestión de la
deserción y la permanencia estudiantil, destacando
el potencial de estos modelos para la formulación de
políticas educativas y la detección temprana de
estudiantes en riesgo de abandono. No obstante,
aunque el estudio reconoce la influencia de
múltiples factores en la DE, no profundiza en la
forma específica en que variables contextuales,
conductuales y sociodemográficas pueden
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(191)
http://www.aulavirtual.web.ve
integrarse de manera sistemática en los modelos
predictivos. Esta limitación refleja la brecha
existente entre el reconocimiento teórico de la
multidimensionalidad de la deserción y su
operacionalización práctica en los modelos de
minería de datos.
En conjunto, estos estudios evidencian que,
pese al creciente interés en la aplicación de técnicas
de minería de datos para la predicción de la DE,
persiste una insuficiente integración de variables
contextuales, conductuales y sociodemográficas en
los modelos desarrollados. Esta carencia constituye
un obstáculo significativo para el diseño de
intervenciones personalizadas y contextualizadas
que aborden las causas estructurales y psicosociales
de la deserción, lo que subraya la necesidad de una
revisión sistemática que sintetice el estado actual del
conocimiento y proporcione directrices
metodológicas para la incorporación efectiva de
estas variables en futuras investigaciones.
La literatura científica sobre la predicción de
la DE en educación superior mediante técnicas de
minería de datos presenta, al menos, tres vacíos
temáticos relevantes. En primer lugar, se observa
una integración insuficiente de variables
contextuales, conductuales y sociodemográficas en
los modelos predictivos desarrollados. Gutiérrez et
al., (2025) señalan que existe una escasa orientación
hacia el análisis de factores socioconductuales con
capacidad predictiva, predominando modelos
centrados en variables académicas tradicionales.
En segundo lugar, se identifica una carencia
de estudios que analicen de manera sistemática el
impacto de la inclusión de variables
multidimensionales en la precisión y eficacia de los
algoritmos predictivos. Rodríguez & Treviño
(2024) reconocen la existencia de modelos que
incorporan variables sociodemográficas,
socioeconómicas e institucionales, pero advierten la
ausencia de síntesis comparativas que evalúen su
efectividad relativa frente a enfoques más
restrictivos.
En tercer lugar, persiste una falta de
directrices metodológicas claras y basadas en
evidencia para la operacionalización e integración
coherente de variables contextuales, conductuales y
sociodemográficas. Si bien Kuz & Morales (2023)
demuestran el potencial del machine learning para
evaluar la permanencia estudiantil, no proporcionan
orientaciones específicas sobre la selección,
medición e integración sistemática de estas
variables.
En este contexto, el presente artículo de
revisión sistemática tiene como objetivo analizar la
integración actual de variables contextuales,
conductuales y sociodemográficas en los modelos
predictivos de DE en la educación superior,
mediante la síntesis de la literatura científica
publicada en los últimos diez años. Asimismo,
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(192)
http://www.aulavirtual.web.ve
busca evaluar el impacto de estas variables en la
precisión predictiva de los modelos y proponer
directrices metodológicas orientadas a fortalecer
futuras investigaciones en este campo.
Metodología
La presente revisión sistemática fue
conducida siguiendo las directrices del método
PRISMA (Preferred Reporting Items for Systematic
Reviews and Meta-Analyses). Este enfoque
metodológico garantizó la transparencia, la
reproducibilidad y la calidad en la síntesis de la
literatura científica.
La búsqueda en la base de datos Scopus se
realizó mediante la aplicación de la siguiente
fórmula booleana: (("student dropout" OR "student
desertion" OR "student attrition" OR "academic
abandonment" OR "educational dropout") AND
("data mining" OR "machine learning" OR
"predictive model" OR "algorithm" OR "artificial
intelligence") AND ("higher education" OR
"university" OR "tertiary education" OR
"undergraduate" OR "postgraduate") AND
("sociodemographic variable" OR "behavioral
variable" OR "contextual variable" OR
"socioeconomic factor" OR "demographic
characteristic" OR "student characteristic"))
La revisión sistemática fue guiada por tres
preguntas de investigación específicas: a) ¿Cuál fue
el estado actual de la integración de variables
contextuales, conductuales y sociodemográficas en
los modelos predictivos de DE en la educación
superior? b) ¿Cuál fue el impacto de la inclusión de
variables contextuales, conductuales y
sociodemográficas en la precisión y eficacia de los
algoritmos de data mining y machine learning para
la detección temprana de la DE, en comparación con
modelos que utilizaron únicamente variables
académicas? c) ¿Cuáles fueron las directrices
metodológicas, mejores prácticas y
recomendaciones que emergieron de la literatura
para la operacionalización e integración efectiva de
variables contextuales, conductuales y
sociodemográficas en los modelos predictivos de
DE en la educación superior?
