Estimación del riesgo de abandono estudiantil en carreras de ingeniería

• Autores: Guzmán, Analía; García, Mario Alejandro; Jewsbury, María Alejandra; Castro, Claudia; Delgado, Andrea Fabiana; Giubergia, Fernanda; Socolovsky, Silvia; Martinez Ocampo, Gabriel
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; estimación; predicción; deserción; abandono; estimate; prediction; desertion; dropout
• Institución: Universidad Nacional de La Plata

Se presenta un estudio orientado a estimar el riesgo de abandono académico de estudiantes de la Universidad Tecnológica Nacional, Facultad Regional Córdoba (UTN FRC), utilizando datos provenientes del sistema académico institucional y fuentes complementarias. El objetivo es desarrollar modelos predictivos basados en técnicas de ciencia de datos y aprendizaje automático que permitan anticipar, de forma individual, la probabilidad de abandono, facilitando intervenciones oportunas. El enfoque método lógico considera el análisis de registros históricos de estudiantes, incorporando variables académicas, administrativas y contextuales relevantes. El alcance del proyecto abarca desde la construcción y validación de modelos de predicción hasta la implementación de un sistema de alertas tempranas que proporcione información clave a los equipos de gestión académica para la toma de decisiones. El sistema propuesto busca identificar patrones de riesgo y brindar soporte a estrategias institucionales destinadas a mejorar la retención estudiantil. A través de la incorporación de inteligencia artificial en la gestión educativa, se pretende contribuir al fortalecimiento de las trayectorias académicas en el ámbito de la educación superior tecnológica.
This study aims to estimate the risk of academic dropout among students at the National Technological University, C´ordoba Regional Faculty (UTN FRC), using data from the institutional academic system and complementary sources. The objective is to develop predictive models based on data science and machine learning techniques that allow for individual prediction of the probability of dropout, facilitating timely interventions. The methodological approach considers the analysis of historical student records, incorporating relevant academic, administrative, and contextual variables. The scope of the project ranges from the construction and validation of prediction models to the implementation of an early warning system that provides key information to academic management teams for decision-making. The proposed system seeks to identify risk patterns and support institutional strategies aimed at improving student retention. Through the incorporation of artificial intelligence into educational management, the aim is to contribute to strengthening academic trajectories in technological higher education.
Sociedad Argentina de Informática e Investigación Operativa