Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 44
Analítica del aprendizaje explicable para predecir el
abandono universitario en entornos híbridos
Explainable learning analytics to predict college dropout rates in
hybrid settings
Herrera-Castrillo, Cliffor Jerry
1
https://orcid.org/0000-0002-7663-2499
cliffor.herrera@unan.edu.ni
Nicaragua, Estelí, Universidad Nacional Autónoma
de Nicaragua.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/revistacec/v3/n3/54
Resumen: El abandono universitario en entornos híbridos
constituye un problema multidimensional cuya predicción
exige integrar las trayectorias académicas con las condiciones
socioeconómicas, psicológicas, institucionales y digitales del
estudiantado. El objetivo fue analizar y sistematizar la
evidencia necesaria para orientar el desarrollo y la evaluación
de una analítica del aprendizaje explicable aplicada a
universidades latinoamericanas. Se realizó una investigación
cualitativa, documental y transversal, mediante búsqueda
estructurada en cinco bases académicas, selección de
publicaciones recientes y análisis deductivo de contenido
sobre factores de riesgo, algoritmos, explicabilidad,
calibración y equidad. Los resultados mostraron que el
abandono se relacionó con la acumulación de riesgos y no con
indicadores aislados de participación digital; asimismo, los
modelos de ensamble alcanzaron exactitudes agregadas
cercanas al 86–88 %, aunque solo alrededor del 24 % de los
estudios incorporó técnicas explicativas. La evidencia también
reveló una limitada validación temporal, institucional e
interseccional, pues predominó el uso de datos procedentes
de una sola institución. Estos hallazgos indican que la
precisión predictiva no garantiza interpretaciones
pedagógicamente pertinentes ni decisiones equitativas. Se
concluyó que la utilidad de estos sistemas depende de
articular desempeño, explicabilidad, calibración, transferencia,
supervisión humana y responsabilidad institucional.
Palabras clave: abandono universitario; analítica del
aprendizaje; inteligencia artificial explicable; educación
híbrida; predicción académica.
Artículo Científico
Recibido: 30/May/2026
Aceptado: 28/Jun/2026
Publicado: 27/Jul/2026
Cita: Herrera-Castrillo, C. J. (2026). Analítica
del aprendizaje explicable para predecir el
abandono universitario en entornos
híbridos. Revista Científica Enfoques Del
Conocimiento, 3(3), 44-
64. https://doi.org/10.55813/gaea/revistacec/v
3/n3/54
Revista Científica Enfoques del Conocimiento
(RCEC)
https://www.blez.edu.ec
https://revistacec.blez.edu.ec
revistacec@blez.edu.ec
© 2026. Este artículo es un documento de
acceso abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 45
Artículo Científico
Julio – Septiembre 2026
Abstract:
University dropout in hybrid environments is a multidimensional problem whose
prediction requires integrating academic trajectories with students’ socioeconomic,
psychological, institutional, and digital conditions. The objective was to analyze and
systematize the evidence needed to guide the development and evaluation of
explainable learning analytics applied to Latin American universities. A qualitative,
documentary, and cross-sectional study was conducted through a structured search in
five academic databases, the selection of recent publications, and deductive content
analysis focused on risk factors, algorithms, explainability, calibration, and equity. The
results showed that dropout was associated with the accumulation of risks rather than
with isolated indicators of digital participation; likewise, ensemble models achieved
aggregated accuracy levels of approximately 86–88%, although only about 24% of the
studies incorporated explainability techniques. The evidence also revealed limited
temporal, institutional, and intersectional validation, as data from a single institution
predominated. These findings indicate that predictive accuracy does not guarantee
pedagogically relevant interpretations or equitable decisions. It was concluded that the
usefulness of these systems depends on integrating performance, explainability,
calibration, transferability, human oversight, and institutional responsibility.
Keywords: university dropout; learning analytics; explainable artificial intelligence;
hybrid education; academic prediction.
1. Introducción
La expansión de la educación superior latinoamericana ha ampliado las oportunidades
de movilidad social, pero no ha garantizado trayectorias universitarias continuas ni
titulaciones oportunas. La región reúne aproximadamente 30 millones de estudiantes
distribuidos en unas 10.000 instituciones y 60.000 programas, lo que configura un
sistema amplio, heterogéneo y crecientemente digitalizado. Sin embargo, una
estimación regional para personas de 25 a 29 años que habían ingresado a la
educación superior mostró que solo el 46 % había culminado sus estudios, mientras
el 22 % los había abandonado y el 32 % continuaba matriculado sin finalizar. Estas
cifras permiten delimitar el abandono universitario como una interrupción de la
trayectoria formativa antes de obtener la titulación, diferenciándolo del rezago o la
permanencia prolongada. En los entornos híbridos, esta trayectoria comprende tanto
la participación presencial como las interacciones registradas en plataformas digitales,
evaluaciones y servicios institucionales. Por ello, anticipar el riesgo exige analizar el
proceso acumulativo que precede a la desvinculación y no únicamente el estado
administrativo final del estudiante (Ferreyra et al., 2017; Inter-American Development
Bank [IDB], 2021).
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 46
Artículo Científico
Julio – Septiembre 2026
La magnitud del problema se explica por la interacción de factores académicos,
económicos, personales, institucionales y macrosociales, cuyos efectos varían según
la carrera, el momento de la trayectoria y las condiciones del entorno educativo. Una
revisión regional identificó 67 variables organizadas en cuatro niveles ecológicos —
estudiante, institución, sistema educativo y contexto macrosocial—, lo que evidencia
que el abandono no puede atribuirse exclusivamente al rendimiento individual. Entre
los factores asociados destacan la reprobación, la baja participación académica, las
dificultades financieras, el empleo simultáneo, la débil integración social, la
insatisfacción con la enseñanza y las limitaciones de conectividad. Sus consecuencias
incluyen pérdida de tiempo y recursos familiares, deterioro de la confianza académica,
menor disponibilidad futura de capital humano y gastos institucionales que no se
traducen en graduación. El impacto económico resulta especialmente relevante
porque, en promedio regional, una persona con educación superior completa puede
percibir más del doble de los ingresos de quien solo concluyó la educación secundaria.
La inacción, por tanto, profundiza desigualdades preexistentes y reduce la eficiencia
social de la inversión pública y privada destinada a la formación universitaria (Chiarino
et al., 2024; Ferreyra et al., 2017).
La transformación digital posterior a la emergencia sanitaria consolidó modalidades
que combinan actividades presenciales, trabajo asincrónico y encuentros virtuales,
incrementando tanto la flexibilidad educativa como la complejidad de las trayectorias
observables. En una consulta realizada a 73 instituciones de 14 países
latinoamericanos y caribeños, tres cuartas partes de sus responsables calificaron la
transformación digital como muy importante, aunque solo una cuarta parte consideró
que su institución poseía una madurez digital igualmente elevada. Esta brecha implica
que los sistemas híbridos generan grandes volúmenes de datos —sesiones, accesos,
entregas, calificaciones, participación y regularidad— sin que necesariamente existan
capacidades suficientes para convertirlos en decisiones pedagógicas. Un estudio
desarrollado con 133 estudiantes de un curso combinado mostró que el compromiso
y la constancia en el uso de recursos digitales permitían detectar tempranamente
desempeños insuficientes. No obstante, una baja actividad en línea puede reflejar
desmotivación, dificultades tecnológicas, estrategias de estudio fuera de la plataforma
o restricciones laborales, por lo que su interpretación aislada puede producir
clasificaciones erróneas. La analítica del aprendizaje debe, en consecuencia,
relacionar las huellas digitales con información académica, socioeconómica e
institucional antes de atribuirles significado predictivo (IDB, 2021; Saqr et al., 2017).
