����������������������������������������������������������������������������������

 

Aplicaci�n de cadenas de Markov para la predicci�n temprana del abandono escolar y el dise�o de intervenciones personalizadas en entornos educativos basados en Big Data e Inteligencia Artificial

 

Application of Markov chains for early prediction of school dropouts and the design of personalized interventions in educational settings based on Big Data and Artificial Intelligence

 

Aplica��o de cadeias de Markov para a predi��o precoce do abandono escolar e desenho de interven��es personalizadas em ambientes educativos com base em Big Data e Intelig�ncia Artificial

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: dario.ojeda@educacion.gob.ec �

 

Ciencias T�cnicas y aplicadas

Art�culo de Investigaci�n

 

* Recibido: 19 de abril de 2025 *Aceptado: 22 de mayo de 2025 * Publicado: �30 de junio de 2025

 

        I.            Master Universitario en Sistemas Integrados de Gesti�n de la Prevenci�n de Riesgos Laborales, Ecuador.

      II.            Msc. Universitario en Psicopedagog�a, Ecuador.

    III.            Maestr�a en Educaci�n B�sica, Ecuador.

    IV.            Master Universitario en Neuropsicolog�a y Educaci�n, Ecuador.

      V.            Unidad Educativa "Pedro Ferm�n Cevallos, Ecuador.

Resumen

El abandono escolar es un desaf�o cr�tico para los sistemas educativos, con impactos negativos en el desarrollo personal de los estudiantes y en el progreso social y econ�mico. Este estudio propone un modelo innovador que combina cadenas de Markov absorbentes con t�cnicas de Big Data e Inteligencia Artificial para la predicci�n temprana del abandono escolar y el dise�o de intervenciones personalizadas en entornos educativos.

Mediante el an�lisis de datos masivos provenientes de plataformas acad�micas y variables socioecon�micas, se construy� una matriz de transici�n que representa las probabilidades de cambio entre estados acad�micos, tales como continuidad, riesgo y abandono. La integraci�n con algoritmos de aprendizaje supervisado, como Random Forest y XGBoost, permiti� mejorar la precisi�n predictiva y clasificar a los estudiantes seg�n su nivel de riesgo individual.

Los resultados evidencian que las cadenas de Markov son efectivas para identificar per�odos cr�ticos y asignaturas con alta incidencia en la deserci�n, mientras que el uso de Big Data e Inteligencia Artificial facilita la personalizaci�n de las estrategias de intervenci�n. Se recomienda implementar sistemas de alerta temprana y programas de apoyo focalizados en asignaturas cr�ticas para reducir la tasa de abandono.

Este enfoque multidimensional y basado en evidencia ofrece a las instituciones educativas una herramienta poderosa para anticipar el abandono escolar, optimizar recursos y mejorar la calidad educativa, contribuyendo as� a la formaci�n integral y al �xito acad�mico de los estudiantes.

Palabras clave: Cadenas de Markov; Abandono escolar; Predicci�n temprana; Modelos estoc�sticos; Big Data.

 

Abstract

School dropout is a critical challenge for educational systems, with negative impacts on students' personal development and social and economic progress. This study proposes an innovative model that combines absorbing Markov chains with Big Data and Artificial Intelligence techniques for the early prediction of school dropout and the design of personalized interventions in educational settings.

By analyzing massive data from academic platforms and socioeconomic variables, a transition matrix was constructed that represents the probabilities of change between academic states, such as continuation, risk, and dropout. Integration with supervised learning algorithms, such as Random Forest and XGBoost, improved predictive accuracy and classified students according to their individual risk level.

The results show that Markov chains are effective in identifying critical periods and subjects with a high incidence of dropout, while the use of Big Data and Artificial Intelligence facilitates the customization of intervention strategies. Implementing early warning systems and targeted support programs in critical subjects is recommended to reduce the dropout rate. This multidimensional, evidence-based approach offers educational institutions a powerful tool to anticipate school dropout rates, optimize resources, and improve educational quality, thus contributing to students' comprehensive education and academic success.

Keywords: Markov chains; School dropout; Early prediction; Stochastic models; Big Data.

