Predicción y análisis de la deserción estudiantil en la Facultad de Ingeniería de la Universidad El Bosque mediante modelos avanzados de Machine Learning: Identificación de variables más influyentes, caracterización de graduados y no graduados, y detección temprana

Abstract

Este estudio presenta un enfoque mixto para predecir y analizar la deserción estudiantil en la Facultad de Ingeniería de la Universidad El Bosque, integrando técnicas supervisadas y no supervisadas de aprendizaje automático. Se utilizaron datos de 6 054 estudiantes (2008–2025) con variables sociodemográficas (género, estrato socioeconómico, jornada, tipo de estudiante y estado civil) y académicas (edad y semestres aprobados). El preprocesamiento incluyó imputación de valores faltantes mediante KNN, codificación ordinal y selección de atributos. Se entrenaron y compararon modelos supervisados (árboles de decisión, Random Forest, SVM, XGBoost y LightGBM) con validación cruzada estratificada. LightGBM obtuvo el mejor desempeño (F1-macro = 0,895; AUC = 0,95), destacándose por su bajo número de falsos negativos, ideal para alertas tempranas. La interpretabilidad del modelo se abordó con SHAP, que identificó como predictores clave los semestres aprobados, estrato, jornada, tipo de estudiante y edad. Complementariamente, se aplicó K-Modes (k = 7) para identificar siete perfiles estudiantiles con trayectorias y condiciones heterogéneas. El Análisis de Correspondencias Múltiples reforzó esta segmentación, visualizando asociaciones significativas entre categorías. Los perfiles resultantes incluyen grupos consolidados, como mujeres avanzadas con alto desempeño, y otros en riesgo, como jóvenes de estrato bajo o adultos en jornada nocturna. En conjunto, este marco metodológico permite anticipar riesgos de deserción, comprender la diversidad estudiantil y orientar decisiones institucionales. Su aplicación puede fortalecer políticas de retención, optimizar recursos y promover una educación más equitativa y basada en datos.