Pese al crecimiento de la investigación, la literatura regional continúa mostrando una
orientación predominantemente descriptiva y fragmentada. Una revisión de 217
estudios latinoamericanos y caribeños encontró que el 76 % empleó metodologías
cuantitativas, frente al 10 % de investigaciones cualitativas y el 14 % de estudios
mixtos, mientras apenas el 25 % alcanzó una finalidad explicativa. Asimismo, el 76 %
de los trabajos se concentró en el abandono y solo el 24 % examinó la permanencia,
lo que limita la comprensión de los mecanismos protectores que podrían incorporarse
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 47
Artículo Científico
Julio – Septiembre 2026
a las intervenciones. En el ámbito de la predicción automatizada, una revisión de 75
estudios publicados entre 2019 y 2024 registró precisiones cercanas al 86–88 % para
modelos de ensamble, aunque constató dependencia de bases pertenecientes a una
sola institución, escaso tratamiento de la evolución temporal y limitada evaluación de
la equidad. También permanecen subrepresentadas variables como autoeficacia,
pertenencia, motivación, resiliencia y restricciones socioeconómicas, pese a su
relevancia teórica para explicar la continuidad universitaria. El vacío resulta
particularmente crítico en los entornos híbridos latinoamericanos, donde todavía falta
determinar si los modelos conservan su desempeño entre carreras, periodos,
modalidades y grupos sociales diferentes (Alyahyan & Düştegör, 2020; Chiarino et al.,
2024; Lopez-Muñoz et al., 2026).
El vacío se profundiza porque una predicción estadísticamente precisa no constituye,
por sí sola, una explicación pedagógicamente útil. La inteligencia artificial explicable
permite identificar las variables que incrementan o reducen el riesgo, ofreciendo
interpretaciones en dos escalas complementarias: una global, referida al
comportamiento general del modelo, y otra local, centrada en cada estudiante. Esta
capacidad puede favorecer que docentes, tutores y gestores comprendan por qué una
trayectoria fue clasificada como vulnerable y distingan factores potencialmente
modificables de condiciones estructurales que requieren apoyos institucionales. No
obstante, investigaciones recientes advierten que la transparencia algorítmica no
elimina los errores, pues un estudio con 126 estudiantes y cinco algoritmos encontró
que algunas explicaciones se apoyaban en predictores pedagógicamente poco
plausibles. De manera similar, los modelos interpretables de abandono han mostrado
utilidad para orientar intervenciones personalizadas, pero su transferencia depende
de la calidad, representatividad y contexto de los datos utilizados. La cuestión
pendiente no consiste únicamente en explicar la predicción, sino en establecer si esa
explicación es estable, justa y suficientemente pertinente para respaldar decisiones
humanas (Khosravi et al., 2022; Nagy & Molontay, 2024; Saqr & López-Pernas, 2024).
La convergencia de registros académicos y trazas de plataformas hace viable estudiar
el fenómeno mediante datos que suelen producirse durante el funcionamiento
ordinario de los entornos híbridos, siempre que exista acceso institucional legítimo y
una delimitación temporal coherente. La experiencia acumulada demuestra que
incluso bases de escala moderada, como la integrada por 133 participantes en un
curso combinado, permiten construir alertas tempranas cuando se analizan variables
de actividad antes de finalizar el periodo académico. Esta disponibilidad reduce costos
de recolección primaria y posibilita evaluar diferentes modelos mediante recursos
computacionales accesibles, sin reemplazar la interpretación educativa ni el
acompañamiento profesional. Su utilización requiere, al menos, cuatro salvaguardas:
minimización de datos, desidentificación, control de acceso y supervisión humana
sobre cualquier intervención derivada del riesgo estimado. También debe evitarse que
las predicciones se conviertan en etiquetas permanentes o sanciones, dado que el
propósito legítimo de la analítica es ampliar apoyos y no restringir oportunidades. En
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 48
Artículo Científico
Julio – Septiembre 2026
términos sociales, teóricos y metodológicos, el estudio resulta conveniente porque
conecta la explicación multicausal del abandono con herramientas reproducibles de
decisión, manteniendo la privacidad, la transparencia y la responsabilidad institucional
como condiciones de aplicación (Pardo & Siemens, 2014; Saqr et al., 2017).
Sobre esa base empírica, el objetivo general del estudio será desarrollar y evaluar un
modelo de analítica del aprendizaje explicable para predecir el abandono de
estudiantes universitarios en entornos híbridos latinoamericanos. Este propósito se
concretará mediante cuatro objetivos específicos articulados con las brechas
identificadas. El primero buscará analizar la relación entre variables socioeconómicas,
académicas, institucionales y de interacción digital con la ocurrencia del abandono; el
segundo determinará el desempeño predictivo de modelos estadísticos y de
aprendizaje automático. El tercero comparará las explicaciones globales y locales
para identificar los factores que contribuyen al riesgo en la población y en cada
trayectoria individual. El cuarto estimará la calibración y la equidad del modelo entre
grupos sociodemográficos, programas y patrones de participación híbrida,
relacionando sus resultados con criterios institucionales de intervención temprana.
Para asegurar una evaluación verificable, el desempeño deberá examinarse mediante
indicadores complementarios —como área bajo la curva, precisión, sensibilidad,
puntuación F1 y calibración— y no mediante un único porcentaje de aciertos
(Alyahyan & Düştegör, 2020; Khosravi et al., 2022).
La contribución original radicará en integrar los cuatro niveles ecológicos del
abandono con las dos escalas de explicabilidad y con datos procedentes de la
interacción presencial y digital. Esta articulación permitirá superar enfoques que
reducen el fenómeno a calificaciones históricas o que privilegian la precisión
algorítmica sin examinar la utilidad educativa de sus resultados. El trabajo distinguirá
tres componentes frecuentemente confundidos —predicción, explicación e
intervención—, de modo que una probabilidad elevada no se interprete
automáticamente como una decisión definitiva. En el plano teórico, aportará evidencia
sobre la interacción entre condiciones estructurales, integración universitaria y
comportamiento digital; en el metodológico, ofrecerá un procedimiento evaluable para
contrastar rendimiento, calibración, interpretabilidad y equidad. En el ámbito práctico,
favorecerá alertas acompañadas de razones comprensibles, susceptibles de revisión
por equipos académicos antes de asignar tutorías, orientación o apoyos financieros.
De esta manera, la investigación responderá a la escasez de modelos regionales,
explicables y contextualizados, transformando las huellas de los entornos híbridos en
información preventiva sin desatender la autonomía ni la diversidad del estudiantado
(Chiarino et al., 2024; Khosravi et al., 2022; Saqr & López-Pernas, 2024).
2. Materiales y métodos
La investigación se desarrolló desde una orientación cualitativa, puesto que se buscó
interpretar cómo la literatura científica conceptualizó, diseñó y justificó el uso de la
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 49
Artículo Científico
Julio – Septiembre 2026
analítica del aprendizaje explicable para anticipar el abandono universitario en
entornos híbridos. Esta elección permitió examinar los significados atribuidos a la
explicabilidad, la transparencia algorítmica, los factores de riesgo y la intervención
temprana, en lugar de limitar el análisis a frecuencias o métricas de clasificación. La
predicción se abordó, por tanto, como un objeto conceptual y metodológico
documentado en investigaciones previas, y no como el entrenamiento de un algoritmo
con registros individuales. También se consideró que las explicaciones educativas
dependían de las necesidades de estudiantes, docentes, tutores y responsables
institucionales, por lo que requerían una lectura contextualizada de los modelos. Esta
orientación resultó coherente con un campo en el que la utilidad de una explicación
no se redujo a su exactitud técnica, sino que incluyó su comprensibilidad, pertinencia
y capacidad para apoyar decisiones humanas (Flick, 2022; Khosravi et al., 2022).
