Aplicación de Procesamiento de Lenguaje Natural y Análisis de Sentimientos en Registros Académico-Administrativos como Herramienta para el Estudio de la Deserción Estudiantil

John Jairo Castro Maldonado; Paula Andrea Rodríguez Marín; Juan David Martínez Vargas; Jennifer Andrea Londoño Gallego

Ayuda

Aplicación de Procesamiento de Lenguaje Natural y Análisis de Sentimientos en Registros Académico-Administrativos como Herramienta para el Estudio de la Deserción Estudiantil

Castro-Maldonado, John Jairo ^[3] ; Rodríguez-Marín, Paula Andrea ^[1] ; Martínez-Vargas, Juan David ^[2] ; Londoño-Gallego, Jennifer Andrea ^[3]
1. [1] Instituto Tecnológico Metropolitano
  
  Instituto Tecnológico Metropolitano
  
  Colombia
2. [2] Universidad EAFIT
  
  Universidad EAFIT
  
  Colombia
3. [3] Servicio Nacional de Aprendizaje SENA, Medellín, Colombia
Mostrar afiliaciones +
Localización: Respuestas, ISSN 0122-820X, ISSN-e 2422-5053, Vol. 31, Nº. 1, 2026 (Ejemplar dedicado a: ENERO - ABRIL 2026), págs. 62-74
Idioma: español
Títulos paralelos:
- Application of Natural Language Processing and Sentiment Analysis on Academic-Administrative Records as a Tool for Studying Student Dropout
Enlaces
- Texto completo (pdf)
Resumen
- español
  Este artículo presenta un enfoque basado en técnicas de procesamiento de lenguaje natural (PLN) y análisis de sentimientos aplicado a registros académico-administrativos en instituciones de formación profesional, con el objetivo de identificar patrones tempranos asociados a la deserción estudiantil. La investigación analizó 3.462 citaciones a Comités de Evaluación y Seguimiento de Aprendices (CESA) y 1.881 solicitudes de reversión de juicios evaluativos, generadas entre los años 2023 y 2025, empleando herramientas de la biblioteca NLTK (Natural Language Toolkit) en Python. Los resultados muestran que los motivos más frecuentes de citación se relacionan con inasistencia, bajo rendimiento académico y no presentación de evidencias, mientras que las solicitudes de reversión se vinculan con la aprobación de planes de mejoramiento y errores humanos. El análisis de sentimientos reveló una tendencia a la neutralidad en los comentarios de los instructores, lo cual sugiere objetividad en los procesos evaluativos. Además, se examinaron comentarios de aprendices que abandonaron voluntariamente su proceso formativo, evidenciando factores como desinterés, motivos personales y condiciones económicas. Estos hallazgos demuestran el potencial del PLN como herramienta de apoyo a la gestión educativa para la toma de decisiones preventivas orientadas a mejorar la permanencia estudiantil.
- English
  This article presents an approach based on natural language processing (NLP) techniques and sentiment analysis applied to academic-administrative records in vocational training institutions, with the aim of identifying early patterns associated with student dropout. The research analyzed 3,462 citations to Evaluation and Monitoring Committees (CESA) and 1,881 requests for reversal of evaluative judgments, generated between 2023 and 2025, using tools from the Natural Language Toolkit (NLTK) library in Python. The results show that the most frequent reasons for citations were related to absenteeism, low academic performance, and failure to submit evidence, while requests for reversal were mainly linked to the approval of improvement plans and human errors. Sentiment analysis revealed a tendency toward neutrality in instructors’ comments, suggesting objectivity in the evaluation processes. In addition, comments from students who voluntarily withdrew from their training programs were examined, highlighting factors such as lack of interest, personal reasons, and economic conditions. These findings demonstrate the potential of NLP as a support tool for educational management in making preventive decisions aimed at improving student retention.