RESUMEN:

En las instituciones de educación superior se generan grandes volúmenes de datos académicos que pueden utilizarse para comprender los factores relacionados con la reprobación y el abandono escolar. Sin embargo, estos registros suelen analizarse mediante indicadores descriptivos que muestran situaciones ya ocurridas, sin aprovechar suficientemente su capacidad para anticipar escenarios de riesgo. El objetivo de este estudio es desarrollar un modelo de aprendizaje automático capaz de reconocer patrones recurrentes en historiales académicos y estimar la probabilidad de que un estudiante repruebe o abandone sus estudios. Se plantea una metodología cuantitativa, de alcance predictivo, organizada mediante las fases de comprensión, preparación, modelado y evaluación de datos. Las variables consideradas incluyen promedio, número de asignaturas reprobadas, repetición de cursos, carga académica, regularidad, avance curricular y periodos de inactividad. Para el análisis se compararán distintos algoritmos de clasificación supervisada, como regresión logística, árboles de decisión, bosques aleatorios y máquinas de soporte vectorial. El desempeño de los modelos se evaluará mediante exactitud (accuracy), precisión, sensibilidad o recall, especificidad, F1-score, matriz de confusión y área bajo la curva ROC. Asimismo, se analizará la importancia de las variables para determinar cuáles presentan mayor relación con los resultados académicos desfavorables. Se espera identificar combinaciones y secuencias de eventos que no son evidentes mediante el análisis estadístico tradicional, así como seleccionar el modelo que ofrezca el mejor equilibrio entre la detección de estudiantes en riesgo y la reducción de clasificaciones incorrectas. Se concluye que el reconocimiento automatizado de patrones puede contribuir a transformar los registros académicos en información útil para orientar decisiones institucionales, diseñar estrategias de acompañamiento y realizar intervenciones oportunas, sin sustituir la valoración de docentes, tutores y responsables académicos.

Palabras clave: aprendizaje automático; riesgo académico; reconocimiento de patrones; reprobación; abandono escolar; analítica educativa.