Esa orientación interpretativa condujo a organizar el estudio mediante un diseño
transversal, dado que el corpus documental se examinó en un único corte analítico y
no se siguió longitudinalmente la evolución de instituciones, estudiantes o sistemas
predictivos. El corte quedó delimitado por documentos publicados entre enero de 2021
y diciembre de 2025, periodo que permitió incorporar investigaciones recientes sobre
educación híbrida, abandono universitario y explicabilidad algorítmica. Aunque
algunos estudios revisados pudieron haber utilizado datos longitudinales, cada
publicación se trató como una unidad documental disponible dentro de la ventana
establecida. En consecuencia, el diseño no pretendió demostrar cambios temporales
ni establecer relaciones causales entre los factores identificados y la desvinculación
estudiantil. Su finalidad consistió en reconstruir el estado reciente del conocimiento y
reconocer regularidades, divergencias y vacíos metodológicos presentes en la
producción científica (Flick, 2022; Morgan, 2022).
La coherencia del diseño se reforzó mediante una investigación documental
sustentada en artículos científicos, revisiones, capítulos académicos y documentos
técnicos que desarrollaron aplicaciones de analítica del aprendizaje, inteligencia
artificial explicable o predicción del abandono en educación superior. La unidad de
análisis estuvo constituida por cada documento que aportó información verificable
sobre fuentes de datos, definición del abandono, variables predictoras, técnicas
analíticas, formas de explicación, actores destinatarios o consideraciones éticas. La
delimitación geográfica priorizó investigaciones realizadas en América Latina o
referidas explícitamente a sus sistemas universitarios, aunque se admitieron estudios
internacionales cuando presentaron marcos metodológicos transferibles a entornos
híbridos regionales. No se definió una población de estudiantes ni se calculó una
muestra probabilística, porque el estudio no recolectó información primaria ni buscó
estimar proporciones poblacionales. Esta decisión respondió a la naturaleza
documental del trabajo y a la necesidad de analizar críticamente una literatura regional
en la que los factores académicos, individuales, económicos e institucionales se
habían tratado de manera heterogénea (Heredia & Carcausto-Calla, 2024; Morgan,
2022).
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 50
Artículo Científico
Julio – Septiembre 2026
La búsqueda documental se efectuó de manera estructurada en Scopus, Web of
Science, ERIC, SciELO y Redalyc, con el propósito de combinar cobertura
internacional y visibilidad de la producción latinoamericana. Se utilizaron expresiones
en español, inglés y portugués relacionadas con “abandono universitario”, “deserción
estudiantil”, “student dropout”, “evasão universitária”, “analítica del aprendizaje”,
“learning analytics”, “aprendizaje híbrido”, “blended learning”, “inteligencia artificial
explicable” y “explainable artificial intelligence”. Los términos se combinaron mediante
los operadores booleanos AND y OR, y se adaptaron a los campos de título, resumen
y palabras clave disponibles en cada base. También se revisaron las referencias de
los documentos elegibles para identificar trabajos que no hubieran sido recuperados
mediante la búsqueda inicial. El procedimiento se documentó mediante una estrategia
reproducible que registró la base consultada, la fecha de búsqueda, la ecuación
empleada y las decisiones de selección, conforme a las recomendaciones
contemporáneas para síntesis de evidencia (JBI, 2024).
La selección incluyó publicaciones comprendidas en el periodo establecido,
disponibles en español, inglés o portugués y centradas en estudiantes universitarios,
educación superior híbrida o modelos aplicables a la predicción explicable del
abandono. Se admitieron estudios empíricos, revisiones y propuestas metodológicas
que describieron con suficiente claridad sus datos, variables, algoritmos, técnicas de
explicación o implicaciones educativas. Se excluyeron textos duplicados, resúmenes
sin documento completo, publicaciones comerciales, estudios exclusivamente
escolares, trabajos sobre abandono de plataformas no universitarias y artículos que
mencionaron la inteligencia artificial sin relacionarla con permanencia o riesgo
académico. La evaluación se realizó primero mediante títulos y resúmenes y,
posteriormente, mediante lectura completa de los documentos potencialmente
pertinentes. Debido a que no se proporcionó una base definitiva de resultados ni un
registro de cribado ejecutado, no se incorporaron cantidades de documentos
identificados, excluidos o incluidos, pues dichos valores debían consignarse
únicamente después de cerrar y auditar la búsqueda (JBI, 2024; Morgan, 2022).
Los documentos seleccionados se organizaron en una matriz de extracción que
recogió autoría, año, país, modalidad educativa, población estudiada, fuente de datos,
definición operativa del abandono, variables analizadas, método predictivo,
procedimiento de validación y tipo de explicación producido. La matriz también registró
los destinatarios de las explicaciones, el momento de generación de la alerta, las
acciones institucionales sugeridas y los riesgos asociados con sesgos, privacidad o
etiquetamiento del estudiante. El abordaje deductivo partió de categorías derivadas
de la literatura sobre abandono universitario y del marco XAI-ED, entre ellas factores
académicos, individuales, económicos e institucionales; actores involucrados;
beneficios esperados; modelos empleados; presentación de explicaciones y posibles
efectos adversos. Estas categorías funcionaron como referentes analíticos previos y
no como variables destinadas a pruebas estadísticas. La estructura permitió relacionar
la dimensión sociopedagógica del abandono con los componentes técnicos y
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 51
Artículo Científico
Julio – Septiembre 2026
humanos de la explicabilidad educativa (Heredia & Carcausto-Calla, 2024; Khosravi
et al., 2022).
El análisis se desarrolló mediante una codificación cualitativa de contenido, orientada
a identificar patrones recurrentes, contrastes conceptuales y ausencias relevantes en
el corpus. En una primera lectura se verificó la pertinencia de cada documento y se
reconocieron las unidades textuales vinculadas con las categorías deductivas;
posteriormente, estas unidades se condensaron y agruparon en categorías y
subcategorías comparables. La interpretación conservó el contexto en el que cada
autor había definido la predicción, el abandono y la explicabilidad, evitando equiparar
términos que respondieran a decisiones metodológicas diferentes. Cuando una
evidencia no se ajustó a la estructura inicial, se registró como hallazgo emergente para
impedir que el esquema deductivo eliminara contenidos pertinentes. La síntesis final
se presentó narrativamente, apoyada en matrices comparativas, sin calcular tamaños
de efecto ni producir estimaciones generalizables, porque el alcance correspondió a
una comprensión exploratoria y descriptiva de la evidencia (Braun & Clarke, 2021;
Kuckartz & Rädiker, 2023).
La consistencia analítica se procuró mediante definiciones explícitas de las categorías,
reglas de inclusión de unidades textuales, conservación de fragmentos de evidencia
y registro de las decisiones tomadas durante la codificación. También se contrastaron
las interpretaciones con la pregunta y los objetivos del estudio para evitar que la
revisión se desplazara hacia aplicaciones de inteligencia artificial ajenas al abandono
universitario. La credibilidad dependió de la trazabilidad entre documentos, códigos,
categorías e interpretación final, mientras que la reflexividad exigió reconocer que la
selección y lectura de la evidencia estuvieron mediadas por decisiones del equipo
investigador. En consecuencia, los resultados describieron tendencias y brechas de
la literatura seleccionada, pero no validaron la eficacia real de un modelo predictivo ni
demostraron que las explicaciones generaran intervenciones institucionales exitosas.
