Application of Machine Learning Models for Predicting School Dropout in Students from a Colombian Competency-based Education Institution
DOI:
https://doi.org/10.5281/zenodo.19690782Keywords:
Intention to Drop Out, Artificial Intelligence, Machine Learning, Education.Abstract
Student dropout is a structural challenge in Colombian higher education, particularly in contexts with rigid curricular and pedagogical systems where the implementation of timely preventive strategies is complex. This study develops and validates a hybrid machine learning model, based on the CRISP-DM methodology, that integrates supervised algorithms (Random Forest, Ridge, XGBoost, KNN) and unsupervised approaches (K-Means, DECLA), supported by dimensionality reduction and segmentation techniques (PCA, MCA). Using sociodemographic variables, academic performance indicators, and a specifically designed monitoring instrument, the models achieved high accuracy in anticipating dropout risk and segmenting students into profiles of high, medium, and low probability of withdrawal. Tree-based algorithms, particularly Random Forest, demonstrated the best performance, identifying critical predictors such as number of complaints, grade reversals, socioeconomic status, gender, and marital status. The main contribution of this work lies in moving predictive analytics from an experimental exercise to an institutional support system in competency-based higher education, where academic rigidity often limits early interventions. By anticipating dropout through real-time empirical evidence, the model enables the design of differentiated action pathways personalized tutoring, socioeconomic support, and curricular flexibility that complement long-term educational reforms. In this way, its relevance in higher education is justified as an innovative and evidence-based resource to strengthen student retention
References
Al Ka’bi, A. (2023). Proposed artificial intelligence algorithm and deep learning techniques for development of higher education. International Journal of Intelligent Networks, 4, 68-73. https://doi.org/10.1016/j.ijin.2023.03.002
Albán, M. y Mauricio, D. (2018). Decision Trees for the Early Identification of University Students at Risk of Desertion. International Journal of Engineering and Technology, 7(4.44), 51-54. https://doi.org/10.14419/ijet.v7i4.44.26862
Ali, J. A., Muse, A. H., Abdi, M. K., Ali, T. A., Muse, Y. H. y Cumar, M. A. (2025). Machine learning-driven analysis of academic performance determinants: Geographic, socio-demographic, and subject-specific influences in Somaliland’s 2022–2023 national primary examinations. International Journal of Educational Research Open, 8, 100426. https://doi.org/10.1016/j.ijedro.2024.100426
Améstica-Rivas, L., King-Domínguez, A., Sanhueza Gutiérrez, D. A. y Ramírez González, V. (2021). Efectos económicos de la deserción en la gestión universitaria: el caso de una universidad pública chilena. Hallazgos, 18(35), 209-231. https://doi.org/10.15332/2422409X.5772
Andrés Rico, P. (2022). Modelos predictivos progresivos del rendimiento académico de estudiantes universitarios. RIDE. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 12(24), e350. https://doi.org/10.23913/ride.v12i24.1196
Arnaud Bobadilla, A. J., Sánchez Villarreal, F., Galindo Miranda, N. E., Franco Bodek, D. y Ruiz Gutiérrez, R. (2022). Diagnóstico de las causas de rezago y deserción en alumnos de la Facultad de Ciencias de la UNAM. RIDE. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 12(24), e342. https://doi.org/10.23913/ride.v12i24.1181
Ayuso del Puerto, D. y Gutiérrez Esteban, P. (2022). La Inteligencia Artificial como recurso educativo durante la formación inicial del profesorado. RIED-Revista Iberoamericana de Educación a Distancia, 25(2), 347-362. https://doi.org/10.5944/ried.25.2.32332
Barrios-Tao, H., Díaz, V. y Guerra, Y. M. (2021). Propósitos de la educación frente a desarrollos de inteligencia artificial. Cadernos de Pesquisa, 51, e07767. https://doi.org/10.1590/198053147767