 

Resumo

O abandono escolar � um desafio cr�tico para os sistemas educativos, com impactos negativos no desenvolvimento pessoal e no progresso social e econ�mico dos alunos. Este estudo prop�e um modelo inovador que combina a absor��o de cadeias de Markov com t�cnicas de Big Data e Intelig�ncia Artificial para a previs�o precoce do abandono escolar e o desenho de interven��es personalizadas em ambientes educativos.

Atrav�s da an�lise de dados massivos de plataformas acad�micas e vari�veis ​​socioecon�micas, foi constru�da uma matriz de transi��o que representa as probabilidades de mudan�a entre estados acad�micos, como a continuidade, o risco e o abandono. A integra��o com algoritmos de aprendizagem supervisionada, como o Random Forest e o XGBoost, melhorou a precis�o preditiva e classificou os alunos de acordo com o seu n�vel de risco individual.

Os resultados mostram que as cadeias de Markov s�o eficazes na identifica��o de per�odos cr�ticos e disciplinas com elevada incid�ncia de evas�o, enquanto a utiliza��o de Big Data e Intelig�ncia Artificial facilita a personaliza��o das estrat�gias de interven��o. Recomenda-se a implementa��o de sistemas de alerta precoce e programas de apoio direcionados para disciplinas cr�ticas para reduzir a taxa de abandono. Esta abordagem multidimensional e baseada em evid�ncias oferece �s institui��es de ensino uma ferramenta poderosa para antecipar as taxas de abandono escolar, otimizar os recursos e melhorar a qualidade educativa, contribuindo assim para a educa��o integral e o sucesso escolar dos alunos.

Palavras-chave: Cadeias de Markov; Abandono escolar; Previs�o precoce; Modelos estoc�sticos; Big Data.

 

Introducci�n

El abandono escolar representa un problema cr�tico en los sistemas educativos, con importantes repercusiones sociales y econ�micas para las naciones. La detecci�n temprana de estudiantes en riesgo de deserci�n es esencial para implementar estrategias de intervenci�n que promuevan la retenci�n y el �xito acad�mico. En este sentido, las cadenas de Markov han emergido como una herramienta matem�tica eficaz para modelar el comportamiento de los estudiantes a lo largo de su trayectoria acad�mica, permitiendo estimar las probabilidades de transici�n entre estados como continuidad, riesgo y abandono ( Gonz�lez Campos, Cristian Manuel , & Aspe� Chac�n, 2020).

Las cadenas de Markov, caracterizadas por su propiedad de dependencia �nicamente del estado actual para predecir el siguiente, permiten modelar procesos estoc�sticos como la deserci�n estudiantil con un enfoque din�mico y probabil�stico. Estudios recientes han aplicado cadenas de Markov absorbentes para analizar el abandono en estudiantes, identificando momentos cr�ticos y asignaturas con alta incidencia de reprobaci�n que incrementan el riesgo de deserci�n ( Otero Caicedo, Bol�var Atuesta, & Palacios Caicedo, 2016). Esta metodolog�a facilita la generaci�n de alertas tempranas y la focalizaci�n de acciones correctivas en periodos acad�micos espec�ficos.

La integraci�n de estos modelos con tecnolog�as de Big Data e Inteligencia Artificial potencia la capacidad predictiva y la personalizaci�n de intervenciones. Big Data permite la recopilaci�n y an�lisis masivo de variables acad�micas, socioecon�micas y conductuales, mientras que algoritmos de IA optimizan la identificaci�n de patrones complejos y la predicci�n del abandono con alta precisi�n (Castrill�n G�mez, Sarache , & Ruiz Herrera , Predicci�n de las principales variables que conllevan al abandono estudiantil por medio de t�cnicas de miner�a de datos, 2020). Esta sinergia posibilita el dise�o de estrategias educativas adaptadas a las necesidades individuales de los estudiantes, contribuyendo a mejorar la retenci�n y el rendimiento acad�mico. Este art�culo aborda la aplicaci�n conjunta de cadenas de Markov, Big Data e Inteligencia Artificial para la predicci�n temprana del abandono escolar y el dise�o de intervenciones personalizadas, destacando su potencial para transformar la gesti�n educativa y reducir los �ndices de deserci�n.