Esta delimitación fue necesaria para mantener congruencia entre el alcance
cualitativo-documental y las conclusiones que podían sostenerse con el material
examinado (Flick, 2022; Kuckartz & Rädiker, 2023).
Las consideraciones éticas se centraron en el uso responsable de documentos
publicados, la atribución precisa de las ideas y la protección de cualquier información
sensible reproducida en las fuentes. Al no haberse establecido contacto con
participantes ni utilizado expedientes académicos individualizados, el estudio no
implicó reclutamiento, intervención educativa o tratamiento directo de datos
personales; sin embargo, se mantuvo una evaluación crítica de los riesgos éticos
descritos por los trabajos revisados. Se examinó especialmente si los modelos podían
reforzar desigualdades, presentar correlaciones como causas, etiquetar
prematuramente a estudiantes o generar decisiones automatizadas sin supervisión
profesional. Asimismo, se evitó interpretar la explicabilidad como una garantía
suficiente de justicia, puesto que una explicación comprensible podía continuar
sustentándose en datos sesgados o relaciones pedagógicamente débiles. El uso de
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 52
Artículo Científico
Julio – Septiembre 2026
la evidencia se limitó a los fines académicos de análisis, síntesis y citación,
manteniendo la transparencia y la responsabilidad humana como criterios centrales
de la analítica educativa (Khosravi et al., 2022; Morgan, 2022).
3. Resultados
3.1. Factores asociados y patrones de riesgo del abandono universitario en
entornos híbridos
El análisis respondió al objetivo específico de examinar la relación entre las variables
socioeconómicas, académicas, institucionales y de interacción digital y la ocurrencia
del abandono universitario. Dentro del corpus documental, el mapa regional de mayor
amplitud reunió 217 estudios publicados entre 1992 y 2022, de los cuales 164 —el 76
%— se concentraron en el abandono y 53 —el 24 %— en la permanencia. El resumen
de dicho estudio informó 67 variables, mientras que su sección analítica detalló 64;
por esta razón, se conservaron los recuentos desagregados incluidos en las tablas de
resultados. De manera complementaria, una revisión latinoamericana reciente
incorporó 21 estudios y clasificó los factores en dimensiones académicas,
individuales, económicas e institucionales (Chiarino et al., 2024; Ramirez Heredia &
Carcausto-Calla, 2024).
La distribución por niveles mostró una concentración marcada en las características
del estudiantado, consideradas en 202 de los 217 documentos, equivalentes al 93,1
% del corpus regional. Los factores institucionales estuvieron presentes en 115
estudios —53,0 %—, mientras que 70 trabajos —32,3 %— incorporaron variables del
sistema educativo y nueve —4,1 %— abordaron condiciones macrosociales. Debido
a que un mismo estudio pudo analizar más de un nivel o dimensión, estas
proporciones no fueron mutuamente excluyentes y su suma superó el 100 %. Como
se observa en la Tabla 1, las dimensiones académica, socioeconómica y psicológica
registraron las mayores frecuencias, seguidas por las condiciones institucionales y las
ayudas económicas del sistema educativo (Chiarino et al., 2024).
Tabla 1
Distribución de los factores asociados al abandono y la permanencia universitaria
Nivel
sistémico
Estudios,
n
% del
corpus
Dimensiones o variables con mayor frecuencia, n
Sujeto
202
93,1
Académica (134), sociodemográfica (126), socioeconómica
(116) y psicológica (112)
Institucional
115
53,0
Condiciones de estudio (69), aula (55), plan de estudios (55) y
estrategias de permanencia (41)
Sistema
educativo
70
32,3
Becas y ayudas económicas (53), accesibilidad territorial (17),
políticas educativas (17) y presupuesto (8)
Macrosocial
9
4,1
Crisis macroeconómicas (4), pandemia (3) e inseguridad (3)
Nota: Los porcentajes fueron calculados sobre 217 estudios y pudieron superar conjuntamente el 100
% porque cada documento abordó varias dimensiones. Las frecuencias correspondieron a la tabla
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 53
Artículo Científico
Julio – Septiembre 2026
analítica del estudio fuente; en ella se registraron 69 trabajos sobre condiciones de estudio, aunque la
descripción narrativa posterior informó 70. Elaboración basada en Chiarino et al. (2024).
La dimensión académica fue la categoría más frecuente, pues apareció en 134
estudios —61,8 % del corpus— y se concentró principalmente en el desempeño
durante la trayectoria universitaria. Esta variable estuvo presente en 93 trabajos —
42,9 %—, mientras que 26 examinaron los créditos aprobados, 22 registraron
dificultades para avanzar en la carrera, 18 analizaron el tiempo de estudio y 17
abordaron el rezago universitario. Entre los 114 documentos que analizaron la
trayectoria en educación superior, 100 estuvieron orientados al abandono y 14 a la
permanencia. El patrón descrito vinculó el abandono temprano con el bajo desempeño
en los primeros años, el avance académico insuficiente, la discontinuidad educativa y
las dificultades de adaptación a las exigencias universitarias (Chiarino et al., 2024).
Junto con el rendimiento académico, la dimensión socioeconómica se registró en 116
artículos —53,5 %—, de los cuales 101 estudiaron el abandono y 15 la permanencia.
Los ingresos del hogar constituyeron la variable económica más examinada, con
presencia en 98 documentos —45,2 % del corpus—, seguidos por las condiciones de
trabajo en 59 —27,2 %— y el desempleo en tres. Los estudiantes procedentes de
hogares con menores ingresos y quienes combinaron trabajo y estudios mostraron
una mayor frecuencia de abandono, especialmente cuando los horarios académicos
fueron incompatibles con la actividad laboral. El costo de la matrícula o de estudiar
apareció en 12 artículos y las becas en 53, aunque las fuentes no proporcionaron
valores monetarios homogéneos que permitieran presentar medias, montos en euros
o variaciones financieras comparables (Chiarino et al., 2024).
Las características sociodemográficas configuraron un segundo conjunto de patrones
recurrentes. El género fue examinado en 70 estudios, el lugar de residencia en 49, la
edad de ingreso en 48, la estructura familiar en 39 y la formación del padre o de la
madre en 38. La mayoría de los documentos que desagregaron los resultados por
género registró mayor abandono entre los hombres, aunque algunos campos
formativos presentaron una dirección diferente. La mayor edad al ingreso, la
residencia alejada de la institución y el traslado desde la ciudad de origen aparecieron
asociados con una menor continuidad. Asimismo, 17 estudios relacionaron las
responsabilidades de cuidado con el abandono, diez consideraron el embarazo y otros
diez registraron problemas de salud como antecedentes de la interrupción académica
(Chiarino et al., 2024).
El componente psicológico estuvo presente en 112 estudios —51,6 % del corpus— y
mostró una concentración en cuatro variables: motivación, orientación vocacional,
creencias sobre la carrera y autorregulación del aprendizaje. La motivación y la
orientación vocacional fueron abordadas en 44 documentos cada una, mientras que
41 examinaron las expectativas o representaciones acerca de la carrera y 22
registraron los hábitos de estudio, la gestión del tiempo o las estrategias
autorregulatorias. La falta de motivación, la elección vocacional poco consolidada y la
discrepancia entre las expectativas iniciales y la experiencia universitaria estuvieron
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 54
Artículo Científico
Julio – Septiembre 2026
asociadas con el abandono. Otros 11 trabajos incorporaron el compromiso académico
y la salud mental, mientras que nueve analizaron las emociones académicas; estas
últimas variables presentaron menor frecuencia y una operacionalización más
heterogénea (Chiarino et al., 2024).
