6
Modelo predictivo para la detección temprana de  
estudiantes con alto riesgo de deserción académica  
Kevin Rivera Vergaray  
Universidad Nacional Mayor de San  
Marcos  
kevin.rivera1@unmsm.edu.pe  
https://orcid.org/0000-0001-5393-4382  
ARK: ark:/42411/s6/a40  
PURL: 42411/s6/a40  
RECIBIDO 05/04/2021 ● ACEPTADO 08/06/2021 ● PUBLICADO 30/09/2021  
RESUMEN  
Se comparan los resultados de 4 modelos predictivos, de regresión logística, árboles de decisión,  
KNN y una red neuronal para predecir la deserción académica de estudiantes en la Universidad  
Nacional Intercultural de la Amazonía, aplicado a un dataset extraído de la base de datos del  
sistema de gestión académica de la universidad, que contiene datos socioeconómicos y de  
rendimiento académico los cuales fueron procesados y formateados utilizando técnicas de one  
hot encoding para así poder  
aplicar los modelos predictivos ya mencionados. Para el  
procesamiento y formateo de datos se utilizó consultas Transac Sql y la aplicación de los modelos  
predictivos se hizo a través del Software Knime y utilizando Python a través de Google Colab. Los  
resultados obtenidos al aplicar 4 modelos predictivos son muy buenos ya que todos superaron el  
8
0% de accuracy, lo cual garantiza que puedan ser puestos en producción para el beneficio de la  
universidad y así pueda tomar mejores decisiones a la hora de abordar la deserción académica.  
Se concluye que aplicar un modelo predictivo en las universidades para la detección temprana de  
estudiantes con alto riesgo de deserción académica es viable y muy beneficioso para que las  
universidades a través de sus gestores académicos puedan aplicar estrategias más focalizadas  
para reducir sus índices de deserción académica.  
Palabras claves: Deserción académica, Modelo predictivo, Dataset.  
ABSTRACT  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
7
The results of 4 predictive models, logistic regression, decision trees, KNN and a neural network  
are compared to predict the academic dropout of students at the National Intercultural University  
of the Amazon, applied to a dataset extracted from the system's database. of academic  
management of the university, which contains socioeconomic and academic performance data  
which were processed and formatted using one hot encoding techniques in order to apply the  
predictive models already mentioned. For data processing and formatting, Transac Sql queries  
were used and the application of predictive models was done through Knime Software and using  
Python through Google Colab. The results obtained by applying 4 predictive models are very good  
since they all exceeded 80% of Accuracy, which guarantees that they can be put into production  
for the benefit of the university and thus can make better decisions when addressing academic  
dropout. It is concluded that applying a predictive model in universities for the early detection of  
students with high risk of academic dropout is viable and very beneficial so that universities,  
through their academic managers, can apply more focused strategies to reduce their academic  
dropout rates.  
Keywords: Academic dropout, Dataset, Predictive model.  
INTRODUCCIÓN  
La deserción estudiantil universitaria no es un problema nuevo ni exclusivo del Perú. Este  
fenómeno se da en todo el mundo, es un viejo problema que tiene muchas variables y el cual no  
es preocupación exclusiva del mundo académico. La deserción estudiantil universitaria trae como  
consecuencia el aumento del número de alumnos con educación superior incompleta que se  
incorporan al mundo laboral y se convierten en sub empleados sin obtener los ingresos deseados;  
lo cual, perjudica al mismo estudiante, a sus familiares, al país y a la universidad pues esta ve  
afectado su presupuesto [1].  
No importa el tipo de universidad o casa de estudio. Hay factores muy comunes que disminuyen  
las tasas de retención estudiantil en la educación superior. Pueden ser problemas individuales o  
una mezcla de factores. Por eso, las facultades deben trabajarlas de manera adecuada para  
reducir la deserción [2].  
Actualmente el 40% de estudiantes de la UNIA son indígenas y el otro 60% de los estudiantes  
son mestizos (en su gran mayoría viven en el casco urbano) No se cuenta con información  
procesada de las deserciones por semestre académico. Se percibe la mayor cantidad de  
deserciones en las carreras de ingeniería, las principales causas, la dificultad de la carrera y la  
situación económica del estudiante. Es así que se pretende aplicar conceptos de machine learning  
y análisis de datos con la finalidad de predecir la deserción académica y así tomar las previsiones  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
8
necesarias para reducirla. En el presente artículo se utilizó la base de datos del Sistema de Gestión  
Académica de la UNIA.  
Materiales y métodos o Metodología computacional  
En el presente trabajo de probaron con 4 modelos predictivos de machine learning para poder  
predecir el riesgo de deserción académica.  
Deberá entenderse por deserción estudiantil o deserción académica, el abandono definitivo de las  
aulas de clase por diferentes razones y la no continuidad en la formación académica, que la  
sociedad quiere y desea en y para cada persona que inicia sus estudios universitarios [3].  