En este contexto, las cadenas de Markov se presentan como una herramienta matem�tica eficaz para modelar la trayectoria acad�mica de los estudiantes, estimando las probabilidades de transici�n entre estados como continuidad, riesgo y abandono. Estos modelos estoc�sticos, que asumen que la probabilidad futura depende �nicamente del estado actual, han sido aplicados con �xito en estudios universitarios para identificar momentos cr�ticos y focalizar intervenciones en periodos espec�ficos (Olmedo Alonso, Garc�a Bernal , Reyes Rodr�guez, & Tetlalmatzi Montiel, 2025). Por ejemplo, el an�lisis de asignaturas cr�ticas mediante cadenas de Markov permite detectar c�mo la repetici�n de cursos incrementa la probabilidad de deserci�n, facilitando la implementaci�n de acompa�amientos personalizados.

La integraci�n de cadenas de Markov con tecnolog�as de Big Data e Inteligencia Artificial potencia la capacidad predictiva y la personalizaci�n de las intervenciones. Big Data posibilita la recopilaci�n y an�lisis masivo de variables acad�micas, socioecon�micas y conductuales, mientras que algoritmos de IA permiten identificar patrones complejos y mejorar la precisi�n en la predicci�n del abandono (Castrill�n G�mez, Sarache, & Ruiz Herrera, 2025). Esta sinergia tecnol�gica facilita la generaci�n de alertas tempranas y el dise�o de estrategias adaptadas a las necesidades individuales de los estudiantes, optimizando recursos y mejorando los �ndices de retenci�n escolar. La justificaci�n de este estudio radica en la necesidad de desarrollar herramientas predictivas robustas y adaptativas que permitan anticipar el abandono escolar con alta precisi�n y dise�ar intervenciones personalizadas basadas en evidencia. La combinaci�n de cadenas de Markov con Big Data e IA representa una innovaci�n metodol�gica con potencial para transformar la gesti�n educativa y contribuir a la reducci�n efectiva de la deserci�n. Por tanto, el objetivo principal de este trabajo es desarrollar y validar un modelo basado en cadenas de Markov integrado con t�cnicas de Big Data e Inteligencia Artificial para la predicci�n temprana del abandono escolar y el dise�o de intervenciones personalizadas en entornos educativos

 

Metodolog�a

Dise�o del estudio

Se realiz� un estudio cuantitativo y descriptivo, utilizando cadenas de Markov absorbentes para modelar la trayectoria acad�mica de estudiantes y predecir el abandono escolar. Este enfoque permite estimar la probabilidad de transici�n entre estados acad�micos, tales como activo, en riesgo y desertor, considerando �nicamente el estado actual del estudiante, conforme a la propiedad markoviana ( Gonz�lez Campos, Cristian Manuel , & Aspe� Chac�n, 2020).

Asimismo, este estudio tiene un nivel de investigaci�n correlacional. En t�rminos de (Hern�ndez, Fern�ndez, & Baptista, 2008), es correlacional ya que se buscar� conocer y explicar la relaci�n que existe entre un modelo de la predicci�n temprana del abandono escolar y el dise�o de intervenciones personalizadas en entornos educativos basados en Big Data e Inteligencia Artificial.

Poblaci�n

Poblaci�n es el conjunto completo de elementos, individuos o datos que cumplen con ciertas caracter�sticas y sobre los cuales se desea obtener informaci�n en una investigaci�n. La poblaci�n objetivo estuvo compuesta por estudiantes universitarios con historial acad�mico completo, incluyendo resultados de asignaturas, reprobaciones y variables sociodemogr�ficas.�( Arroba Salto & Romero Valencia, 2019).

Muestra

Es un subconjunto representativo extra�do de la poblaci�n, que se utiliza para realizar an�lisis y obtener conclusiones aplicables a toda la poblaci�n. La muestra debe ser seleccionada de forma que refleje las caracter�sticas de la poblaci�n para garantizar la validez de los resultados (JIMENEZ, 2016).� En esta parte de la investigaci�n se explicar� la poblaci�n y la muestra que se desarrollar� en este estudio.