La evidencia específica de educación en línea e híbrida agregó cinco categorías
relacionadas con el componente digital. En una revisión de 110 artículos, los factores
motivacionales representaron 15 de los 59 factores identificados —25,4 %—; los
relacionados con el curso reunieron 12 —20,3 %—; los tecnológicos y demográficos
incluyeron 11 cada uno —18,6 %—; y los vinculados con el apoyo sumaron diez —
16,9 %—. El diseño, la organización y el contenido del curso aparecieron en 31
estudios, la satisfacción y el logro académico en 21, la motivación en 19 y la
autorregulación y las actividades de estudio en línea en 13 cada una. La calidad del
sistema y la conectividad a Internet fueron registradas en 11 trabajos respectivamente,
mientras que los problemas tecnológicos aparecieron en ocho (Rahmani et al., 2024).
Figura 1
Patrones de riesgo del abandono universitario en entornos híbridos
Nota: (Autores, 2026).
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 55
Artículo Científico
Julio – Septiembre 2026
La representación integró variables que operaron simultáneamente y mostró que las
mayores frecuencias no correspondieron exclusivamente a atributos personales. El
ingreso familiar y el desempeño académico coaparecieron dentro del nivel del
estudiante, mientras que las estrategias pedagógicas y la motivación conectaron los
niveles institucional e individual. En los entornos híbridos, la participación digital
también estuvo relacionada con la conectividad, la calidad del sistema, el diseño del
curso y la disponibilidad de tiempo para estudiar. Por tanto, una reducción de accesos
a la plataforma no constituyó por sí misma un patrón suficiente de abandono, sino que
formó parte de configuraciones que incluyeron rendimiento, trabajo, motivación y
condiciones institucionales. Los mapas de coocurrencia descartaron las relaciones
registradas en menos de cinco documentos, conservando únicamente los patrones de
mayor reiteración (Chiarino et al., 2024; Rahmani et al., 2024).
El hallazgo central quedó definido por la acumulación de riesgos académicos,
económicos, psicológicos, institucionales y tecnológicos, antes que por la presencia
aislada de una variable. El predominio del nivel sujeto —93,1 %— coexistió con una
participación considerable del nivel institucional —53,0 %— y del sistema educativo
—32,3 %—, mientras que los factores macrosociales fueron menos estudiados —4,1
%—. En la modalidad híbrida, los indicadores de actividad digital adquirieron sentido
al relacionarse con el diseño del curso, la motivación, el apoyo docente y el acceso
tecnológico. Los documentos revisados no ofrecieron medias, desviaciones estándar,
intervalos de confianza o valores p comparables para el conjunto de variables, por lo
que la síntesis se limitó a frecuencias, porcentajes y direcciones de asociación
expresamente reportadas (Chiarino et al., 2024; Ramirez Heredia & Carcausto-Calla,
2024; Rahmani et al., 2024).
2. Desempeño predictivo, explicabilidad y equidad de los modelos analizados
El subapartado respondió a los objetivos de determinar el desempeño predictivo de
los modelos, comparar las explicaciones globales y locales y describir la evaluación
de calibración y equidad. La síntesis se sustentó en un corpus de 75 estudios sobre
predicción del abandono universitario publicados entre 2019 y 2024, seleccionados a
partir de 301 registros inicialmente identificados. Debido al carácter documental de la
investigación, no se entrenó un modelo regional nuevo ni se calcularon métricas
adicionales sobre expedientes estudiantiles. Los resultados correspondieron, por
tanto, a los indicadores comunicados por las investigaciones primarias y a las
frecuencias consolidadas por la revisión examinada. Esta delimitación mantuvo la
correspondencia con los objetivos formulados en el documento compartido y permitió
diferenciar el rendimiento predictivo, la explicación de las decisiones y la evaluación
entre grupos (Khosravi et al., 2022; Lopez-Muñoz et al., 2026).
La distribución de los algoritmos mostró que los estudios probaron con mayor
frecuencia bosques aleatorios, regresión logística, árboles de decisión y XGBoost. Los
bosques aleatorios aparecieron en 61 de los 75 trabajos —81,3 %—, mientras que la
regresión logística se utilizó en 47 —62,7 %— y los árboles de decisión en 43 —57,3
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 56
Artículo Científico
Julio – Septiembre 2026
%—. XGBoost se registró en 34 investigaciones —45,3 %— y los métodos de stacking
en 16 —21,3 %—. Un mismo documento pudo evaluar varios algoritmos, de modo que
las frecuencias no constituyeron categorías excluyentes. Como se observa en la Tabla
2, las exactitudes medias más elevadas se concentraron en los métodos de ensamble,
aunque la disponibilidad de métricas no fue uniforme en todos los estudios (Lopez-
Muñoz et al., 2026).
Tabla 2
Frecuencia de utilización y exactitud media de los modelos predictivos analizados
Modelo predictivo
Estudios, n
Estudios, %
Exactitud media reportada, %
Bosque aleatorio
61
81,3
86,2
Regresión logística
47
62,7
79,3
Árboles de decisión
43
57,3
81,4
XGBoost
34
45,3
87,4
Gradient boosting
21
28,0
84,5
Máquina de vectores de soporte
19
25,3
80,1
Naive Bayes
18
24,0
76,2
Stacking ensemble
16
21,3
88,1
Clasificador por votación
8
10,7
85,3
Nota: Las frecuencias y los porcentajes superaron conjuntamente el total del corpus porque cada
estudio pudo comparar varios algoritmos. La exactitud media correspondió a la síntesis comunicada
por la revisión y no representó un metaanálisis ponderado por tamaño muestral (Lopez-Muñoz et al.,
2026) (Autores, 2026).
La comparación descriptiva confirmó una variación de 11,9 puntos porcentuales entre
la menor y la mayor exactitud media consignada en la Tabla 2. El método de stacking
alcanzó el valor más alto, con 88,1 %, seguido de XGBoost con 87,4 %, bosque
aleatorio con 86,2 % y clasificación por votación con 85,3 %. Entre los algoritmos
individuales, los árboles de decisión registraron 81,4 %, las máquinas de vectores de
soporte 80,1 % y la regresión logística 79,3 %. Naive Bayes presentó la exactitud
media más baja, equivalente al 76,2 %. Las redes neuronales basadas en
arquitecturas LSTM o CNN se situaron entre 82 % y 86 %, aunque su heterogeneidad
impidió integrarlas en una única categoría comparable con los nueve modelos de la
tabla (Lopez-Muñoz et al., 2026).
La evaluación temporal realizada en una institución europea aportó resultados
adicionales sobre discriminación y calibración a partir de 8.508 registros estudiantiles.
El conjunto de entrenamiento estuvo compuesto por 6.398 observaciones
correspondientes a las cohortes de 2013 a 2016, mientras que la prueba temporal
reunió 2.110 casos de la cohorte de 2017. CatBoost obtuvo una precisión media de
0,847 y un área bajo la curva de 0,774; la regresión logística alcanzó 0,799 y 0,734,
respectivamente. La proporción de graduación fue de 65 % en el conjunto de
entrenamiento y de 63 % en el conjunto de prueba. La calibración se examinó
mediante métodos isotónico y sigmoidal, y el procedimiento isotónico produjo una
separación más definida entre los grupos de probabilidad estimada (Nagy & Molontay,
2024).