Los criterios de inclusión consideraron
estudios publicados dentro del periodo temporal
definido para la revisión, que abordaron la
predicción o detección de la deserción estudiantil en
el ámbito de la educación superior y que emplearon
técnicas de data mining o machine learning.
Asimismo, se incluyeron investigaciones que
integraron al menos una variable de naturaleza
contextual, conductual o sociodemográfica en sus
modelos predictivos, que estuvieron disponibles en
idioma inglés o español y que presentaron diseños
metodológicos cuantitativos, cualitativos o mixtos.
También se contemplaron artículos de investigación
original, revisiones sistemáticas, metaanálisis y
estudios de caso, siempre que aportaron evidencia
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(193)
http://www.aulavirtual.web.ve
empírica o analítica relevante para el objetivo del
estudio.
Por su parte, los criterios de exclusión
comprendieron investigaciones centradas
exclusivamente en la predicción del rendimiento
académico sin considerar la DE, así como aquellas
que utilizaron únicamente variables académicas sin
integrar dimensiones contextuales, conductuales o
sociodemográficas. Se excluyeron estudios
desarrollados en contextos de educación primaria,
secundaria o educación no formal, así como
aquellos que no aplicaron técnicas de data mining o
machine learning.
De igual modo, se descartaron publicaciones
duplicadas o redundantes basadas en un mismo
conjunto de datos, estudios con deficiencias
metodológicas evidentes —entendidas como la falta
de claridad en la metodología, en los criterios de
selección de variables o en la validación de los
modelos—, editoriales, comentarios, cartas al editor
y trabajos sin acceso al texto completo. Finalmente,
se excluyeron estudios publicados fuera del periodo
establecido para la revisión o redactados en idiomas
distintos del inglés y el español (Ver Figura 1).
Figura 1. Identificación de estudios que utilizan el método prismático
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(194)
http://www.aulavirtual.web.ve
Resultados
Autor
Tipo de estudio /
modelo
Variables contextuales
Variables conductuales y
sociodemográficas
Principales hallazgos / aporte al objetivo
Aina et al., (2022)
Revisión sistemática
socioeconómica
Institución, políticas
educativas, condiciones
económicas
Origen socioeconómico,
antecedentes familiares, integración
social
La deserción surge de la interacción entre factores individuales,
institucionales y relacionales; la integración académica actúa
como mediadora central
Contreras-
Villalobos et al.,
(2024)
Métodos mixtos
transformativos
Exclusión estructural,
políticas públicas, territorio
Trayectorias educativas, conductas
académicas, vulnerabilidad social
Evidencia un enfoque multinivel (macro-meso-micro) que
integra variables contextuales y conductuales para explicar la
exclusión y el abandono
Casanova et al.,
(2022)
Estudio empírico con
intervención
Apoyo institucional,
pandemia COVID-19
Motivación, adaptación académica,
SES
Las variables conductuales (adaptación, emociones) y
sociodemográficas inciden significativamente en el riesgo de
deserción temprana
Mustofa et al.,
(2025)
ML híbrido + XAI
(HLRNN)
Infraestructura educativa,
políticas de retención
Rendimiento, salud mental,
situación económica
Integra variables contextuales, conductuales y
sociodemográficas con alta precisión y explicabilidad
(SHAP/LIME)
Vaarma & Li
(2024)
ML longitudinal (CAT,
NN, LR)
Uso de LMS, estructura
curricular
Actividad en LMS, créditos,
demografía
La combinación de datos contextuales (LMS) y conductuales
mejora la predicción, con efectos temporales relevantes
Szabó et al., (2024)
SEM y regresión
Clima escolar, apoyo
familiar
Engagement (conductual,
cognitivo, afectivo), educación
parental
El engagement y la educación parental explican una proporción
sustantiva del riesgo de abandono; destaca la complejidad
multivariable
Wagner et al.,
(2024)
Estudio transversal con
regresión logística
Condiciones del hogar,
confinamiento, apoyo
institucional
Inseguridad alimentaria, salud
mental, género
La inseguridad alimentaria y el distrés mental incrementan
significativamente la probabilidad de deserción universitaria
González-Morales
et al., (2025)
Análisis de gran base de
datos
Universidad, rama de
estudios
Edad, sexo, empleo, becas,
nacionalidad
Identifica perfiles de riesgo combinando variables
sociodemográficas, académicas y laborales
Phan et al., (2023)
Framework DSS con
datos textuales
Entorno institucional,
feedback estudiantil
Opiniones textuales, rendimiento
previo
Incorporar datos no estructurados (texto) mejora la predicción
y segmentación del abandono
Coussement et al.,
(2020)
Logit Leaf Model
(LLM)
Plataforma educativa, diseño
del curso
Engagement cognitivo, académico