Barrios, I. (2023). Artificial intelligence and scientific writing: ethical aspects in the use of new technologies. Medicina Clínica y Social, 7(2), 46-47. https://doi.org/10.52379/mcs.v7i2.278
Bitencourt, W. A., Silva, D. M. y Xavier, G. d. C. (2022). ¿Puede la inteligencia artificial apoyar acciones contra la deserción escolar universitaria? Ensaio: Avaliação e Políticas Públicas em Educação, 30(116), 669-694. https://doi.org/10.1590/S0104-403620220003002854
Bolaño-García, M. y Duarte-Acosta, N. (2024). Una revisión sistemática del uso de la inteligencia artificial en la educación. Revista Colombiana de Cirugía, 39(1), 51-63. https://doi.org/10.30944/20117582.2365
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
Bressane, A., Spalding, M., Zwirn, D., Loureiro, A. I. S., Bankole, A. O., Negri, R. G., de Brito Junior, I., et al. (2022). Fuzzy Artificial Intelligence—Based Model Proposal to Forecast Student Performance and Retention Risk in Engineering Education: An Alternative for Handling with Small Data. Sustainability, 14(21), 14071. https://doi.org/10.3390/su142114071
Bustamante Bula, R. y Camacho Bonilla, A. (2024). Inteligencia artificial (IA) en las escuelas: una revisión sistemática (2019-2023). Enunciación, 29(1), 62-82. https://doi.org/10.14483/22486798.22039
Cabrales, R. A., Moreno, G. A., Trujillo, S. E., Londoño, J. F. y Patiño, V. M. (2022). Deserción, rezago estudiantil y egreso exitoso en 40 cohortes del Programa de Medicina de la Universidad Tecnológica de Pereira. Colombia. Iatreia, 35(3), 239-248. https://doi.org/10.17533/10.17533/udea.iatreia.133
Caceres-Correa, I. (2021). Acerca de la escolaridad a distancia y la deserción en pandemia. Utopía y Praxis Latinoamericana, 26(2), 11-12. https://www.redalyc.org/journal/279/27966514001/27966514001.pdf
Camargo García, A. J. (2020). Modelo para la predicción de la deserción de estudiantes de pregrado, basado en técnicas de minería de datos [Trabajo de grado - Maestría, Corporación Universidad de la Costa]. https://hdl.handle.net/11323/7077
Cardozo, S., Silveira, A. y Fonseca, B. (2022). Detección temprana del riesgo escolar. Predicción de trayectorias de rezago en la educación primaria en Uruguay mediante técnicas de machine learning. Revista Latinoamericana de Estudios Educativos, 52(2), 297-326. https://doi.org/10.48102/rlee.2022.52.2.391
Castillejos López, B. (2022). Inteligencia artificial y los entornos personales de aprendizaje: atentos al uso adecuado de los recursos tecnológicos de los estudiantes universitarios. Educación, 31(60), 9-24. https://doi.org/10.18800/educacion.202201.001
Castrillón, O. D., Sarache, W. y Ruiz-Herrera, S. (2020). Predicción del rendimiento académico por medio de técnicas de inteligencia artificial. Formación Universitaria, 13(1), 93-102. https://doi.org/10.4067/S0718-50062020000100093
Castro-Maldonado, J. J., Patiño-Murillo, J. A. y Camargo-Casallas, E. (2022). Aplicación de analítica de datos en la evaluación de los procesos de investigación aplicada y desarrollo experimental para fortalecer las competencias del siglo XXI en una institución de educación no formal. Respuestas, 27(2), 6-26. https://doi.org/10.22463/0122820X.3541
Chalpartar Nasner, L. T. M., Fernández Guzmán, A. M., Betancourth Zambrano, S. y Gómez Delgado, Y. A. (2022). Deserción en la población estudiantil universitaria durante la pandemia, una mirada cualitativa. Revista Virtual Universidad Católica del Norte, (66), 37-62. https://doi.org/10.35575/rvucn.n66a3
Christou, V., Tsoulos, I., Loupas, V., Tzallas, A. T., Gogos, C., Karvelis, P. S., Antoniadis, N., et al. (2023). Performance and early drop prediction for higher education students using machine learning. Expert Systems with Applications, 225, 120079. https://doi.org/10.1016/j.eswa.2023.120079