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 57
Artículo Científico
Julio – Septiembre 2026
La dimensión de explicabilidad estuvo menos extendida que la evaluación de
exactitud, pues aproximadamente el 24 % de los 75 estudios incorporó técnicas
explícitas de XAI. Los procedimientos registrados comprendieron importancia por
permutación, gráficos de dependencia parcial y valores SHAP para la explicación
global, junto con SHAP y LIME para justificar predicciones individuales. En el estudio
de CatBoost, las variables de mayor contribución fueron el promedio de educación
secundaria, el desempeño en matemáticas, la asignatura elegida y el intervalo entre
la finalización escolar y el ingreso universitario. La evaluación de las representaciones
explicativas incluyó a diez responsables de educación superior y 42 estudiantes. En
una escala de cinco puntos, las medias alcanzaron 4,2 para interpretabilidad, 4,4 para
utilidad y 4,8 para calidad estética, mientras los gráficos de barras fueron valorados
como más fáciles de comprender que los diagramas de fuerza (Khosravi et al., 2022;
Nagy & Molontay, 2024).
El examen específico de un curso universitario híbrido incorporó 126 estudiantes y
comparó bosque aleatorio, XGBoost, red neuronal, regresión lineal y máquina de
vectores de soporte. Los registros se dividieron en 70 % para entrenamiento y 30 %
para prueba, preservando la separación entre las dos fases de modelización. El
bosque aleatorio presentó el menor error cuadrático medio, raíz del error cuadrático
medio y desviación absoluta media, además del mayor coeficiente de determinación
entre los cinco algoritmos. Las calificaciones formativas ocuparon el primer nivel de
importancia, seguidas por la publicación de aportes, la consulta de instrucciones y el
acceso a recursos de aprendizaje. Los foros de apoyo, la socialización, el número de
días activos, la duración de las sesiones y la navegación por cuestionarios mostraron
una contribución comparativamente menor (Saqr & López-Pernas, 2024).
Figura 2
Matriz de evaluación de modelos de abandono universitario
Nota: (Autores, 2026).
La matriz visual organizó los resultados en cuatro niveles que no aparecieron
evaluados con igual frecuencia en el corpus. El rendimiento se documentó mediante
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 58
Artículo Científico
Julio – Septiembre 2026
exactitud, precisión media, AUC y medidas de error, mientras que la explicabilidad se
concentró en una proporción menor de estudios. La calibración se comunicó de
manera específica en algunos modelos, pero no se encontró una serie homogénea
que permitiera calcular una media conjunta. La equidad se examinó principalmente
mediante la composición de las bases, el tratamiento del desequilibrio de clases y la
presencia de variables sociodemográficas. En conjunto, 68 % de los trabajos utilizó
información procedente de una sola institución, 64 % reconoció problemas de
transferencia y 42 % no incorporó la evolución temporal de las trayectorias (Lopez-
Muñoz et al., 2026).
La revisión de las predicciones individuales reveló diferencias que no quedaron
reflejadas por las métricas agregadas del mejor modelo. Seis de los 126 estudiantes
del curso híbrido presentaron errores superiores a diez puntos porcentuales entre la
calificación estimada y la observada. En este grupo, la puntuación predicha alcanzó
una media de 60,5 puntos y una desviación estándar de 5,1, mientras que la
calificación real registró una media de 44,8 y una desviación estándar de 6,7. En un
caso, el modelo estimó 69,66 puntos frente a un resultado real de 57; en otro, predijo
59 puntos frente a una calificación de 39. Las explicaciones locales de estos errores
se apoyaron con frecuencia en indicadores de participación pasiva y algunas curvas
de recomendación permanecieron prácticamente planas ante posibles modificaciones
de la actividad digital (Saqr & López-Pernas, 2024).
El análisis de equidad mostró que menos del 10 % de las investigaciones incorporó
variables interseccionales capaces de representar vulnerabilidades combinadas por
género, condición socioeconómica, pertenencia étnica u otras características. El
desequilibrio entre estudiantes que abandonaron y quienes permanecieron fue tratado
explícitamente en el 71 % de los estudios mediante remuestreo, ponderación de
clases o generación sintética de observaciones. Sin embargo, el mismo porcentaje del
corpus finalizó en la etapa de predicción y no comunicó una validación empírica de
intervenciones derivadas de las alertas. Tampoco se obtuvo una matriz comparable
de diferencias de sensibilidad, falsos positivos, calibración o puntuación F1 entre
grupos sociodemográficos y programas universitarios. El hallazgo central quedó
caracterizado, por tanto, por un desempeño predictivo agregado elevado —
especialmente entre los ensambles— y una cobertura documental menor de la
explicabilidad, la calibración, la equidad y la transferencia entre contextos (Lopez-
Muñoz et al., 2026).
4. Discusión
Los hallazgos permiten interpretar el abandono universitario en entornos híbridos
como un proceso configurado por la acumulación de condiciones académicas,
socioeconómicas, psicológicas, institucionales y tecnológicas, en correspondencia
con el objetivo de identificar los factores que sostienen el riesgo. Aunque el 93,1 % de
los estudios regionales examina variables del estudiante, la presencia de factores
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 59
Artículo Científico
Julio – Septiembre 2026
institucionales en el 53,0 % y del sistema educativo en el 32,3 % impide reducir el
fenómeno al rendimiento o a la motivación individual. Esta estructura coincide con la
perspectiva ecológica de Chiarino et al. (2024) y con la clasificación multidimensional
formulada por Ramirez Heredia y Carcausto-Calla (2024). A su vez, la evidencia sobre
educación digital confirma que la conectividad, el diseño del curso y el apoyo docente
modifican el significado de las huellas registradas en las plataformas. Por
consiguiente, una disminución de accesos o entregas sugiere riesgo únicamente
cuando se interpreta junto con la trayectoria académica, la situación económica y las
condiciones de participación del estudiante (Rahmani et al., 2024; Saqr et al., 2017).
La comparación de los modelos muestra que los métodos de ensamble alcanzan
exactitudes agregadas cercanas al 86–88 %, pero esta ventaja predictiva no se
acompaña de una evaluación equivalente de explicabilidad, calibración y equidad. El
hecho de que solo alrededor del 24 % de los estudios utilice técnicas explícitas de
inteligencia artificial explicable converge con Khosravi et al. (2022), quienes señalan
que una explicación educativa debe atender tanto al funcionamiento del algoritmo
como a las necesidades de sus destinatarios. Los resultados de Nagy y Molontay
(2024) respaldan la utilidad de combinar explicaciones globales y locales, aunque
también evidencian que su comprensión depende del formato de presentación y de la
experiencia del usuario. En contraste, los errores superiores a diez puntos
identificados en seis de 126 estudiantes muestran que una buena métrica global
puede ocultar predicciones individuales considerablemente desviadas. Este patrón
coincide con Saqr y López-Pernas (2024), para quienes la explicabilidad no garantiza
que los predictores utilizados sean pedagógicamente plausibles ni que las
recomendaciones resultantes sean efectivas.