y conductual
Segmenta alumnos y revela efectos diferenciales de variables
conductuales y demográficas en la deserción
Vega-Rebolledo et
al., (2025)
Survival Analysis + XAI
Programa académico,
contexto institucional
Perfil de ingreso, créditos, GPA,
edad
Muestra el carácter dinámico del abandono y la relevancia de
variables de entrada y trayectoria con explicabilidad
Tabla 1. Integración de variables en modelos predictivos de deserción
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
Autor
Modelo / algoritmo
Tipo de variables integradas
Precisión / eficacia
reportada
Aporte al objetivo de la investigación
Deleña et al., (2025)
XGBoost, GB, ANN,
RF, SVM, LR, NB
Académicas + sociodemográficas
Exactitud 90.66 %, F1 =
90.72
Demostró que los modelos con variables sociodemográficas
superan a los exclusivamente académicos en precisión
predictiva
Kuzilek et al., (2021)
SVM, RF, NB, KNN
Conductuales (patrones de exámenes)
Incremento del F-
measure ≈ 0.30
Evidenció que las variables conductuales mejoran la
detección temprana del riesgo de abandono
Matz et al., (2023)
RF, GBM, SVM, LR
Académicas + sociodemográficas +
conductuales (engagement social)
AUC promedio 78 %,
máximo 88 %
Confirmó que las variables conductuales y de experiencia
universitaria aportan valor predictivo incremental
Mustofa et al., (2025)
Modelo híbrido
HLRNN + SHAP/LIME
Académicas + socioeconómicas +
conductuales
Exactitud 96 %
Mostró que la integración multivariable y la interpretabilidad
aumentan la eficacia del modelo
Mallik &
Gangopadhyay
(2023)
Revisión de ML y DL
en educación
Académicas, contextuales y
sociodemográficas
Evidencia acumulada
Sustentó teóricamente que los modelos más eficaces integran
dimensiones contextuales
Monteverde-Suárez et
al., (2024)
ANN y Naïve Bayes
Académicas + sociodemográficas +
entorno familiar
ANN con mejor
sensibilidad y
especificidad
Probó que la inclusión de variables sociodemográficas mejora
la clasificación temprana de alumnos en riesgo
Phan et al., (2023)
LR + segmentación +
doc2vec
Académicas + textuales (feedback
estudiantil)
Mejora del AUC y top-
decile lift
Evidenció que las variables contextuales no estructuradas
(texto) incrementan la precisión predictiva
Zheng et al., (2023)
ML evolutivo + DBN
Conductuales y contextuales (big data
educativo)
Mejora global del
rendimiento del sistema
Sustentó el valor de integrar datos conductuales para sistemas
inteligentes de predicción académica
Ragni et al., (2024)
Modelos multinivel con
propensity score
Sociodemográficas + contextuales
(modalidad híbrida)
Efectos diferenciales por
programa
Evidenció que variables contextuales influyen indirectamente
en desempeño y riesgo de deserción
Phan et al., (2023)
Framework DSS con
segmentación
Académicas + sociodemográficas +
textuales
Superioridad frente a
benchmarks
Confirmó que la integración de variables contextuales
complejas mejora la detección precoz de abandono
Tabla 2. Modelos predictivos de deserción
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(196)
http://www.aulavirtual.web.ve
Autor
Enfoque metodológico /
modelo predictivo
Variables contextuales, conductuales y
sociodemográficas
Estrategia de operacionalización e
integración
Directrices, mejores prácticas y
recomendaciones
Maldonado et al.,
(2021)
Analítica predictiva orientada a
decisiones
Participación en tutorías, rendimiento
académico, contexto institucional
Integración de variables predictivas
con métricas costo–beneficio
Alinear modelos predictivos con
objetivos institucionales de retención
Rabelo & Zárate
(2025)
Regresión logística, redes
neuronales, árboles y ensemble
Factores personales, académicos,
financieros y contextuales
Selección conceptual previa de
variables
Adaptar los modelos al contexto
institucional específico
Delogu et al.,
(2024)
Random Forest y Gradient
Boosting
Ingreso familiar, tipo de escuela previa,
desempeño del primer año
Uso de datos administrativos y feature
importance
Priorizar desempeño temprano y
variables socioeconómicas
Casanova et al.,
(2022)
Estudio aplicado psicoeducativo
Bienestar emocional, adaptación
académica, contexto socioeconómico
Instrumentos de tamizaje integrados a
datos académicos
Incorporar variables emocionales en
sistemas preventivos
González et al.,
(2025)
Ecuaciones estructurales (SEM)
Variables académicas, psicológicas,
sociales y económicas
Modelo mediado por agotamiento
académico
Integrar variables multidominio y
mediadores psicológicos
Aina et al., (2022)
Revisión sistemática
socioeconómica
Factores familiares, institucionales y
económicos
Marco teórico integrador
Evitar modelos unidimensionales
López-Angulo et
al., (2023)
Modelo explicativo–predictivo
(SEM)
Apoyo social, autoeficacia, satisfacción
académica
Operacionalización de variables
psicosociales
