Integration of contextual, behavioral, and sociodemographic variables in predicting student dropout in Higher Education: A systematic review
Article Sidebar
Main Article Content
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
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
El contenido de los artículos es responsabilidad exclusiva de los autores.
Debe cumplir con los siguientes aspectos de la licencia CC BY NC ND :
- Atribución: debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizó algún cambio. Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
- No comercial: el material no se puede utilizar con fines comerciales.
- Sin derivados: si remezcla, transforma o construye sobre el material, no puede distribuir el material modificado.
- Sin restricciones adicionales: No se pueden aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros de hacer cualquier cosa que permita la licencia.
References
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/mqr20225.8.2.2024.2951-2969
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
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, 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. 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