Services on Demand
Journal
Article
Indicators
Cited by SciELO
Access statistics
Related links
Similars in
SciELO
Share
e-Revista Multidisciplinaria del Saber
On-line version ISSN 2960-2467
Abstract
TORRES LOPEZ, Casio Aurelio; PACHAS-HUAYTAN, Jorge Vladimir and ORTIZ FERNANDEZ, Jaime Humberto. Analítica predictiva mediante regresión logística para la intervención temprana en ingeniería. e-Rev. Multidiscip. Saber [online]. 2025, vol.3, e-RMS10112025. Epub Dec 10, 2025. ISSN 2960-2467. https://doi.org/10.61286/e-rms.v3i.299.
El bajo rendimiento académico y la deserción estudiantil constituyen un problema crítico y costoso en las carreras de ingeniería, afectando la calidad educativa y la eficiencia institucional. Las métricas descriptivas tradicionales, ofrecen una visión retrospectiva insuficiente para la intervención temprana y proactiva. Por ello, se propone la integración de la Analítica Predictiva como una obligación gerencial para diagnosticar el riesgo académico de manera anticipada, se sostiene que la Regresión Logística (RL) es la técnica estadística idónea para este propósito. Así, se justifica por su solidez matemática para modelar resultados binarios (éxito/fracaso) y su capacidad para transformar una combinación de factores multidimensionales (académicos, psicosociales y socioeconómicos) en una probabilidad cuantificada acotada entre 0 y 1. Crucialmente, la RL permite la interpretación del Odds Ratio, un estadístico que traduce la complejidad en una métrica gerencial, cuantificando cuánto aumenta o disminuye la probabilidad de éxito de un estudiante por cada predictor. Esta interpretabilidad es vital para la toma de decisiones, permitiendo a los gestores universitarios priorizar recursos de intervención de forma costo-efectiva. La creación de un Sistema de Alerta Temprana con umbrales de riesgo diferenciados, guiando estrategias personalizadas de apoyo (tutoría intensiva, soporte socioemocional). Se concluye que la RL representa el balance óptimo entre la solidez estadística y la eficiencia gerencial, sirviendo como el estándar de interpretabilidad contra el cual deben compararse futuros modelos de Machine Learning más complejos, asegurando que la analítica se mantenga como una herramienta ética y de apoyo para la mejora de la trayectoria estudiantil.
Keywords : regresión logística; rendimiento académico; deserción estudiantil; analítica predictiva; Odds Ratio; educación superior.












