Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
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 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 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, 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 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).
Resultados
Tabla 1 Integración de variables en modelos predictivos de deserción
| 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 2 Modelos predictivos de deserción
| 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 3 Integración de variables en modelos predictivos de DE
| 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 |
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. 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 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 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.