Priorizar variables conductuales
modificables
Deleña et al.,
(2025)
Comparación de 10 algoritmos
ML
Factores sociodemográficos y
académicos históricos
CRISP-DM y validación cruzada
Preferir ensemble y XGBoost para
alertas tempranas
Matz et al.,
(2023)
ML con datos macro, micro y
meso-nivel
Socio-demografía, engagement, redes
sociales
Fusión de datos institucionales y de
interacción
Integrar engagement meso-nivel para
mayor precisión
Szabó et al.,
(2024)
Regresión y SEM
Educación parental, engagement
conductual, cognitivo y afectivo
Modelos multidimensionales de
engagement
Tratar la deserción como proceso
Alshahrani (2025)
ML con SMOTE + XGBoost +
XAI
Variables demográficas, educativas y del
programa
Balanceo de clases y métricas
múltiples
Abordar desbalance de clases y mejorar
interpretabilidad
Mustofa et al.,
(2025)
Modelo híbrido HLRNN +
SHAP/LIME
Factores sociales, económicos,
académicos y conductuales
Upsampling, RFE-CV y XAI
Combinar precisión predictiva con
explicabilidad
Delogu et al.,
(2024a)
ML predictivo con datos
poblacionales
Rendimiento académico temprano y
contexto familiar
Replicación con datos administrativos
nacionales
Reafirma el valor de datos
administrativos a gran escala
Delogu et al.,
(2024b)
Sistemas de alerta temprana con
ML
Variables académicas iniciales y
socioeconómicas
Integración longitudinal de cohortes
Diseñar políticas focalizadas basadas en
riesgo temprano
Tabla 3. Integración de variables en modelos predictivos de DE
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(197)
http://www.aulavirtual.web.ve
Discusión de Resultados
Los resultados evidenciaron que la
integración de variables contextuales, conductuales
y sociodemográficas en los modelos predictivos de
DE en la educación superior se encontró en una fase
de desarrollo desigual, caracterizada por avances
metodológicos relevantes, pero también por
persistentes vacíos de integración multidimensional.
En coherencia con el objetivo del estudio, el análisis
permitió identificar que los modelos que
incorporaron de manera combinada estas categorías
de variables tendieron a presentar un desempeño
predictivo superior frente a aquellos enfoques
centrados exclusivamente en variables académicas,
lo que reforzó la comprensión de la DE como un
fenómeno complejo y multicausal.
En relación con los resultados que mostraron
una integración limitada de variables contextuales,
conductuales y sociodemográficas en una parte
significativa de los modelos revisados, los hallazgos
convergieron con lo reportado por Ayala et al.,
(2021) y Chacha et al., (2023), quienes desarrollaron
modelos predictivos con solidez estadística, pero
con un énfasis predominante en variables
académicas y administrativas. Esta convergencia
permitió inferir que, pese al avance de las técnicas
de minería de datos y aprendizaje automático,
persistió una tendencia a priorizar indicadores de
fácil acceso institucional, relegando variables
psicosociales y contextuales cuya medición y
recolección demandaron mayores esfuerzos
metodológicos.
De manera complementaria, los resultados de
esta revisión se alinearon con estudios que
evidenciaron los beneficios de una integración
multivariable más amplia. Investigaciones como las
de Aina et al., (2022) y Casanova et al., (2022)
demostraron que los factores socioeconómicos,
emocionales y de adaptación académica ejercieron
una influencia significativa en el riesgo de DE, lo
que fue consistente con los modelos analizados que
incorporaron variables conductuales y
sociodemográficas y reportaron mejoras sustantivas
en su capacidad explicativa. Del mismo modo, los
hallazgos coincidieron con Mustofa et al., (2025) y
Matz et al., (2023), quienes evidenciaron que la
combinación de variables académicas, conductuales
y contextuales, junto con técnicas avanzadas de
aprendizaje automático, incrementó la precisión
predictiva y favoreció una segmentación más fina de
los estudiantes en riesgo.
No obstante, se identificaron divergencias con
estudios que, aun reconociendo teóricamente la
naturaleza multidimensional de la DE, no lograron
operacionalizar de manera sistemática dichas
dimensiones en sus modelos. Trabajos como los de
Silva et al., (2020) y Barahona-Anguisaca et al.,
(2024) destacaron la influencia de múltiples factores
en el abandono, pero sin detallar estrategias claras
para su integración en los algoritmos predictivos.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(198)
http://www.aulavirtual.web.ve
Estas diferencias se explicaron por limitaciones en
la disponibilidad de datos, por enfoques
metodológicos centrados en la gestión institucional
más que en la predicción integral, o por la ausencia
de marcos conceptuales que orientaran la selección
y articulación coherente de variables contextuales y
conductuales.