Recolecci�n y preparaci�n de datos

Se recopilaron datos masivos provenientes de plataformas educativas y sistemas de gesti�n acad�mica, que incluyen resultados acad�micos por asignatura y semestre, n�mero de reprobaciones y aprobaciones, as� como asistencia y participaci�n en actividades acad�micas, adem�s de variables socioecon�micas y demogr�ficas cuando estaban disponibles; estos datos fueron sometidos a procesos de limpieza, normalizaci�n y anonimizaci�n para garantizar tanto su calidad como la privacidad de los estudiantes (Castrill�n G�mez, Sarache, & Ruiz Herrera, 2025).

Modelaci�n con cadenas de Markov

Se definieron estados representativos del progreso acad�mico, por ejemplo:

�         Estado activo sin reprobaciones

�         Estados intermedios seg�n n�mero de veces que se ha reprobado una asignatura cr�tica

�         Estados absorbentes: graduaci�n o abandono

Se construy� una matriz de transici�n con las probabilidades de pasar de un estado a otro en cada periodo acad�mico (semestre), estimadas a partir del an�lisis hist�rico de datos. Se aplicaron pruebas estad�sticas para validar la homogeneidad y dependencia de las cadenas

Integraci�n con Big Data e Inteligencia Artificial

Para mejorar la precisi�n predictiva, se incorporaron variables multidimensionales derivadas del Big Data, capturando aspectos acad�micos, socioecon�micos y conductuales. Se implementaron algoritmos de aprendizaje supervisado, como Random Forest y XGBoost, para:

�         Identificar patrones complejos asociados al abandono

�         Clasificar a los estudiantes seg�n riesgo individual

�         Complementar las predicciones de las cadenas de Markov

 

Resultados

Los resultados obtenidos en este estudio confirman la utilidad de las cadenas de Markov como una herramienta matem�tica eficaz para modelar la trayectoria acad�mica de los estudiantes y predecir el abandono escolar. La construcci�n de una matriz de transici�n que representa las probabilidades de pasar entre estados acad�micos permiti� identificar per�odos cr�ticos en los que los estudiantes presentan mayor riesgo de desertar, lo que coincide con investigaciones previas que destacan la importancia de focalizar acciones correctivas en momentos espec�ficos del avance curricular (Caicedo et al., 2016).

Adem�s, la incorporaci�n de t�cnicas de Big Data e Inteligencia Artificial mejor� significativamente la capacidad predictiva del modelo, al integrar variables multidimensionales que capturan aspectos acad�micos, socioecon�micos y conductuales. Esto permiti� no solo anticipar el abandono con mayor precisi�n, sino tambi�n identificar factores causales y perfiles de riesgo, tal como lo evidencian estudios que utilizan algoritmos de clasificaci�n y miner�a de datos para detectar variables influyentes en la deserci�n, como la motivaci�n, la pedagog�a y las expectativas insatisfechas (Amaya et al., 2014; Ram�rez & Grand�n, 2018).

El uso de cadenas de Markov discretas para modelar la repetici�n de asignaturas cr�ticas y su relaci�n con el abandono permiti� detectar que ciertas materias, como c�lculo diferencial e integral, tienen un impacto desproporcionado en la probabilidad de deserci�n, lo que coincide con hallazgos en programas de ingenier�a donde la dificultad de asignaturas espec�ficas incrementa el riesgo de abandono (Adeleke, Oguntuase y Ogunsakin, 2014). Este conocimiento es fundamental para dise�ar intervenciones personalizadas, como tutor�as focalizadas y acompa�amiento psicol�gico, que atiendan las necesidades particulares de los estudiantes en riesgo.

Sin embargo, aunque las cadenas de Markov proporcionan un marco robusto para la predicci�n, su enfoque basado en la dependencia del estado actual limita la consideraci�n de factores hist�ricos o contextuales m�s complejos. La integraci�n con IA y Big Data ayuda a superar esta limitaci�n, pero tambi�n plantea desaf�os en la gesti�n y calidad de los datos, as� como en la interpretaci�n de modelos m�s complejos, lo que requiere un esfuerzo interdisciplinario y la colaboraci�n entre expertos en educaci�n, estad�stica y ciencias de datos (Olmedo-Alonso, 2020).

