Desarrollo de un modelo predictivo para la deserción temprana en estudiantes de primera matrícula en la Universidad Nacional Abierta y a Distancia de Colombia (UNAD)

• Autores: Miguel Andrés Heredia Ramos
• Directores de la Tesis: María José Bezanilla (dir. tes.), Héctor Galindo Domínguez (dir. tes.)
• Lectura: En la Universidad de Deusto ( España ) en 2025
• Idioma: español
• Programa de doctorado: Programa de Doctorado en Educación por la Universidad de Deusto
• Materias:
  • Pedagogía
    • Teoría y métodos educativos
      • Evaluación de alumnos
  • Psicología
    • Psicología experimental
      • Motivación
• Enlaces
  • Tesis en acceso abierto en: Deustoteka
• Resumen
  • español

    El presente estudio tiene como objetivo desarrollar un modelo predictivo que identifique los factores determinantes de la deserción temprana en estudiantes de primera matrícula en la Universidad Nacional Abierta y a Distancia de Colombia (UNAD), una de las instituciones más grandes del país con más de 250.326 estudiantes activos. Utilizando la metodología de Random Forest, se procesaron los datos de estudiantes inscritos en los cursos de formación interdisciplinar básica común (IBC) durante el año académico 2020. Se realizó un análisis detallado de las características académicas, socioeconómicas, tecnológicas y sociodemográficas para determinar su influencia en la retención o el abandono de los estudiantes.

    El uso de modelos de aprendizaje automático, específicamente Random Forest, permitió no solo identificar los factores críticos asociados a la deserción, sino también medir la importancia de cada variable en la retención estudiantil. Este enfoque resulta especialmente relevante en la educación a distancia, donde los desafíos del aprendizaje virtual requieren herramientas analíticas sólidas para guiar las estrategias de intervención. Los resultados mostraron que las variables de infraestructura tecnológica (como acceso a internet y electricidad), el rendimiento académico temprano y las condiciones socioeconómicas son las más influyentes en la deserción temprana.

    Este modelo ofrece a la UNAD una herramienta valiosa para desarrollar intervenciones dirigidas a mejorar la retención. La capacidad de identificar a los estudiantes en riesgo permite implementar estrategias de apoyo académico y tecnológico personalizadas, lo que puede incrementar las tasas de permanencia en la universidad. Además, se resalta la necesidad de fortalecer las políticas de acompañamiento y la comunicación con los estudiantes, para mitigar las barreras tecnológicas y socioeconómicas que afectan su permanencia.

    En conclusión, este estudio no solo contribuye a la literatura sobre la deserción en la educación a distancia, sino que también proporciona un marco práctico para la toma de decisiones en instituciones similares. Las implicaciones de los hallazgos son tanto teóricas como prácticas, brindando herramientas a docentes, administradores y responsables de políticas públicas para mejorar la retención y garantizar el éxito académico de los estudiantes en entornos de educación virtual.

  • English

    This study aims to develop a predictive model that identifies the key factors influencing early dropout among first-year students at the National Open and Distance University of Colombia (UNAD), one of the largest institutions in the country with more than 250,326 active students. Using the Random Forest methodology, data from students enrolled in the Basic Interdisciplinary Common Core (IBC) courses during the 2020 academic year were analyzed.

    The study provides a detailed examination of academic, socioeconomic, technological, and demographic characteristics to determine their impact on student retention or dropout. The use of machine learning models, specifically Random Forest, not only allowed the identification of critical factors associated with student dropout but also assessed the importance of each variable in influencing retention. This approach is particularly relevant in the context of distance education, where the challenges of virtual learning require robust analytical tools to guide intervention strategies. The results indicated that technological infrastructure variables, such as access to the internet and electricity, early academic performance, and socioeconomic conditions, were the most influential in early dropout.

    This model offers UNAD a valuable tool for designing targeted interventions to improve student retention. The ability to identify at-risk students enables the implementation of personalized academic and technological support strategies, potentially increasing the university's retention rates. Additionally, the findings emphasize the need to strengthen policies related to student support and communication, to mitigate the technological and socioeconomic barriers affecting their academic continuity.

    In conclusion, this study not only contributes to the literature on dropout in distance education but also provides a practical framework for decision-making in similar institutions. The implications of the findings are both theoretical and practical, offering tools to educators, administrators, and policymakers to improve retention and ensure the academic success of students in virtual learning environments.