Predictores claves del abandono escolar en Paraguay: Un análisis de datos masivos
Barra lateral del artículo
Contenido principal del artículo
Resumen
La deserción escolar es un problema estructural en América Latina con profundas implicaciones en el desarrollo social y económico. Este estudio analiza los factores asociados al abandono educativo en los años previos a la finalización de la educación media o secundaria en Paraguay, utilizando datos administrativos del Registro Único del Estudiante (RUE), el sistema de gestión de datos educativos del Ministerio de Educación y Ciencias, durante el período 2017-2023. A través de un enfoque cuantitativo, se realizaron análisis descriptivos y se aplicaron modelos de aprendizaje automático con el objetivo de identificar patrones de deserción y predecir el riesgo de abandono escolar. Se examinaron 706,785 registros estudiantiles, considerando variables sociodemográficas, académicas e institucionales. Los resultados evidenciaron un incremento en las tasas de deserción entre 2019 y 2020, coincidiendo con el impacto de la pandemia de COVID-19. Se observaron diferencias significativas según género, especialidad educativa y ubicación geográfica, identificándose la sobreedad y la repitencia como factores críticos del abandono escolar. Los estudiantes matriculados en educación nocturna y en programas de formación profesional presentaron las tasas de deserción más elevadas. En términos predictivos, la Regresión LASSO mostró el mejor desempeño, logrando un equilibrio óptimo entre precisión y sensibilidad en la identificación de estudiantes en riesgo. Estos hallazgos subrayan la importancia del análisis de datos masivos y la aplicación de modelos avanzados para fortalecer las políticas de retención escolar y diseñar estrategias de intervención temprana basadas en evidencia. No obstante, persisten desafíos relacionados con la calidad y cobertura de los datos educativos, la necesidad de explorar metodologías emergentes de inteligencia artificial e integrar factores psicosociales y económicos para una comprensión integral de la deserción escolar y sus determinantes.
Palabras clave: Abandono escolar, Educación secundaria, Nivel socioeconómico, Ciencia y análisis de datos, Predictores.
Detalles del artículo
Citas
Abideen, Z. u., Mazhar, T., Razzaq, A., Haq, I., Ullah, I., Alasmary, H., & Mohamed, H. G. (2023). Analysis of Enrollment Criteria in Secondary Schools Using Machine Learning and Data Mining Approach. Electronics, 12(3), 694. https://doi.org/10.3390/electronics12030694
Ajjawi, R., Dracup, M., Zacharias, N., Bennett, S., y Boud, D. (2020). Persisting students’ explanations of and emotional responses to academic failure. Higher Education Research & Development, 39(2), 185-199. https://doi.org/10.1080/07294360.2019.1664999
Alyahyan, E., y Düştegör, D. (2020). Predicting academic success in higher education: literature review and best practices. International Journal of Educational Technology in Higher Education, 17(1), 3. https://doi.org/10.1186/s41239-020-0177-7
Alladatin, J., Lionel, R., y Insaf, A.- chikh. (2023). School principal’s training programs, challenges, and improvement opportunities: rapid review. International Journal of Educational Innovation and Research, 3(1), 17–26. https://doi.org/10.31949/ijeir.v3i1.6830
Amaya-Amaya, A., Huerta-Castro, F., y Flores-Rodríguez, C. O. (2020). Big Data, una estrategia para evitar la deserción escolar en las IES. Revista Iberoamericana de Educación Superior, 11(31), 166-178. https://doi.org/10.22201/iisue.20072872e.2020.31.712
Arias Ortiz, E., Eusebio, J., Pérez Alfaro, M., Vásquez, M., y Zoido, P. (2021). Los Sistemas de Información y Gestión Educativa (SIGED) de América Latina y el Caribe: la ruta hacia la transformación digital de la gestión educativa. https://doi.org/10.18235/0003345
Flores Satalaya, J. M. (2025). El machine learning para abordar el abandono escolar: Una revisión de los modelos más innovadores. Ciencia Latina Revista Científica Multidisciplinar, 8(6), 10993-11027. https://doi.org/10.37811/cl_rcm.v8i6.15824
Gutiérrez-de-Rozas, B., López-Martín, E., y Carpintero, E. (2023). Análisis del abandono educativo temprano en España: condicionantes del abandono y motivos para regresar al sistema educativo. Revista de Investigación Educativa, 41(2), 523-549. https://doi.org/10.6018/rie.546521
Insfrán-Coronel, Enrique-Sánchez, Beck, López-Fernández, García Torres (2024). Analysis of School Dropout Rate in Paraguay Using a Machine Learning Approach, en H. Quinti´an et al. (Eds.): ICEUTE 2024/CISIS 2024, LNNS 957, 312–321, 2024. https://doi.org/10.1007/978-3-031-75016-8_29
Kocsis, Á., & Molnár, G. (2024). Factors influencing academic performance and dropout rates in higher education, 1-19. https://doi.org/10.1080/03054985.2024.2316616
Krüger, J. G., Britto Jr., A. de S., & Barddal, J. P. (2023). An explainable machine learning approach for student dropout prediction. Expert Systems with Applications, 233, december, 120933. https://doi.org/10.1016/j.eswa.2023.120933
Montero-Sieburth, M., y Turcatti, D. (2022) Preventing disengagement leading to early school leaving: pro-active practices for schools, teachers and families, Intercultural Education, 33(2), 139-155. https://doi.org/10.1080 /14675986.2021.2018404
Nait Belaid, Y. (2021). A critical analysis of policies to fight illiteracy and school dropout in rural Morocco. International Journal of Advanced Research , 9 (Aug), 254-269.