Asimismo, los resultados que evidenciaron
una mejora en la precisión de los modelos al
incorporar variables conductuales, como los
patrones de participación en plataformas virtuales,
los niveles de engagement académico y la
autorregulación del aprendizaje, convergieron con
los hallazgos de Kuzilek et al., (2021) y Vaarma &
Li (2024). Esta coincidencia permitió sostener que
los datos conductuales de carácter longitudinal
aportaron información temprana y dinámica sobre el
riesgo de abandono, reforzando la concepción de la
DE como un proceso progresivo y no como un
evento aislado.
A pesar de los aportes de esta revisión
sistemática, se reconocieron limitaciones que
condicionaron la interpretación de los resultados. En
primer lugar, la revisión se circunscribió a estudios
indexados en Scopus y publicados entre 2020 y
2025, lo que pudo haber excluido investigaciones
relevantes disponibles en otras bases de datos o en
literatura no indexada. En segundo lugar, se observó
una elevada heterogeneidad metodológica entre los
estudios incluidos, tanto en los algoritmos
empleados como en la definición y
operacionalización de las variables, lo que dificultó
la comparación directa de resultados y limitó la
generalización de los hallazgos. En tercer lugar,
muchos estudios priorizaron métricas de desempeño
predictivo sin profundizar en la interpretabilidad de
los modelos ni en su aplicabilidad práctica para el
diseño de políticas institucionales de retención.
Finalmente, se advirtió una representación limitada
de contextos de países en desarrollo, lo que
restringió la validez externa de los resultados en
sistemas educativos con mayores niveles de
desigualdad estructural.
A partir de los resultados obtenidos y de las
limitaciones identificadas, futuras investigaciones
deberán orientarse al desarrollo de marcos
conceptuales integradores que guíen de manera
explícita la selección, medición y articulación de
variables contextuales, conductuales y
sociodemográficas en los modelos predictivos de
DE. Asimismo, resultó pertinente promover diseños
longitudinales y multinivel que permitieran capturar
la evolución temporal del riesgo de abandono y la
interacción entre factores individuales,
institucionales y estructurales.
La incorporación de enfoques de inteligencia
artificial explicable se perfiló como una línea
prioritaria, al facilitar el equilibrio entre precisión
predictiva e interpretabilidad, favoreciendo la
adopción de estos modelos en la toma de decisiones
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(199)
http://www.aulavirtual.web.ve
educativas. Finalmente, se recomendó ampliar la
diversidad de contextos analizados y explorar el uso
de fuentes de datos no estructuradas y variables
psicosociales modificables, con el fin de fortalecer
el desarrollo de sistemas de alerta temprana más
sensibles, contextualizados y orientados a la
prevención de la DE en la educación superior.
Conclusiones
Los resultados de este estudio permitieron
evidenciar que la literatura científica reciente
coincidió en señalar que los modelos predictivos de
DE en la educación superior alcanzaron mayores
niveles de precisión, robustez y valor explicativo
cuando integraron de manera conjunta variables
contextuales, conductuales y sociodemográficas, en
comparación con aquellos enfoques centrados
exclusivamente en indicadores académicos
tradicionales.
Los hallazgos más relevantes mostraron que
las variables conductuales, tales como el
engagement académico, los patrones de interacción
en entornos virtuales y la autorregulación del
aprendizaje, junto con variables sociodemográficas
y contextuales —como el nivel socioeconómico, el
apoyo institucional y las condiciones del entorno
educativo— aportaron información sustantiva para
la detección temprana del riesgo de abandono. En
conjunto, estos resultados contribuyeron a reforzar
la comprensión de la DE como un fenómeno
multidimensional y dinámico, cuya predicción
requirió enfoques analíticos integradores y
metodológicamente sólidos.
En relación con el objetivo de investigación
planteado, el análisis realizado permitió concluir
que la integración de variables contextuales,
conductuales y sociodemográficas en los modelos
predictivos de DE en la educación superior se
caracterizó por un desarrollo heterogéneo. Si bien se
identificaron avances significativos en estudios
recientes que adoptaron enfoques multivariables y
técnicas avanzadas de aprendizaje automático,
persistió una proporción considerable de
investigaciones que continuaron priorizando
variables académicas, principalmente por razones
de disponibilidad de datos y simplicidad
metodológica.
En este sentido, el estudio evidenció que la
incorporación sistemática de variables
multidimensionales no solo mejoró el desempeño
predictivo, sino que también amplió la capacidad
interpretativa de los modelos, favoreciendo la toma
de decisiones informadas y el diseño de estrategias
de intervención más contextualizadas y efectivas.
El presente trabajo se desarrolló como un
artículo de revisión sistemática, lo que permitió
sintetizar de manera rigurosa y transparente el
estado del arte sobre la integración de variables
contextuales, conductuales y sociodemográficas en
los modelos predictivos de DE. Este enfoque
metodológico posibilitó identificar patrones
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(200)
http://www.aulavirtual.web.ve
comunes, divergencias conceptuales y
metodológicas, así como vacíos de investigación en
estudios empíricos previos, ofreciendo una visión
estructurada y crítica de la evidencia disponible.