Contreras Bravo, L. E., Nieves-Pimiento, N. y Gonzalez-Guerrero, K. (2022). Prediction of University-Level Academic Performance through Machine Learning Mechanisms and Supervised Methods. Ingeniería, 28(1), e19514. https://doi.org/10.14483/23448393.19514
Coto Jiménez, M. (2021). Consideraciones para la incorporación de la Inteligencia Artificial en un programa de pregrado de Ingeniería Eléctrica. Actualidades Investigativas en Educación, 21(2), 529-555. https://doi.org/10.15517/aie.v21i2.44893
de Freitas e Silva, P. T. y Bezerra Sampaio, L. M. (2022). Student retention policies in higher education: reflections from a literature review for the Brazilian context. Revista de Administração Pública, 56(5), 603-631. https://doi.org/10.1590/0034-761220220034x
Delogu, M., Lagravinese, R., Paolini, D. y Resce, G. (2024). Predicting dropout from higher education: Evidence from Italy. Economic Modelling, 130, 106583. https://doi.org/10.1016/j.econmod.2023.106583
Di Paola Naranjo, A., Sánchez, S. y Pereno, G. L. (2022). Factores sociodemográficos que inciden en la retención de ingresantes a la universidad: un estudio exploratorio en la Licenciatura en Psicología de la Universidad Nacional de Córdoba (UNC). Revista Educación, 46(2), 209-226. https://doi.org/10.15517/revedu.v46i2.47784
Fernández-Martín, T., Solís-Salazar, M., Hernández-Jiménez, M. T. y Moreira-Mora, T. E. (2019). A Multinomial and Predictive Analysis of Factors Associated with University Dropout. Revista Electrónica Educare, 23(1), 73-97. https://doi.org/10.15359/ree.23-1.5
Flores, V., Heras, S. y Julian, V. (2022). Comparison of Predictive Models with Balanced Classes Using the SMOTE Method for the Forecast of Student Dropout in Higher Education. Electronics, 11(3), 457. https://doi.org/10.3390/electronics11030457
Forero-Corba, W. y Negre Bennasar, F. (2024). Técnicas y aplicaciones del Machine Learning e inteligencia artificial en educación: una revisión sistemática. RIED-Revista Iberoamericana de Educación a Distancia, 27(1), 209-253. https://doi.org/10.5944/ried.27.1.37491
Fuertes Arroyo, Y. N. y Uc Ríos, C. E. (2023). Aporte de las tecnologías de la información y la comunicación (TIC) para minimizar la deserción de carreras universitarias en tecnología. Revista Virtual Universidad Católica del Norte, (68), 4-36. https://doi.org/10.35575/rvucn.n68a2
Gaitas, S., Silva, J. C. y Poças, A. (2024). A latent class analysis on students’ beliefs about teachers’ practices enhancing their well being. Frontiers in Education, 9, 1252222. https://doi.org/10.3389/feduc.2024.1252222
García Esquirol, Ó. (2015). Futuro de la enseñanza médica: inteligencia artificial y big data. FEM: Revista de la Fundación Educación Médica, 18, s60-s61. https://doi.org/10.4321/S2014-98322015000300009
García Peñalvo, F. J., Llorens-Largo, F. y Vidal, J. (2024). La nueva realidad de la educación ante los avances de la inteligencia artificial generativa. RIED-Revista Iberoamericana de Educación a Distancia, 27(1), 9-39. https://doi.org/10.5944/ried.27.1.37716
Gil-Vera, V. D. y Quintero-López, C. (2021). Predicción del rendimiento académico estudiantil con redes neuronales artificiales. Información tecnológica, 32(6), 221-228. https://doi.org/10.4067/S0718-07642021000600221
Gonzalez Salas Duhne, P., Delgadillo, J. y Lutz, W. (2022). Predicting early dropout in online versus face-to-face guided self-help: A machine learning approach. Behaviour Research and Therapy, 159, 104200. https://doi.org/10.1016/j.brat.2022.104200
Gual-Sala, A. (2023). La inteligencia artificial y la educación médica (I): la revolución profesional. FEM: Revista de la Fundación Educación Médica, 26(2), 43-47. https://doi.org/10.33588/fem.262.1271
Gutierrez-Pachas, D. A., Garcia-Zanabria, G., Cuadros-Vargas, E., Camara-Chavez, G. y Gomez-Nieto, E. (2023). Supporting Decision Making Process on Higher Education Dropout by Analyzing Academic, Socioeconomic, and Equity Factors through Machine Learning and Survival Analysis Methods in the Latin American Context. Education Sciences, 13(2), 154. https://doi.org/10.3390/educsci13020154