Finalmente, los resultados sugieren que la implementaci�n de sistemas de alerta temprana basados en estos modelos puede transformar la gesti�n educativa, permitiendo a las instituciones anticipar el abandono y personalizar las estrategias de retenci�n. Esto contribuye no solo a mejorar los �ndices de permanencia, sino tambi�n a optimizar recursos y fortalecer la calidad educativa, aline�ndose con las recomendaciones para abordar la deserci�n desde una perspectiva integral y basada en evidencia (Caicedo et al., 2016).

 

Predicci�n temprana del abandono escolar con cadenas de Markov

1. Definici�n de estados

Se modela el proceso educativo de un estudiante con dos estados principales:

�                    Estado 1 (Retenci�n): El estudiante contin�a activo y cursando normalmente.

�                    Estado 0 (Abandono): El estudiante abandona sus estudios (estado absorbente, sin retorno).

2. Matriz de transici�n

Se define la matriz de transici�n P que contiene las probabilidades de pasar de un estado a otro en un semestre:

P=

Donde:

�                    p=P(Xn+1=1∣Xn=1) es la probabilidad de que un estudiante que est� retenido en el semestre n contin�e retenido en el semestre n+1

�                    1−p=P(Xn+1=0∣Xn=1) es la probabilidad de abandono en el siguiente semestre.

�                    El estado 0 es absorbente: una vez que el estudiante abandona, permanece en ese estado.

 

Ejemplo:

Supongamos que a partir de datos hist�ricos se estima que la probabilidad de que un estudiante contin�e en el sistema es p=0.85. Entonces:

P=

Interpretaci�n

Si un estudiante est� activo en el semestre actual, tiene un 85% de probabilidad de continuar el pr�ximo semestre y un 15% de abandonar.

Una vez que abandona, no regresa.

Predicci�n de abandono en semestres futuros

La probabilidad de que un estudiante que inicia en retenci�n abandone en el semestre n se puede calcular usando la potencia de la matriz P:

Pⁿ=matriz de transici�n despu�s de n semestres

La probabilidad de abandono en el semestre n es la entrada correspondiente a pasar del estado 1 al estado 0 en Pⁿ

Integraci�n del m�todo Monte Carlo en la predicci�n con cadenas de Markov

El m�todo Monte Carlo

El m�todo Monte Carlo es una t�cnica estad�stica que utiliza muestreo aleatorio para simular el comportamiento de sistemas complejos y estimar distribuciones de probabilidad de resultados futuros. En el contexto de cadenas de Markov, permite generar m�ltiples trayectorias posibles de la evoluci�n del estado de los estudiantes, considerando la incertidumbre en las probabilidades de transici�n ( Guzm�n Rinc�n & Valencia Quecano, 2024).

Incorpora incertidumbre: En lugar de usar un �nico valor fijo para la probabilidad de transici�n (por ejemplo, p=0.85), Monte Carlo permite modelar p como una variable aleatoria con distribuci�n (por ejemplo, Beta), generando muchas simulaciones para reflejar variabilidad real.

Simula escenarios futuros: Se generan m�ltiples trayectorias posibles para la evoluci�n del abandono, facilitando estimaciones de probabilidades, tiempos esperados de abandono y rangos de confianza.

Soporta toma de decisiones: Al conocer la distribuci�n completa de posibles resultados, las instituciones pueden dise�ar intervenciones m�s robustas y adaptativas.

Ejemplo pr�ctico: Simulaci�n Monte Carlo para abandono escolar con cadenas de Markov

1. Definici�n del modelo base

�                    Estados: 1 (Retenci�n), 0 (Abandono, absorbente).

�                    Matriz de transici�n con p incierto:

P=

2. Modelar p como variable aleatoria

Suponemos que p sigue una distribuci�n Beta posterior, por ejemplo, Beta (86,16) (como en la pr�ctica bayesiana previa), reflejando la incertidumbre en la probabilidad de retenci�n.

3. Simulaci�n Monte Carlo

�         Paso 1: Generar N muestras aleatorias de pi desde Beta (86,16), por ejemplo, N=10,000

�         Paso 2: Para cada pi, construir la matriz de transici�n Pi y simular la evoluci�n del estado de un estudiante o cohorte durante varios semestres (multiplicando vectores estado).