•
Regresión logística: La regresión logística es un instrumento estadístico de análisis  
multivariado, de uso tanto explicativo como predictivo. Resulta útil su empleo cuando  
se tiene una variable dependiente dicotómica (un atributo cuya ausencia o presencia  
hemos puntuado con los valores cero y uno, respectivamente) y un conjunto de  
variables predictoras o independientes, que pueden ser cuantitativas (que se  
denominan covariables o covariadas) o categóricas. En este último caso, se requiere  
que sean transformadas en variables “dummy”, es decir variables simuladas. El  
propósito del análisis consiste en: predecir la probabilidad de que a alguien le ocurra  
cierto “evento”: por ejemplo, estar desempleado =1 o no estarlo = 0, ser pobre = 1 o  
no pobre = 0, recibirse de sociólogo =1 o no recibirse = 0). Determinar que variables  
pesan más para aumentar o disminuir la probabilidad de que a alguien le suceda el  
evento en cuestión Esta asignación de probabilidad de ocurrencia del evento a un cierto  
sujeto, así como la determinación del peso que cada una de las variables dependientes  
en esta probabilidad, se basan en las características que presentan los sujetos a los  
que, efectivamente, les ocurren o no estos sucesos [4].  
•
Arboles de decisión: Los árboles de decisión proveen de una herramienta de  
clasificación muy potente. Su uso en el manejo de datos la hace ganar en popularidad  
dadas las posibilidades que brinda y la facilidad con que son comprendidos sus  
resultados por cualquier usuario. El árbol en sí mismo, al ser obtenidos, determinan una  
regla de decisión. Esta técnica permite:  
1. Segmentación: establecer que grupos son importantes para clasificar un cierto ítem.  
2. Clasificación: asignar ítems a uno de los grupos en que está particionada una  
población.  
3. Predicción: establecer reglas para hacer predicciones de ciertos eventos.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
9
4
5
6
•
. Reducción de la dimensión de los datos: Identificar qué datos son los importantes  
para hacer modelos de un fenómeno.  
. Identificación-interrelación: identificar que variables y relaciones son importantes  
para ciertos grupos identificados a partir de analizar los datos.  
. Recodificación: discretizar variables o establecer criterios cualitativos perdiendo la  
menor cantidad posible de información relevante [5].  
KNN: K-Nearest-Neighbor es un algoritmo basado en instancia de tipo supervisado de  
Machine Learning. Puede usarse para clasificar nuevas muestras (valores discretos) o  
para predecir (regresión, valores continuos). Al ser un método sencillo, es ideal para  
introducirse en el mundo del Aprendizaje Automático. Sirve esencialmente para  
clasificar valores buscando los puntos de datos “más similares” (por cercanía)  
aprendidos en la etapa de entrenamiento y haciendo conjeturas de nuevos puntos  
basado en esa clasificación [6].  
•
Red Neuronal: Las redes neuronales Artificiales (RNAs) son modelos computacionales  
como un intento de conseguir formalizaciones matemáticas acerca de la estructura del  
cerebro. Las RNAs imitan la estructura hadware del sistema nervioso, centrándose Enel  
funcionamiento el cerebro humano, basado en el aprendizaje a través de la experiencia,  
con la consiguiente extracción de conocimiento a partir de la misma [7].  
Para aplicar los modelos mencionados se utilizó un dataset, extraído a través de consultas SQL  
de la base de datos del sistema académico de la Universidad Nacional Intercultural de la  
Amazonía, dicho dataset este compuesto con datos registrados desde el 2005, en total se  
generaron 17 variables junto con el target “desercion”. La tabla de datos contiene 18 columnas  
y 5803 filas, con un peso de 680.2 kb.  
Tabla 1: Contenido de la data académica procesada  
N°  
1
Variable  
codigo  
Descripción  
Código que identifica al estudiante.  
2
3
sexo  
mestizo  
Sexo del estudiante, 1 es masculino y 0 femenino.  
Si el estudiante es mestizo 1 y si no lo es 0.  
4
indigena  
Si el estudiante es indigena 1 y si no lo es 0.  
5
pobre  
Si el estudiante es pobre 1 y si no lo es 0.  
6
7
pobre_extremo  
no_pobre  
educacion  
ingenieria  
matriculas  
Si el estudiante es pobre extremo 1 y si no lo es 0.  
Si el estudiante es No pobre 1 y si no lo es 0.  
Si el estudiante es de la facultad de educación 1 y si no lo es 0.  
Si el estudiante es de la facultad de ingeniería 1 y si no lo es 1.  
Número de matriculas que tiene el estudiante durante su estadía en la universidad.  
11  
12  
13  
14  
15  
16  
17  
18  
19  
matriculas_aprobadas Número de matriculas aprobadas que tiene el estudiante durante su estadía en la universidad.  
matriculas_desaprobadas Número de matriculas desaprobadas que tiene el estudiante durante su estadía en la universidad.  
egresado  
ponderado  
semestres  
desercion  
Si el estudiante es egresado 1 y si aun no lo es 0.  
Promedio ponderado acumulado del estudiante  
Numero de semestres que se ha ,atriculado el estudiante.  
1 si el estudiante deserto 0 si el estudiante no deserto.  