Asimismo, la naturaleza sistemática de la revisión
garantizó la trazabilidad de los resultados y su
alineación con estándares internacionales de calidad
científica.
Finalmente, las conclusiones del estudio
permitieron reflexionar sobre la necesidad de
avanzar hacia modelos predictivos más integrales,
interpretables y sensibles a los contextos
institucionales y socioculturales en los que se
produce la DE. A partir de los resultados obtenidos,
se identificó la pertinencia de orientar futuras
investigaciones hacia el desarrollo de marcos
conceptuales unificados para la operacionalización
de variables multidimensionales, el uso de diseños
longitudinales que capturen la evolución del riesgo
de abandono y la incorporación de técnicas de
inteligencia artificial explicable que faciliten la
transferencia de los modelos a la práctica
institucional.
Asimismo, se evidenció la necesidad de
ampliar los estudios en contextos subrepresentados
y de explorar nuevas fuentes de datos, con el fin de
fortalecer la capacidad preventiva de los sistemas de
alerta temprana y contribuir de manera efectiva a la
mejora de la permanencia estudiantil en la
educación superior.
Referencias
Aina, C., Baici, E., Casalone, G., & Pastore, F.
(2022). The determinants of university dropout:
A review of the socio-economic literature. Socio-
Economic Planning Sciences, 79, 101102.
Documento en línea. Disponible
https://doi.org/10.1016/j.seps.2021.101102
Alshahrani, A. (2025). SMOTE-optimized machine
learning framework for predicting retention in
workforce development training. Computational
Materials and Continua, 85(2). Documento en
línea. Disponible
https://doi.org/10.32604/cmc.2025.065211
Álvarez Quiñones, L. I., Lozano Moncada, C. A., &
Bravo Montenegro, D. A. (2022). Metodología
para el mantenimiento predictivo de
transformadores de distribución basada en
aprendizaje automático. Ingeniería, 27(3),
e17742. Documento en línea. Disponible
https://doi.org/10.14483/23448393.17742
Ayala Franco, E., López Martínez, R. E., &
Menéndez Domínguez, V. H. (2021). Modelos
predictivos de riesgo académico en carreras de
computación con minería de datos educativos.
Revista de Educación a Distancia (RED), 21(66).
Documento en línea. Disponible
https://doi.org/10.6018/red.463561
Barahona-Anguisaca, D., Vega-Calvas, P., Moyota-
Paguay, A., & Porras-Ramírez, L. (2024).
Análisis de modelos estadísticos para predecir el
éxito académico en estudiantes universitarios.
MQR Investigar, 8(2), 2951–2969. Documento
en línea. Disponible
https://doi.org/10.56048/mqr20225.8.2.2024.29
51-2969
Cabral Acosta, B. E., Cabral Acosta, C. L., & Cabral
Acosta, K. R. (2024). Estrategias de retención
estudiantil implementadas por la Facultad de
Ciencias Contables, Administrativas y
Económicas (2018–2022). Ciencia Latina
Revista Científica Multidisciplinar, 8(4), 12440–
12454. Documento en línea. Disponible
https://doi.org/10.37811/cl_rcm.v8i4.13446
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(201)
http://www.aulavirtual.web.ve
Caraballo Julio, N. R. (2024). El aprendizaje
autónomo desde la perspectiva metacognitiva de
Flavell. Ciencia Latina Revista Científica
Multidisciplinar, 8(1), 10587–10603.
Documento en línea. Disponible
https://doi.org/10.37811/cl_rcm.v8i1.10361
Cárdenas Matute, J. M., Valle Franco, A., & Tapia
Segarra, J. I. (2023). Factors that influence
student desertion in the academic unit of social
sciences of the Catholic University of Cuenca.
ConcienciaDigital, 6(3), 30–48. Documento en
línea. Disponible
https://doi.org/10.33262/concienciadigital.v6i3.
2621
Casanova, J. R., Gomes, A., Moreira, M. A., &
Almeida, L. S. (2022). Promoting success and
persistence in pandemic times: An experience
with first-year students. Frontiers in Psychology,
13, 815584. Documento en línea. Disponible
https://doi.org/10.3389/fpsyg.2022.815584
Castro-Azuara, M., Domínguez-Ángel, R., & Nava-
Nava, R. (2020). Representaciones sobre
prácticas letradas de estudiantes universitarios en
situaciones vulnerables. Magis. Revista
Internacional de Investigación en Educación,
12(25), 3–20. Documento en línea. Disponible
https://doi.org/10.11144/javeriana.m12-25.rple
Chacha, B., López, W., & Constante, M. (2023).
Predictive model of student dropout based on
logistic regression. ESPOCH Congresses: The
Ecuadorian Journal of STEAM, 3(1), 630–656.