Las implicaciones metodológicas indican que la evaluación de un sistema de alerta no
debería descansar exclusivamente en la exactitud, sino integrar discriminación,
sensibilidad, calibración, estabilidad temporal, interpretabilidad y distribución de
errores entre grupos. Esta necesidad adquiere relevancia práctica porque el 68 % de
los trabajos utiliza datos de una sola institución, el 64 % reconoce limitaciones de
transferencia y menos del 10 % incorpora variables interseccionales, lo que restringe
la aplicación de los modelos a poblaciones latinoamericanas heterogéneas (Lopez-
Muñoz et al., 2026). En términos institucionales, las predicciones podrían orientar
tutorías, apoyos académicos o ayudas económicas, pero requieren supervisión
humana y no deben transformarse en decisiones automáticas o etiquetas
permanentes (Khosravi et al., 2022; Pardo & Siemens, 2014). Estos resultados deben
interpretarse con cautela porque el estudio adopta un diseño cualitativo, documental
y transversal, depende de métricas reportadas de manera heterogénea y no entrena
ni valida un modelo con datos primarios. En consecuencia, las asociaciones
sintetizadas describen patrones recurrentes, pero no permiten establecer causalidad,
estimar efectos conjuntos ni confirmar la eficacia de las intervenciones derivadas de
las alertas (Flick, 2022; Morgan, 2022).
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 60
Artículo Científico
Julio – Septiembre 2026
La continuidad de esta línea exige estudios longitudinales y multicéntricos que
integren universidades, programas y modalidades híbridas de distintos países
latinoamericanos, con definiciones comparables de abandono y periodos de
seguimiento suficientemente amplios. También resulta necesario contrastar modelos
de ensamble con alternativas interpretables, evaluar la estabilidad de las
explicaciones globales y locales y comunicar sensibilidad, falsos positivos y
calibración de manera desagregada por género, condición socioeconómica y
pertenencia étnica. La validación futura debería avanzar desde la predicción hacia
intervenciones controladas, de modo que se determine si las alertas explicables
mejoran efectivamente la permanencia sin producir estigmatización o asignación
inequitativa de recursos (Lopez-Muñoz et al., 2026; Nagy & Molontay, 2024). En este
marco, la principal contribución del estudio consiste en vincular la naturaleza
multicausal del abandono con una evaluación más amplia de los modelos, donde
rendimiento, explicación, calibración y equidad constituyen dimensiones
complementarias. Así, se atiende la brecha regional identificada al proponer que las
huellas digitales se conviertan en información preventiva contextualizada,
comprensible y revisable, y no únicamente en probabilidades técnicamente precisas
(Chiarino et al., 2024; Khosravi et al., 2022).
5. Conclusiones
Dentro del alcance cualitativo, documental y transversal adoptado, los resultados
permiten concluir que una analítica del aprendizaje explicable orientada a predecir el
abandono universitario debe integrar información académica, socioeconómica,
psicológica, institucional y digital. Las huellas generadas en los entornos híbridos no
constituyen indicadores suficientes cuando se interpretan de manera aislada, porque
adquieren significado al relacionarse con la trayectoria y las condiciones de
participación del estudiante. Los modelos de ensamble presentan un desempeño
predictivo agregado elevado, cercano al 86–88 %, pero esta precisión no garantiza
explicaciones pertinentes ni decisiones institucionales justas. Por ello, el objetivo
general se alcanza en términos de sistematización de criterios para el desarrollo y
evaluación del modelo, no como validación empírica de una herramienta regional ya
implementada. Esta precisión resulta necesaria para mantener las conclusiones
dentro del alcance real del estudio.
En relación con los objetivos específicos, los hallazgos evidencian que el abandono
se configura mediante la acumulación de riesgos y no por una variable única o una
secuencia causal demostrada. Las condiciones del estudiante concentran la mayor
atención de la literatura, aunque los factores institucionales, tecnológicos y del sistema
educativo también explican diferencias relevantes en la continuidad universitaria.
Asimismo, los métodos predictivos más complejos superan descriptivamente a varios
algoritmos tradicionales, pero la explicabilidad se incorpora apenas en una proporción
reducida de las investigaciones analizadas. La calibración, la estabilidad temporal y la
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 61
Artículo Científico
Julio – Septiembre 2026
equidad tampoco se evalúan con la misma consistencia que la exactitud,
especialmente entre grupos sociodemográficos, programas y modalidades
educativas. En conjunto, esto sugiere que predecir, explicar e intervenir constituyen
procesos relacionados, pero metodológicamente distintos.
A partir de esta integración, el aporte principal del estudio consiste en proponer una
lectura multidimensional de la analítica explicable que combina rendimiento predictivo,
interpretación global y local, calibración, equidad y posibilidad de transferencia. Esta
perspectiva amplía el valor académico de los modelos al vincular las métricas
computacionales con la comprensión pedagógica del abandono. En el plano
institucional, los sistemas de alerta podrían apoyar la asignación oportuna de tutorías,
orientación académica y ayudas económicas, siempre que sus resultados sean
revisados por equipos responsables. También se observa que una explicación
comprensible no debe asumirse como garantía de justicia, debido a que puede
reproducir sesgos presentes en los datos o apoyarse en variables poco plausibles. La
contribución se concentra, por tanto, en orientar el uso preventivo y contextualizado
de la información sin convertir las predicciones en etiquetas permanentes.
La investigación futura debería validar estos criterios mediante estudios longitudinales
y multicéntricos que incorporen universidades, carreras y poblaciones diversas de
América Latina. Resultaría pertinente comparar modelos interpretables y de ensamble
mediante métricas homogéneas de discriminación, sensibilidad, calibración y
distribución de falsos positivos entre grupos sociales. También sería necesario evaluar
la estabilidad de las explicaciones durante distintos periodos académicos e integrar
variables interseccionales que permitan representar desigualdades acumuladas. Las
alertas deberían someterse posteriormente a evaluaciones de intervención para
determinar si contribuyen a la permanencia sin producir estigmatización ni
asignaciones inequitativas de recursos. De este modo, la principal contribución de la
investigación reside en establecer que la utilidad de la analítica explicable depende de
articular precisión técnica, sentido educativo y responsabilidad institucional frente al
abandono universitario.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Alyahyan, E., & Düştegör, D. (2020). Predicting academic success in higher education:
Literature review and best practices. International Journal of Educational
Technology in Higher Education, 17, Article 3. https://doi.org/10.1186/s41239-
020-0177-7
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 62
Artículo Científico
Julio – Septiembre 2026
Braun, V., & Clarke, V. (2021). Thematic analysis: A practical guide. SAGE
Publications. https://uk.sagepub.com/en-gb/eur/thematic-analysis/book248481
Chiarino, N., Rodríguez Enríquez, C., Curione, K., Machado, A., Bonilla, M., Aspirot,
L., Garófalo, L., & Olveira, B. (2024). Abandono y permanencia estudiantil en
universidades de Latinoamérica y el Caribe: Una revisión sistemática mixta.
Actualidades Investigativas en Educación, 24(2), 1–37.
https://doi.org/10.15517/aie.v24i2.57306
Escobar-Terán, H. E., Mendoza-Vargas, E. Y., Cedeño-Salazar, B. C., & Castillo-
Plaza, I. A. (2025). Educación superior inclusiva y diversidad funcional:
caracterización multidimensional en la Universidad Técnica Estatal de
Quevedo. Revista Científica Ciencia Y Método, 3(4), 470-489.
https://doi.org/10.55813/gaea/rcym/v3/n4/124
Ferreyra, M. M., Avitabile, C., Botero Álvarez, J., Haimovich Paz, F., & Urzúa, S.
(2017). At a crossroads: Higher education in Latin America and the Caribbean.
