El machine learning para abordar el abandono escolar: Una revisión de los modelos más innovadores

Abstract

El objetivo de este estudio es analizar el papel del machine learning como herramienta innovadora para identificar, predecir y abordar el abandono escolar, evaluando los modelos más efectivos y su aplicación en contextos educativos. Para ello, se llevó a cabo una revisión sistemática en las bases de datos Scopus, Web of Science (WOS) y SciELO, utilizando la metodología PRISMA y adoptando un enfoque cualitativo y descriptivo. Los criterios de inclusión comprendieron trabajos publicados entre 2020 y 2024, estudios originales, artículos en inglés o español y documentos con texto completo que estuvieran directamente relacionados con el objetivo del estudio. Se emplearon palabras clave como "machine learning", "machine learning algorithms", "learning algorithms", "machine learning models", "learning models", "school dropout", "school abandonment", "student dropout", "student attrition". De los 773 documentos identificados, se eliminaron 753 por no cumplir con los criterios establecidos, resultando en 20 artículos seleccionados para su análisis. Los resultados muestran que modelos como las Redes Neuronales Artificiales (ANN), Vecinos Más Cercanos (KNN), Regresión Lineal (LR) y Árboles de Decisión (DT) han demostrado eficacia en la clasificación y predicción. El rendimiento académico previo es un predictor clave del abandono escolar, junto con factores como dificultades financieras y la falta de apoyo social, que afectan la permanencia de los estudiantes. En conclusión, el machine learning (ML) en la educación resalta su capacidad para identificar y prevenir el abandono escolar. Las técnicas de ML permiten a las instituciones predecir con precisión los riesgos de deserción y desarrollar intervenciones personalizadas para los estudiantes.