Guzmán-Castillo, S., Körner, F., Pantoja-García, J. I., Nieto-Ramos, L., Gómez-Charris, Y., Castro-Sarmiento, A. y Romero Conrado, A. R. (2022). Implementation of a Predictive Information System for University Dropout Prevention. Procedia Computer Science, 198, 566-571. https://doi.org/10.1016/j.procs.2021.12.287
Henriquez Cabezas, N. y Vargas Escobar, D. (2022). Modelos predictivos de rendimiento y deserción académica en estudiantes de primer año de una universidad pública chilena. Revista de Estudios y Experiencias en Educación, 21(45), 299-316. https://doi.org/10.21703/0718-5162.v21.n45.2022.015
Hernández-Medina, P. y Ramírez-Torres, G. (2022). Evaluación de impacto del financiamiento educativo en la deserción y la graduación: un análisis de regresiones discontinuas. Revista Iberoamericana de Educación Superior, 13(37), 63-82. https://doi.org/10.22201/iisue.20072872e.2022.37.1304
Hernández Arias, A. (2023). La Inteligencia Artificial como herramienta de apoyo en las actividades de investigación. Compendium, 26(50), 1. https://doi.org/10.5281/zenodo.10268867
Hidalgo Suarez, C. G., Bucheli-Guerrero, V. A. y Ordóñez-Eraso, H. A. (2023). Artificial Intelligence and Computer-Supported Collaborative Learning in Programming: A Systematic Mapping Study. Tecnura, 27(75), 175-206. https://doi.org/10.14483/22487638.19637
Hoca, S. y Dimililer, N. (2025). A Machine Learning Framework for Student Retention Policy Development: A Case Study. Applied Sciences, 15(6), 2989. https://doi.org/10.3390/app15062989
Hoyos Osorio, J. K. y Daza Santacoloma, G. (2023). Predictive model to identify college students with high dropout rates. Revista Electrónica de Investigación Educativa, 25, e13. https://doi.org/10.24320/redie.2023.25.e13.5398
Ibarra-Vazquez, G., Ramírez-Montoya, M. S., Buenestado-Fernández, M. y Olague, G. (2023). Predicting open education competency level: A machine learning approach. Heliyon, 9(11), e20597. https://doi.org/10.1016/j.heliyon.2023.e20597
Incio-Flores, F. A., Capuñay-Sanchez, D. L. y Estela-Urbina, R. O. (2023). Artificial Neural Network Model to Predict Academic Results in Mathematics II. Revista Electrónica Educare, 27(1), 1-19. https://doi.org/10.15359/ree.27-1.14516
Jalón Arias, E., Ponce Ruiz, D., Arandia, J. C. y Arrias Añez, J. C. (2021). Las limitaciones de la aplicación de la inteligencia artificial al derecho y el futuro de la educación jurídica. Conrado, 17(83), 439-450. https://conrado.ucf.edu.cu/index.php/conrado/article/view/2116
Jimenez Chaves, V. E. y García Torres, M. (2019). Análisis de la Educación Inicial en Paraguay a través de las Técnicas de Aprendizaje Automático. Revista de la Sociedad Científica del Paraguay, 24(2), 293-304. https://doi.org/10.32480/rscp.2019-24-2.293-304
Juca-Maldonado, F. (2023). El impacto de la inteligencia artificial en los trabajos académicos y de investigación. Revista metropolitana de Ciencias aplicadas, 6(Suplemento 1), 289-296. https://doi.org/10.62452/8nww1k83
Kamata, A., Kara, Y., Patarapichayatham, C. y Lan, P. (2018). Evaluation of Analysis Approaches for Latent Class Analysis with Auxiliary Linear Growth Model. Frontiers in Psychology, 9, 130. https://doi.org/10.3389/fpsyg.2018.00130
Kordbagheri, A., Kordbagheri, M., Tayim, N., Fakhrou, A. y Davoudi, M. (2025). Using advanced machine learning algorithms to predict academic major completion: A cross-sectional study. Computers in Biology and Medicine, 184, 109372. https://doi.org/10.1016/j.compbiomed.2024.109372
Krüger, J. G. C., Britto, A. d. S. y Barddal, J. P. (2023). An explainable machine learning approach for student dropout prediction. Expert Systems with Applications, 233, 120933. https://doi.org/10.1016/j.eswa.2023.120933
Llanos Mosquera, J. M., Hidalgo Suarez, C. G. y Bucheli Guerrero, V. A. (2021). Una revisión sistemática sobre aula invertida y aprendizaje colaborativo apoyados en inteligencia artificial para el aprendizaje de programación. Tecnura, 25(69), 196-214. https://doi.org/10.14483/22487638.16934