�         Paso 3: Registrar para cada simulaci�n la proporci�n de estudiantes que abandonan en cada semestre.

�         Paso 4: Agregar los resultados para obtener distribuciones, medias y percentiles de abandono esperado en cada periodo.

4. Interpretaci�n de resultados

Se obtiene una curva con la probabilidad esperada de abandono a lo largo del tiempo, con intervalos de confianza que reflejan la incertidumbre.

Se pueden identificar semestres cr�ticos con alta probabilidad de deserci�n.

Se dispone de informaci�n probabil�stica para dise�ar intervenciones focalizadas y evaluar riesgos.

 

Discusi�n

Los resultados obtenidos en este estudio confirman la utilidad de las cadenas de Markov como una herramienta matem�tica eficaz para modelar la trayectoria acad�mica de los estudiantes y predecir el abandono escolar. La construcci�n de una matriz de transici�n que representa las probabilidades de pasar entre estados acad�micos permiti� identificar per�odos cr�ticos en los que los estudiantes presentan mayor riesgo de desertar, lo que coincide con investigaciones previas que destacan la importancia de focalizar acciones correctivas en momentos espec�ficos del avance curricular (Caicedo et al., 2016).

Adem�s, la incorporaci�n de t�cnicas de Big Data e Inteligencia Artificial mejor� significativamente la capacidad predictiva del modelo, al integrar variables multidimensionales que capturan aspectos acad�micos, socioecon�micos y conductuales. Esto permiti� no solo anticipar el abandono con mayor precisi�n, sino tambi�n identificar factores causales y perfiles de riesgo, tal como lo evidencian estudios que utilizan algoritmos de clasificaci�n y miner�a de datos para detectar variables influyentes en la deserci�n, como la motivaci�n, la pedagog�a y las expectativas insatisfechas (Amaya et al., 2014; Ram�rez & Grand�n, 2018).

El uso de cadenas de Markov discretas para modelar la repetici�n de asignaturas cr�ticas y su relaci�n con el abandono permiti� detectar que ciertas materias, como c�lculo diferencial e integral, tienen un impacto desproporcionado en la probabilidad de deserci�n, lo que coincide con hallazgos en programas de ingenier�a donde la dificultad de asignaturas espec�ficas incrementa el riesgo de abandono (Adeleke, Oguntuase y Ogunsakin, 2014). Este conocimiento es fundamental para dise�ar intervenciones personalizadas, como tutor�as focalizadas y acompa�amiento psicol�gico, que atiendan las necesidades particulares de los estudiantes en riesgo.

Sin embargo, aunque las cadenas de Markov proporcionan un marco robusto para la predicci�n, su enfoque basado en la dependencia del estado actual limita la consideraci�n de factores hist�ricos o contextuales m�s complejos. La integraci�n con IA y Big Data ayuda a superar esta limitaci�n, pero tambi�n plantea desaf�os en la gesti�n y calidad de los datos, as� como en la interpretaci�n de modelos m�s complejos, lo que requiere un esfuerzo interdisciplinario y la colaboraci�n entre expertos en educaci�n, estad�stica y ciencias de datos (Olmedo-Alonso, 2020).

Finalmente, los resultados sugieren que la implementaci�n de sistemas de alerta temprana basados en estos modelos puede transformar la gesti�n educativa, permitiendo a las instituciones anticipar el abandono y personalizar las estrategias de retenci�n. Esto contribuye no solo a mejorar los �ndices de permanencia, sino tambi�n a optimizar recursos y fortalecer la calidad educativa, aline�ndose con las recomendaciones para abordar la deserci�n desde una perspectiva integral y basada en evidencia (Caicedo et al., 2016).

 

Conclusiones

�         Las cadenas de Markov absorbentes constituyen una herramienta eficaz para modelar y predecir el abandono escolar en estudiantes universitarios, especialmente en los primeros semestres, donde se concentra la mayor probabilidad de deserci�n. Este enfoque permite identificar estados cr�ticos y calcular probabilidades de transici�n que facilitan la detecci�n temprana de estudiantes en riesgo.�

�         La integraci�n de Big Data e Inteligencia Artificial mejora significativamente la precisi�n predictiva al incorporar variables multidimensionales acad�micas, socioecon�micas y conductuales, lo que permite clasificar con mayor exactitud a los estudiantes en riesgo y dise�ar intervenciones personalizadas que atiendan sus necesidades espec�ficas.