World Bank. https://doi.org/10.1596/978-1-4648-1014-5
Flick, U. (2022). An introduction to qualitative research (7.ª ed.). SAGE Publications.
https://uk.sagepub.com/en-gb/eur/an-introduction-to-qualitative-
research/book278983
Heredia, R. C. R., & Carcausto-Calla, W. (2024). Factors associated with student
dropout in Latin American universities: Scoping review. Journal of Educational
and Social Research, 14(2), 63–72. https://doi.org/10.36941/jesr-2024-0026
Herrera-Acosta, C. E., Rodríguez-Borja, P. A., Tituaña-Andrade, E. N., López-Torres,
A., & Defranc-Roca, S. (2026). Equidad e inclusión: análisis de las políticas
públicas para el acceso a salud, educación y trabajo de los grupos de atención
prioritaria. Revista Científica Zambos, 5(1), 97-
115. https://doi.org/10.69484/rcz/v5/n1/155
Herrera-Irazábal, E. G., Macías-Moreira, E. M., & Vinueza-Morales, M. G. (2026). Uso
de las metodologías activas y su relación con la innovación educativa en
estudiantes universitarios. Revista Científica Ciencia Y Método, 4(2), 160-
175. https://doi.org/10.55813/gaea/rcym/v4/n2/188
Inter-American Development Bank. (2021). Higher education digital transformation in
Latin America and the Caribbean.
https://publications.iadb.org/publications/english/document/Higher-Education-
Digital-Transformation-in-Latin-America-and-the-Caribbean.pdf
JBI. (2024). JBI manual for evidence synthesis. https://jbi-
global.atlassian.net/wiki/spaces/MANUAL
Khosravi, H., Shum, S. B., Chen, G., Conati, C., Tsai, Y.-S., Kay, J., Knight, S.,
Martinez-Maldonado, R., Sadiq, S., & Gašević, D. (2022). Explainable artificial
intelligence in education. Computers and Education: Artificial Intelligence, 3,
Article 100074. https://doi.org/10.1016/j.caeai.2022.100074
Kuckartz, U., & Rädiker, S. (2023). Qualitative content analysis: Methods, practice and
software (2.ª ed.). SAGE Publications. https://www.sagepub.com/shop/buy-a-
book/qualitative-content-analysis-2-282907
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 63
Artículo Científico
Julio – Septiembre 2026
Lopez-Muñoz, G. L., Gonzalez Serrano, C., & Sanchez-Ferreira, C. (2026). Student
dropout prediction in higher education: A systematic review of machine learning
methods and risk factors. Journal of Information Technology Education:
Research, 25, Article 20. https://doi.org/10.28945/5776
López-Sánchez, J. A., Morales-Chincha, J. A., Echeverri-Ocampo, C. D., &
Hernández-Ortiz, J. (2025). Articulación Universidad, Empresa y Estado, en
ecosistemas de ciencia, tecnología, innovación: revisión sistemática con
metodología prisma. Journal of Economic and Social Science Research, 5(3),
28-47. https://doi.org/10.55813/gaea/jessr/v5/n3/201
Morgan, H. (2022). Conducting a qualitative document analysis. The Qualitative
Report, 27(1), 64–77. https://doi.org/10.46743/2160-3715/2022.5044
Nagy, M., & Molontay, R. (2024). Interpretable dropout prediction: Towards XAI-based
personalized intervention. International Journal of Artificial Intelligence in
Education, 34, 274–300. https://doi.org/10.1007/s40593-023-00331-8
Pardo, A., & Siemens, G. (2014). Ethical and privacy principles for learning analytics.
British Journal of Educational Technology, 45(3), 438–450.
https://doi.org/10.1111/bjet.12152
Rahmani, A. M., Groot, W., & Rahmani, H. (2024). Dropout in online higher education:
A systematic literature review. International Journal of Educational Technology
in Higher Education, 21, Article 19. https://doi.org/10.1186/s41239-024-00450-
9
Ramirez Heredia, R. C., & Carcausto-Calla, W. (2024). Factors associated with student
dropout in Latin American universities: Scoping review. Journal of Educational
and Social Research, 14(2), 62–72. https://doi.org/10.36941/jesr-2024-0026
Samueza-Umaquinga, M. C., Medina-Macas, L. H., Padilla-Sevillano, J. A., Lema-
Pillajo, D. A., & Miranda-Asto, V. R. (2025). El impacto del Diseño Universal
para el Aprendizaje en la implementación de metodologías activas con apoyo
tecnológico. Revista Científica Ciencia Y Método, 3(4), 41-53.
https://doi.org/10.55813/gaea/rcym/v3/n4/91
Santos-Vera, P. Y., Campo-Yanez, M. G., Erazo-Loor, D. J., Oña-Suquillot, K. B., &
Mejia-Villacres, S. E. (2026). Inserciones escolares como estrategia de
adaptación curricular: evaluación de un modelo basado en DUA en aulas
diversas. Revista Científica Zambos, 5(1), 67-
80. https://doi.org/10.69484/rcz/v5/n1/151
Saqr, M., & López-Pernas, S. (2024). Why explainable AI may not be enough:
Predictions and mispredictions in decision making in education. Smart Learning
Environments, 11, Article 52. https://doi.org/10.1186/s40561-024-00343-4
Saqr, M., Fors, U., & Tedre, M. (2017). How learning analytics can early predict under-
achieving students in a blended medical education course. Medical Teacher,
39(7), 757–767. https://doi.org/10.1080/0142159X.2017.1309376
Suárez-González, S. O., Rodriguez-Moreano, R. P., Tobar-Rogel, M. F., Alvarez-
Ayala, D. M., & Castro-Sánchez, N. G. (2026). La integración de tecnologías
emergentes como IA y realidad virtual y su efecto en la motivación y el
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 64
Artículo Científico
Julio – Septiembre 2026
rendimiento de los estudiantes. Revista Científica Zambos, 5(1), 81-
96. https://doi.org/10.69484/rcz/v5/n1/152
Torres Roberto, M. A. (2021). Enseñanza y aprendizaje de la geometría en 3.º ESO a
través de la metodología taller educativo [Trabajo de fin de máster, Universidad
Internacional de La Rioja]. ResearchGate.
https://doi.org/10.13140/RG.2.2.24355.16163
Torres Roberto, M. A. (2024). Evaluación formativa continua en la educación
matemática: Enfoques en la enseñanza y aprendizaje del cálculo en educación
superior. Generis Publishing. https://generis-
publishing.com/book.php?title=strong-evaluacin-formativa-continua-en-la-
educacin-matemtica-strong-2356
Torres Roberto, M. A. (2025). Estrategias de aprendizaje y factores emocionales en
Cálculo Diferencial: Experiencias del estudiantado de ingeniería en Colombia.
Revista Actualidades Investigativas en Educación, 25(2), 1-34.
https://doi.org/10.15517/aie.v25i2.62607
Vimos-Buenaño, K. E., Viteri-Ojeda, J. C., Naranjo-Sánchez, M. J., & Novillo-Heredia,
K. H. (2024). Uso de la inteligencia artificial en los procesos de investigación
científica, por parte de los docentes universitarios. Journal of Economic and
Social Science Research, 4(4), 215–236.
https://doi.org/10.55813/gaea/jessr/v4/n4/143
Vinza-Coronel, C. G., Plúa-Panta, K. A., & Tenelema-Jiménez, I. E. (2026).
Reconocimiento organizacional y su relación con la satisfacción laboral en el
personal de servicios de una institución universitaria. Journal of Economic and
Social Science Research, 6(2), 101-
112. https://doi.org/10.55813/gaea/jessr/v6/n2/243