Documento en línea. Disponible
https://doi.org/10.18502/espoch.v3i1.14477
Choque, V., & Sosa-Jauregui, V. (2022). Análisis
del diseño curricular como factor de deserción
académica utilizando minería de datos. Yachay –
Revista Científico Cultural, 11(1), 551–555.
Documento en línea. Disponible
https://doi.org/10.36881/yachay.v11i1.139
Contreras-Villalobos, T., Baleriola Escudero, E., &
López Leiva, V. (2024). Digging and building:
How transformative mixed-methods research
contributes to explaining and responding to
educational exclusion and school dropout.
Methods in Psychology, 11, 100170. Documento
en línea. Disponible
https://doi.org/10.1016/j.metip.2024.100170
Coussement, K., Phan, M., De Caigny, A., Benoit,
D. F., & Raes, A. (2020). Predicting student
dropout in subscription-based online learning
environments: The beneficial impact of the logit
leaf model. Decision Support Systems, 135,
113325. Documento en línea. Disponible
https://doi.org/10.1016/j.dss.2020.113325
Deleña, R. D., Dia, N. J., Sacayan, R. R., Sieras, J.
C., Khalid, S. A., Macatotong, A. H. T., &
Gulam, S. B. (2025). Predicting student
retention: A comparative study of machine
learning approaches utilizing sociodemographic
and academic factors. Systems and Soft
Computing, 7, 200352. Documento en línea.
Disponible
https://doi.org/10.1016/j.sasc.2025.200352
Delogu, M., Lagravinese, R., Paolini, D., & Resce,
G. (2024). Predicting dropout from higher
education: Evidence from Italy. Economic
Modelling, 130, 106583. Documento en línea.
Disponible
https://doi.org/10.1016/j.econmod.2023.106583
Díaz-Landa, B., Romero, R., & Rodríguez, W.
(2021). Rendimiento académico de estudiantes
en educación superior: Predicciones de factores
influyentes a partir de árboles de decisión. Telos,
23(3), 616–639. Documento en línea. Disponible
https://doi.org/10.36390/telos233.08
González, B., Mendes, T. P., Pinto, R., Correia, S.
V., Albuquerque, S., & Paulino, P. (2025).
Predictors of higher education dropout intention
in the post-pandemic era: The mediating role of
academic exhaustion. PLOS ONE, 20(7),
e0327643. Documento en línea. Disponible
https://doi.org/10.1371/journal.pone.0327643
González-Morales, M. O., López-Aguilar, D.,
Álvarez-Pérez, P. R., & Toledo-Delgado, P. A.
(2025). Dropping out of higher education:
Analysis of variables that characterize students
who interrupt their studies. Acta Psychologica,
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(202)
http://www.aulavirtual.web.ve
252, 104669. Documento en línea. Disponible
https://doi.org/10.1016/j.actpsy.2024.104669
Gutiérrez, A. P., Londoño, D. M. M., Landínez-
Martínez, D., & Toro-Zuluaga, N. A. (2025). Las
variables sociales y la conciencia metacognitiva
de los jóvenes adultos colombianos. Revista
Latinoamericana de Ciencias Sociales, Niñez y
Juventud, 20(3), 1–32. Documento en línea.
Disponible
https://doi.org/10.11600/rlcsnj.20.3.5379
Kuz, A., & Morales, R. (2023). Ciencia de datos
educativos y aprendizaje automático: Un estudio
de caso sobre la deserción estudiantil
universitaria en México. Education in the
Knowledge Society (EKS), 24, e30080.
Documento en línea. Disponible
https://doi.org/10.14201/eks.30080
Kuzilek, J., Zdrahal, Z., & Fuglik, V. (2021).
Student success prediction using student exam
behaviour. Future Generation Computer
Systems, 125, 661–671. Documento en línea.
Disponible
https://doi.org/10.1016/j.future.2021.07.009
López-Angulo, Y., Sáez-Delgado, F., Mella-
Norambuena, J., Bernardo, A. B., & Díaz-
Mujica, A. (2023). Predictive model of the
dropout intention of Chilean university students.
Frontiers in Psychology, 13, 893894.
Documento en línea. Disponible
https://doi.org/10.3389/fpsyg.2022.893894
Maldonado, S., Miranda, J., Olaya, D., Vásquez, J.,
& Verbeke, W. (2021). Redefining profit metrics
for boosting student retention in higher
education. Decision Support Systems, 143,
113493. Documento en línea. Disponible
https://doi.org/10.1016/j.dss.2021.113493
Mallik, S., & Gangopadhyay, A. (2023). Proactive
and reactive engagement of artificial intelligence
methods for education: A review. Frontiers in
Artificial Intelligence, 6, 1151391. Documento
en línea. Disponible
https://doi.org/10.3389/frai.2023.1151391
Matas Terrón, A., Leiva Olivencia, J. J., & Núñez
Rojas, N. (2020). El big data desde la perspectiva
de estudiantes universitarios del norte del Perú.
Propósitos y Representaciones, 8(1), e376.