https://dx.doi.org/10.21474/IJAR01/13259
Ortiz-Lozano, J. M., Aparicio-Chueca, P., Triadó-Ivern, X. M., & Arroyo-Barrigüete, J. L. (2023). Early dropout predictors in social sciences and management degree students. Studies in Higher Education, 49(8), 1303–1316. https://doi.org/10.1080/03075079.2023.2264343
Ramsdal, G.H.; Wynn, R. Theoretical Basis for a Group Intervention Aimed at Preventing High School Dropout: The Case of ‘Guttas Campus’. Int. J. Environ. Res. Public Health 2022, 19, 17025. https://doi.org/10.3390/ijerph192417025
Rodríguez, P., Delgado Villanueva, A., Dombrovskaia, L., & 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, 10103–10149. https://doi.org/10.1007/s10639-022-11515-5
Segura, M., Mello, J., & Hernández, A. (2022). Machine learning prediction of university student dropout: Does preference play a key role?. Mathematics, 10(18), 3359. https://doi.org/10.3390/math10183359
Serrano, K., Sierra, Y., Rios-Cruz, S., Pardo, F. 2024 Machine Learning models for predicting academic withdrawal in college students. Conference: 2024 Congreso Internacional de Innovación y Tendencias en Ingeniería (CONIITI) 10.1109/CONIITI64189.2024.10854829
Smith Uldall, J., & 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
Venkatesan R.G. &, Mappillairaju, B. (2023). Detection of hotspots of school dropouts in India: A spatial clustering approach. PLoS ONE 18(1): e0280034. https://doi.org/10.1371/journal.pone.0280034
Zapata-Medina, D.; Espinosa-Bedoya, A.; Jiménez-Builes, J.A. Improving the Automatic Detection of Dropout Risk in Middle and High School Students: A Comparative Study of Feature Selection Techniques. Mathematics 2024, 12, 1776. https://doi.org/10.3390/math12121776
Zengin, M. (2021). Investigation of High School students’ dropout risk level. International Journal of Education, 9(S1), 59-68. https://doi.org/10.34293/education.v9iS1-May.4000
European Education Area (2022). Early School Leaving Policies in the EU. European Commission. Recuperado de https://education.ec.europa.eu/pt-pt/education-levels/school-education/early-school-leaving
Instituto Desarrollo (2013). Factores de la deserción escolar en Paraguay. Recuperado de https://desarrollo.org.py/admin/app/webroot/pdf/publications/08-10-2015-16-45-20-848785920.pdf
Instituto Nacional de Estadística (INE, 2024). Encuesta Permanente de Hogares Continua 2023: Datos sobre asistencia escolar en Paraguay. Recuperado de https://www.ine.gov.py/noticias/1890/el-ine-comparte-datos-sobre-la-educacion-paraguaya
UNESCO (2010). Desafíos educativos y estrategias de retención escolar en América Latina y el Caribe. Recuperado de https://unesdoc.unesco.org/ark:/48223/pf0000190771
El País (2025). El círculo virtuoso de la Formación Profesional en Europa. Diario El País. Recuperado de https://elpais.com/opinion/2025-01-30/el-circulo-virtuoso-de-la-fp.html
Comisión Económica para América Latina y el Caribe (CEPAL). (2024). Prevención y reducción del abandono escolar en América Latina y el Caribe. CEPAL. https://repositorio.cepal.org/server/api/core/bitstreams/b80b4d28-e4df-4c5c-9659-dd78d4d1b527/content