Sistema de alertas tempranas para identificar situaciones de riesgo académico, utilizando datos de caracterización y aprendizaje de máquinas: Caso de estudio Universidad Luis Amigó

Abstract

Actualmente, las instituciones educativas han dado creciente atención a los sistemas de alertas tempranas (SAT) debido a su importancia para identificar oportunamente a estudiantes en riesgo de fracaso académico o deserción. Este artículo subraya la necesi dad de diseñar un SAT basado en técnicas de aprendizaje de máquinas, utilizando datos derivados de historiales académicos (como cancelaciones, repeticiones de cursos y créditos aprobados), caracterización sociodemográfica y factores financieros, entre otros, para detectar señal es tempranas de alerta que predigan riesgos académicos, facilitando la implementación de intervenciones oportunas. El caso de estudio se desarrolla en la Universidad Católica Luis Amigó, donde la oficina de permanencia académica desempeña un papel crucial tanto en el suministro de datos como en la ejecución de acciones de mitigación. El trabajo resalta la relevancia de utilizar tecnologías avanzadas como el aprendizaje de máquinas para apoyar la toma de decisiones en el ámbito educativo y mejorar la permanencia estudiantil.

Currently, educational institutions have paid increasing attention to early warning systems (EWS) due to their importance in identifying students at risk of academic failure or dropout in a timely manner. This article emphasizes the need to design an EWS based on machine learning techniques, using data derived from academic records (such as cancellations, course repetitions, and approved credits), sociodemographic characterization, and financial factors, among others, to detect early warning signals that predict academic risks, facilitating the implementation of timely interventions. The case study is developed at the Universidad Católica Luis Amigó, where the academic permanence office plays a crucial role in both data provision and the execution of mitigation actions. The work highlights the relevance of using advanced technologies such as machine learning to support decision-making in the educational field and improve student retention.