Documento en línea. Disponible
https://doi.org/10.20511/pyr2020.v8n1.376
Matz, S. C., Bukow, C. S., Peters, H., Deacons, C.,
Dinu, A., & Stachl, C. (2023). Using machine
learning to predict student retention from socio-
demographic characteristics and app-based
engagement metrics. Scientific Reports, 13,
5705. Documento en línea. Disponible
https://doi.org/10.1038/s41598-023-32484-w
Monteverde-Suárez, D., González-Flores, P.,
Santos-Solórzano, R., García-Minjares, M.,
Zavala-Sierra, I., Luna de la Luz, V., & Sánchez-
Mendiola, M. (2024). Predicting students’
academic progress and related attributes in first-
year medical students. BMC Medical Education,
24, 74. Documento en línea. Disponible
https://doi.org/10.1186/s12909-023-04918-6
Mustofa, S., Emon, Y. R., Mamun, S. B., Akhy, S.
A., & Ahad, M. T. (2025). A novel AI-driven
model for student dropout risk analysis with
explainable AI insights. Computers and
Education: Artificial Intelligence, 8, 100352.
Documento en línea. Disponible
https://doi.org/10.1016/j.caeai.2024.100352
Phan, M., De Caigny, A., & Coussement, K. (2023).
A decision support framework to incorporate
textual data for early student dropout prediction
in higher education. Decision Support Systems,
168, 113940. Documento en línea. Disponible
https://doi.org/10.1016/j.dss.2023.113940
Rabelo, A. M., & Zárate, L. E. (2025). A model for
predicting dropout of higher education students.
Data Science and Management, 8, 72–85.
Documento en línea. Disponible
https://doi.org/10.1016/j.dsm.2024.07.001
Ragni, A., Ippolito, D., & Masci, C. (2024).
Assessing the impact of hybrid teaching on
students’ academic performance. Socio-
Economic Planning Sciences, 92, 101824.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(203)
http://www.aulavirtual.web.ve
Documento en línea. Disponible
https://doi.org/10.1016/j.seps.2024.101824
Rodríguez, E. M., & Treviño, M. d. R. G. (2024).
Causas de abandono y estrategias de
permanencia universitaria en modalidad virtual:
Revisión de literatura. Ciencia Latina Revista
Científica Multidisciplinar, 8(5), 6217–6241.
Documento en línea. Disponible
https://doi.org/10.37811/cl_rcm.v8i5.14036
Sánchez Martínez, F., Barrera-Cámara, R., & Sáenz,
A. (2020). Estudio evaluativo del sistema
institucional de tutorías. RIDE. Revista
Iberoamericana para la Investigación y el
Desarrollo Educativo, 10(20). Documento en
línea. Disponible
https://doi.org/10.23913/ride.v10i20.609
Silva, F. C. da, Cabral, T. L. de O., & Pacheco, A.
S. V. (2020). Dropout or permanence? Predictive
models for higher education management.
Education Policy Analysis Archives, 28, 149.
Documento en línea. Disponible
https://doi.org/10.14507/epaa.28.5387
Szabó, L., Zsolnai, A., & Fehérvári, A. (2024). The
relationship between student engagement and
dropout risk in early adolescence. International
Journal of Educational Research Open, 6,
100328. Documento en línea. Disponible
https://doi.org/10.1016/j.ijedro.2024.100328
Tavico Chamay, A. T. (2021). Factores que influyen
en la deserción de la carrera de administración de
empresas. Revista Científica Internacional, 4(1),
39–46. Documento en línea. Disponible
https://doi.org/10.46734/revcientifica.v4i1.45
Vaarma, M., & Li, H. (2024). Predicting student
dropouts with machine learning: An empirical
study in Finnish higher education. Technology in
Society, 76, 102474. Documento en línea.
Disponible
https://doi.org/10.1016/j.techsoc.2024.102474
Vega-Rebolledo, I., Sánchez-García, A. J., Muñoz
León, J. J., Ocharán-Hernández, J. O., & Cortés-
Verdín, K. (2025). Applying survival analysis
and explainable artificial intelligence to
understand academic success. Array, 28, 100540.
Documento en línea. Disponible
https://doi.org/10.1016/j.array.2025.100540
Wagner, F., Wagner, R. G., Makuapane, L. P.,
Masango, M., Kolanisi, U., & Gómez-Olivé, F.
X. (2024). Mental distress, food insecurity and
university student dropout during COVID-19.
Frontiers in Psychiatry, 15, 1336538.
Documento en línea. Disponible
https://doi.org/10.3389/fpsyt.2024.1336538
Zheng, L., Wang, C., Chen, X., Song, Y., Meng, Z.,
& Zhang, R. (2023). Evolutionary machine
learning builds smart education big data
platforms. Applied Soft Computing, 136, 110114.
Documento en línea. Disponible
https://doi.org/10.1016/j.asoc.2023.110114