Londoño-Gallego, J. A., Andrade-Martelo, I. C., Castro-Maldonado, J. J. y Reyes-Moreno, E. R. (2024). Aplicación de ChatGPT como innovación educativa en los procesos de enseñanza y aprendizaje en la formación por competencias: Un análisis aplicando técnicas de Machine Learning. Respuestas, 29(1), 52-66. https://doi.org/10.22463/0122820X.4254
Lopezosa, C. (2023). Generative Artificial Intelligence in Scientific Communication: Challenges and Opportunities. Revista de Investigacion E Innovacion en Ciencias de la Salud, 5(1), 1-5. https://doi.org/10.46634/riics.211
Lozano Treviño, D. y Maldonado Maldonado, L. (2022). Asociación entre factores institucionales y escolares con la propensión de deserción escolar en colegios militarizados. Revista de Estudios y Experiencias en Educación, 21(47), 287-306. https://doi.org/10.21703/0718-5162202202102147016
Magidson, J. y Vermunt, J. (2002). Latent class models for clustering: A comparison with K-means. Canadian Journal of Marketing Research, 20(1), 36-43. https://jeroenvermunt.nl/cjmr2002.pdf
Marrón Ramos, D. N., Reyes Valenzuela, R., González Torres, A., Juárez Rodríguez, R. y Mendoza Montero, F. Y. (2022). Evaluación de la deserción a nivel superior: dimensiones que inciden en carreras universitarias. RIDE. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 13(25). https://doi.org/10.23913/ride.v13i25.1269
Martínez, J. y Castillo, D. (2024). Prediction of student dropout using Artificial Intelligence algorithms. Procedia Computer Science, 251, 764-770. https://doi.org/10.1016/j.procs.2024.11.182
Matz, S. C., Bukow, C. S., Peters, H., Deacons, C., Dinu, A. y Stachl, C. (2023). Using machine learning to predict student retention from socio-demographic characteristics and app-based engagement metrics. Scientific Reports, 13(1), 5705. https://doi.org/10.1038/s41598-023-32484-w
Melchor, F., Conejero, J. M., Fernández-García, A. J., Sánchez-Figueroa, F. y Rodríguez-Echeverría, R. (2025). An empirical evaluation of clustering processes for early detection of university dropout. Research Square. https://doi.org/10.21203/rs.3.rs-6146415/v1
Múnera-Duque, A. (2023). Inteligencia artificial y cirugía. Revista Colombiana de Cirugía, 38(2), 231-232. https://doi.org/10.30944/20117582.2341
Mustofa, S., Emon, Y. R., Mamun, S. B., Akhy, S. A. y Ahad, M. T. (2025). A novel AI-driven model for student dropout risk analysis with explainable AI insights. Computers and Education: Artificial Intelligence, 8, 100352. https://doi.org/10.1016/j.caeai.2024.100352
Navarro Roldán, C. P. y Zamudio Sisa, L. E. (2021). Cuestionario de riesgo de deserción universitaria (CDUe) basado en el modelo ecológico. Tesis Psicológica, 16(1), 244-263. https://doi.org/10.37511/tesis.v16n1a12
Niyogisubizo, J., Liao, L., Nziyumva, E., Murwanashyaka, E. y Nshimyumukiza, P. C. (2022). Predicting student’s dropout in university classes using two-layer ensemble machine learning approach: A novel stacked generalization. Computers and Education: Artificial Intelligence, 3, 100066. https://doi.org/10.1016/j.caeai.2022.100066
Ocaña-Fernández, Y., Valenzuela-Fernández, L. A. y Garro-Aburto, L. L. (2019). Inteligencia artificial y sus implicaciones en la educación superior. Propósitos y Representaciones, 7(2), 536-568. https://doi.org/10.20511/pyr2019.v7n2.274
OECD. (2025, Septiembre 9). Education at a Glance 2025: Colombia. https://www.oecd.org/en/publications/education-at-a glance-2025_1a3543e2-en/colombia_32e069b7-en.html
Parkavi, R., Karthikeyan, P. y Abdullah, A. S. (2023). Predicting academic performance of learners with the three domains of learning data using neuro-fuzzy model and machine learning algorithms. Journal of Engineering Research, 12(3), 397–411. https://doi.org/10.1016/j.jer.2023.09.006
Pereira Santana, A. E. y Vidal Cortez, M. (2020). Deserción estudiantil en la educación superior: reflexiones sobre la gestión enfocada en la retención o la permanencia. Revista Educación, 45(1), 519-533. https://doi.org/10.15517/revedu.v45i1.40602
