Predicción de la deserción estudiantil mediante aprendizaje automático y tratamiento neutrosófico de predicciones inciertas.

Resumen

La deserción estudiantil universitaria constituye uno de los principales desafíos de la gestión académica en la educación superior, con implicaciones directas sobre la eficiencia institucional y el bienestar de los estudiantes, agravado por el hecho de que los modelos predictivos de alto desempeño no siempre garantizan la confiabilidad de cada predicción individual. El objetivo del estudio fue predecir la deserción estudiantil mediante un procedimiento de dos etapas basado en aprendizaje automático y análisis neutrosófico. Se desarrolló un estudio cuantitativo, aplicado y no experimental sobre el dataset público de Realinho et al., compuesto por 4424 estudiantes de educación superior portuguesa y 36 variables académicas, sociodemográficas y macroeconómicas, comparando los algoritmos Regresión Logística, Random Forest y XGBoost, y tratando mediante neutrosofía (componentes T, I, F) las predicciones ubicadas en una franja de probabilidad considerada incierta (0.40–0.60). XGBoost obtuvo el mejor desempeño global (Accuracy = 0.890; F1 = 0.819; Recall = 0.771; AUC-ROC = 0.931), y el 4.7% de los casos del conjunto de prueba resultó incierto, con una indeterminación promedio de 0.49 y un perfil académico y socioeconómico intermedio. Se concluye que el análisis neutrosófico constituye una herramienta complementaria útil para los sistemas de alerta temprana en instituciones de educación superior.