Fuente: Elaboración propia.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
10  
Para aplicar los modelos se utilizó el software KNIME y a través de Python usando Google Colab.  
Resultados y discusión  
Luego de aplicar y evaluar los modelos aplicados al conjunto de datos extraídos de la base de  
datos del sistema académico, los mejores resultados se obtuvieron con el KNN y el árbol de  
decisión. En el modelo KNN se obtuvo un accuracy de 88,844% y un error de 11,156%, y en el  
modelo de árbol de decisión se obtuvo un accuracy de 88,4% y un Error de 11,6%.  
A continuación, se detallan los resultados obtenidos por cada modelo aplicado.  
a) Regresión logística: Al aplicar regresión logística se obtuvo un accuracy de 84,57% y  
un error de 15,43%.  
Figura 1: Resultados obtenidos aplicando regresión logística.  
b) Árbol de decisión: Al aplicar arboles de decisión se obtuvo un accuracy de 88,4% y  
un Error de 11,6%.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
11  
Figura 2: Resultados obtenidos aplicando arboles de decisión.  
c) KNN: Al aplicar KNN se obtuvo un accuracy de 88,4% y un Error de 11,6%.  
Figura 3: Resultados obtenidos aplicando KNN.  
d) Red neuronal: Al aplicar la Red Neuronal se obtuvo un accuracy de 82,33% y un Error  
de 17,67%.  
Figura 4: Resultados obtenidos aplicando una red neuronal.  
Se puede ver que en los 4 modelos predictivos aplicados se obtuvieron un accuracy mayor al  
8
0%, lo cual en gran parte es por el trabajo previo que se realizó para preparar la data utilizada,  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
12  
en el cual se aplicaron técnicas de one hot encoding entre otros. Finalmente presentamos una  
comparación de los resultados obtenidos con los 4 modelos predictivos utilizados. Tabla 2: Cuadro  
comparativo de los resultados obtenidos.  
Tabla 2: Cuadro comparativo de los resultados obtenidos.  
Logistic  
Medida  
Decision Tree  
KNN  
Neural Network  
Regression  
84.57%  
15.43%  
80.80%  
82.40%  
80.80%  
87.30%  
Accuracy  
Error  
88.40%  
11.60%  
86.90%  
85.80%  
86.90%  
89.50%  
88.84%  
11.16%  
83%  
82.33%  
17.67%  
78.60%  
79.40%  
78.60%  
85.10%  
Recall  
Precision  
Sensitivity  
Specificity  
89.90%  
83%  
93.10%  
Fuente: Elaboración propia.  
Figura 5: Comparación de resultados obtenidos.  
CONCLUSIONES  
Se determina que el modelo de KNN y Arboles de decisión son los que describen un mayor ajuste  
de los datos analizados, estos modelos presentan un accuracy bastante aceptables de 88.844 %  
y 88.4%.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
13  
Los modelos predictivos aplicados a datos académicos, como en nuestro caso pueden ayudar en  
la generación de mejores estrategias para los problemas que aquejan a las universidades, sobre  
todo públicas, como es la deserción académica.  
El modelo debe analizar más datos referidos a la enseñanza no presencial implementada en las  
universidades a causa de la pandemia por el COVID-19, lo que posiblemente influya en los  
resultados obtenidos con la data utilizada.  
AGRADECIMIENTOS  
Mi agradecimiento al curso de Tópicos Avanzados en Ingeniería de Software de la Maestría en  
Ingeniería de Sistemas e Informática con mención en Ingeniería de Software en UNMSM. Mi  
mayor agradecimiento a mi familia.  
REFERENCIAS  
[1]  
T.  
Viale,  
«Enfoque  
UPC,»  
10  
enero  
2020.  
[En  
línea].  
Available:  
https://enfoque.upc.edu.pe/mas-temas/educacion/desercion-estudiantil-universitaria-  
accionamos-o-reaccionamos/.  
[2] uPlanner, «uPlanner,» 27 Marzo 2017. [En línea]. Available: https://uplanner.com/es/blog/8-  
causas-de-desercion-estudiantil-en-la-educacion-superior/.  
[3] Gabriel, Jaime, Páramo, Arturo y Correa, Deserción Estudiantil Universitaria.  
Conceptualización, Revista Universidad Eafit, 1999.  
[4] H. Chitarroni, La regresión logística, Buenos Aires: Instituto de Investigación en Ciencias  
Sociales, 2002.  
[5] C. N. Bouza y A. Santiago, MODELACIÓN MATEMÁTICA DE FENÓMENOS DEL MEDIO  
AMBIENTE Y LA SALUD, Mexico: Universidad Autónoma de Guerrero, 2012.  
[
[
6] aprendemachinelearning, «Clasificar con K-Nearest-Neighbor ejemplo en Python,» July 2018.  
En línea]. Available: https://www.aprendemachinelearning.com/clasificar-con-k-nearest-  
neighbor-ejemplo-en-python/.  
[7] R. F. López y J. M. F. Fernández, Las Redes Neuronales Artificiales - Fundamentos teoricos y  
aplicaciones prácticas., España: lorena bello, 2008.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935