Factores de deserción estudiantil y estrategias de retención en carreras universitarias de Ingeniería y Áreas Técnicas

• Rubio-Tobar, Xavier ^[1]
  1. [1] Universidad de Investigación e Innovación de México (UIIX). Escuela de Doctorado.
• Localización: Revista Científica FINIBUS - Ingeniería, Industria y Arquitectura: FINIBUS, ISSN-e 2737-6451, Vol. 8, Nº. 15, 2025 (Ejemplar dedicado a: Revista Científica FINIBUS - Ingeniería, Industria y Arquitectura), págs. 133-142
• Idioma: español
• Títulos paralelos:
  • Student Dropout Factors and Retention Strategies in Engineering and Technical University Degrees
• Enlaces
  • Texto completo
• Resumen
  • español

    La deserción estudiantil en la educación superior, particularmente en carreras de ingeniería y áreas técnicas, tiene implicaciones académicas, sociales y económicas ampliamente documentadas. Este estudio presenta una Revisión Sistemática de Literatura (SLR) basada en 57 artículos publicados entre 2000 y 2024 en la base de datos Scopus. A partir de la revisión, se evidenciaron factores relacionados con el abandono estudiantil y estrategias reportadas para mejorar la retención. Los hallazgos se agruparon en clústeres temáticos que destacan el uso de tecnologías de aprendizaje automático para predecir el riesgo académico, la influencia de factores socioeconómicos y psicosociales en la deserción, y la efectividad de políticas institucionales orientadas a la retención. La literatura señala que variables como el desempeño académico previo, la autoeficacia y el acceso a recursos económicos son predictores clave del abandono. Herramientas de analítica educativa, como algoritmos de aprendizaje profundo, han mostrado alta precisión en la identificación temprana de estudiantes en riesgo, aunque su implementación enfrenta limitaciones en contextos rurales o con infraestructura tecnológica insuficiente. Este análisis enfatiza la importancia de estrategias integrales que combinen enfoques tecnológicos, pedagógicos y psicosociales. Si bien las tecnologías avanzadas ofrecen ventajas notables, su efectividad y sostenibilidad dependen de su adaptabilidad a diferentes contextos y de la incorporación de factores humanos en los modelos predictivos.

  • English

    Student dropout in higher education, particularly in engineering and technical fields, entails well-documented academic, social, and economic implications. This study presents a Systematic Literature Review (SLR) based on 57 articles published between 2000 and 2024 from the Scopus database. The review identified factors associated with student attrition and documented strategies aimed at improving retention. Findings were organized into thematic clusters, highlighting the use of machine learning technologies to predict academic risk, the influence of socioeconomic and psychosocial factors on dropout rates, and the effectiveness of institutional policies in fostering retention. The literature indicates that variables such as prior academic performance, self-efficacy, and access to financial resources are key predictors of attrition. Educational analytics tools, such as deep learning algorithms, have demonstrated high accuracy in early identification of at-risk students; however, their implementation faces constraints in rural areas or settings with limited technological infrastructure. This analysis underscores the importance of integrated strategies that combine technological, pedagogical, and psychosocial approaches. While advanced technologies offer notable advantages, their effectiveness and sustainability depend on their adaptability to diverse contexts and the integration of human factors into predictive models.