Pineda-Pertuz, C. M., Martinez, Y. y Diaz, I. (2022). Machine Learning algorithms to predict desertion in the faculty of Engineering Sciences at the Corporación Universitaria Antonio José de Sucre. IOP Conference Series: Materials Science and Engineering, 1253(1), 012013. https://doi.org/10.1088/1757-899X/1253/1/012013
Rabelo, A. M. y Zárate, L. E. (2025). A model for predicting dropout of higher education students. Data Science and Management, 8(1), 72-85. https://doi.org/10.1016/j.dsm.2024.07.001
Rodríguez Almazán, Y., Parra-González, E. F., Zurita-Aguilar, K. A., Mejía Miranda, J. y Bonilla Carranza, D. (2023). ChatGPT: La inteligencia artificial como herramienta de apoyo al desarrollo de las competencias STEM en los procesos de aprendizaje de los estudiantes. ReCIBE. Revista electrónica de Computación, Informática, Biomédica y Electrónica, 12(1), C5-12. https://doi.org/10.32870/recibe.v12i1.291
Rodríguez Chávez, M. H. (2021). Sistemas de tutoría inteligente y su aplicación en la educación superior. RIDE. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 11(22), e175. https://doi.org/10.23913/ride.v11i22.848
Rodríguez, P., Villanueva, A., Dombrovskaia, L. y Valenzuela, J. P. (2023). A methodology to design, develop, and evaluate machine learning models for predicting dropout in school systems: the case of Chile. Education and Information Technologies, 28(8), 10103-10149. https://doi.org/10.1007/s10639-022-11515-5
Saad, S., Yakut, Ö., Alzabidi, E. y F?nd?k, O. (2025). SOD-FE: A Supervised Outlier Detection and Feature Engineering Approach for Student Dropout Prediction. Research Square. https://doi.org/10.21203/rs.3.rs-6889300/v1
Sanhueza Gutiérrez, D., King-Domínguez, A. y Améstica-Rivas, L. (2021). Incidencia de la gestión universitaria en la deserción estudiantil de las universidades públicas en Chile. IE Revista de Investigación Educativa de la REDIECH, 12, e1270. https://doi.org/10.33010/ie_rie_rediech.v12i0.1270
Smith Uldall, J. y Gutiérrez Rojas, C. (2022). An Application of Machine Learning in Public Policy: Early Warning Prediction of School Dropout in the Chilean Public Education System. Multidisciplinary Business Review, 15(1), 20-35. https://doi.org/10.35692/07183992.15.1.4
Tete, M. F., Sousa, M. d. M., de Santana, T. S. y Silva, S. F. (2022). Aplicação de métodos preditivos em evasão no ensino superior: Uma revisão sistemática da literatura. Education Policy Analysis Archives, 30(149). https://doi.org/10.14507/epaa.30.6845
Treviño, M., Ibarra, S., Castán, J., Laria, J. y Guzmán, J. (2013). A Framework to avoid Scholar Desertion using Artificial Intelligence. En Proceedings of the World Congress on Engineering (Vol. 3, pp. 1493-1497). International Association of Engineers London. https://www.iaeng.org/publication/WCE2013/WCE2013_pp1493-1497.pdf
Valero Cajahuanca, J. E., Navarro Raymundo, Á. F., Larios Franco, A. C. y Julca Flores, J. D. (2022). Deserción universitaria: Evaluación de diferentes algoritmos de Machine Learning para su predicción. Revista de Ciencias Sociales, 28(3), 362-375. https://doi.org/10.31876/rcs.v28i3.38480
Vidal Ledo, M. J., Madruga González, A. y Valdés Santiago, D. (2019). Inteligencia artificial en la docencia médica. Educación Médica Superior, 33(3). http://scielo.sld.cu/pdf/ems/v33n3/1561-2902-ems-33-03-e1970.pdf
Viloria, A., Pineda Lezama, O. B. y Varela, N. (2019). Bayesian Classifier Applied to Higher Education Dropout. Procedia Computer Science, 160, 573-577. https://doi.org/10.1016/j.procs.2019.11.045
Zimányi, K., Montes Ortiza, A., Houde, P. M. A. y Richter, K. G. (2022). Deserción escolar en dos licenciaturas en la enseñanza de lenguas: un estudio de caso en una universidad pública en México. Revista de la Educación Superior, 51(203), 89-116. https://doi.org/10.36857/resu.2022.203.2220
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Comunicar
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