�         Asignaturas con alta tasa de reprobaci�n, como c�lculo diferencial e integral, tienen un impacto significativo en la probabilidad de abandono, lo que evidencia la necesidad de focalizar recursos y estrategias pedag�gicas en estos cursos cr�ticos para reducir la deserci�n.

 

Recomendaciones

�         Implementar sistemas de alerta temprana basados en modelos de cadenas de Markov integrados con an�lisis de Big Data e IA, que permitan a las instituciones educativas identificar oportunamente a estudiantes en riesgo y activar planes de acompa�amiento personalizados.

�         Desarrollar programas de apoyo espec�ficos para asignaturas cr�ticas con alta incidencia en la deserci�n, como tutor�as focalizadas, reforzamiento acad�mico y seguimiento continuo, para mejorar el rendimiento y la motivaci�n de los estudiantes.

�         Fomentar la colaboraci�n interdisciplinaria entre expertos en educaci�n, estad�stica y ciencias de datos para optimizar la gesti�n y an�lisis de la informaci�n acad�mica, garantizando la calidad de los datos y la interpretaci�n adecuada de los modelos predictivos, as� como la implementaci�n efectiva de las intervenciones.

 

Referencias

      1.            Arroba Salto, J., & Romero Valencia, S. (2019). �AN�LISIS DE LAS CUENTAS POR COBRAR DE UN INSTITUTO DE BELLEZA. Observatorio de la Econom�a Latinoamericana.

      2.            Gonz�lez Campos, J., Cristian Manuel , C., & Aspe� Chac�n, J. (2020). Modelaci�n de la deserci�n universitaria mediante cadenas de Markov. doi: http://dx.doi.org/10.15359/ru.34-1.8

      3.            Guzm�n Rinc�n, A., & Valencia Quecano, L. (2024). MODELO DE MONTE CARLO PARA LA PREDICCI�N DE LA DESERCI�N: HERRAMIENTA PARA LA RETROALIMENTACI�N DE LAS POL�TICAS P�BLICAS EN LA EDUCACI�N SUPERIOR. Raz�n Cr�tica.

      4.            Otero Caicedo, R., Bol�var Atuesta, S., & Palacios Caicedo, J. (2016). An�lisis de la retenci�n de estudiantes de ingenier�a basado en la p�rdida consecutiva de una misma asignatura. Un enfoque de Cadenas de Markov.

      5.            Castrill�n G�mez, O., Sarache, W., & Ruiz Herrera, S. (2025). Predicci�n de las principales variables que conllevan al abandono estudiantil por medio de t�cnicas de miner�a de datos. Formaci�n Universitaria. Obtenido de https://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-50062020000600217

      6.            Castrill�n G�mez, O., Sarache , W., & Ruiz Herrera , S. (2020). Predicci�n de las principales variables que conllevan al abandono estudiantil por medio de t�cnicas de miner�a de datos. Formaci�n Universitaria. Obtenido de https://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-50062020000600217

      7.            Hern�ndez, R., Fern�ndez, C., & Baptista, P. (2008). Metodolog�a de la Investigaci�n.

      8.            JIMENEZ, M. O. (2016). An�lisis de los cr�ditos y la recuperaci�n de las cuentas por cobrar de la empresa Inmobiliaria Familia Flores S.A.C. del distrito de Villa Mar�a del Triunfo-2016. Obtenido de https://repositorio.autonoma.edu.pe/handle/20.500.13067/691

      9.            Olmedo Alonso, A., Garc�a Bernal , A., Reyes Rodr�guez, A., & Tetlalmatzi Montiel, M. (2025). Cadenas de Markov absorbentes para analizar el abandono escolar de estudiantes universitarios de matem�ticas. P�di Bolet�n Cient�fico de Ciencias B�sicas e Ingenier�as del ICBI. Obtenido de https://dialnet.unirioja.es/servlet/articulo?codigo=10143062

 

 

� 2025 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).