Generación de un modelo predictivo de deserción estudiantil de la Universidad del Valle de Guatemala

Abstract

Este proyecto desarrolla modelos predictivos de deserción estudiantil para la Universidad del Valle de Guatemala a partir de tres fuentes institucionales: registros estudiantiles históricos, promedios por año y promedios por ciclo. Se integran, limpian y consolidan datos históricos anonimizados a nivel de estudiante, y se obtiene un registro de 10,670 estudiantes únicos que cuentan con al menos un ciclo académico registrado y cumplen el criterio mínimo para el análisis. Debido a que no se cuenta con una variable final de abandono, se construye una etiqueta de deserción estimada basada en actividad académica reciente, retiro confirmado y la inactividad de dos o más años sin graduación. Con esta regla se identifican 5,572 desertores estimados y 5,098 no desertores estimados dentro de la base analítica. Se encuentra que el tiempo promedio hasta la deserción estimada es de 4.04 años y la mediana es de 5 años. El mayor porcentaje anual de deserción estimada se observa en 2025, con 17.76 %. Para el modelado se utilizan 8,996 observaciones divididas en entrenamiento, validación y prueba. Se comparan tres modelos: regresión logística, random forest y red neuronal multicapa. Con umbral estándar de 0.50, el random forest obtiene el mejor desempeño global, con ROC-AUC de 0.9157, PR-AUC de 0.9086, exactitud de 0.8467 y sensibilidad de 0.8578. Al optimizar el umbral mediante la métrica F2, el random forest también alcanza el mejor resultado, con F2 = 0.8917 y sensibilidad de 0.9549 usando un umbral de 0.328. La regresión logística conserva valor operativo por su interpretabilidad y por la posibilidad de ajustar un umbral recomendado de 0.247 para priorizar sensibilidad en intervenciones tempranas y apoyar decisiones de acompañamiento.

This project develops predictive models for student dropout at Universidad del Valle de Guatemala using three institutional data sources: historical student records, yearly grade averages, and semester grade averages. Historical anonymized student-level data are integrated, cleaned, and consolidated, producing a record of 10,670 unique students who have at least one registered academic semester and meet the minimum criterion for analysis. Because no final dropout variable is available, an estimated dropout label is constructed based on recent academic activity, confirmed withdrawal, and inactivity of two or more years without graduation. Under this rule, 5,572 estimated dropouts and 5,098 estimated non-dropouts are identified in the analytical dataset. The average time to estimated dropout is 4.04 years, and the median is 5 years. The highest annual percentage of estimated dropout is observed in 2025, at 17.76 %. For modeling, 8,996 observations are split into training, validation, and test sets. Three models are compared: logistic regression, random forest, and a multilayer neural network. Using the standard threshold of 0.50, the random forest achieves the best overall performance, with a ROC-AUC of 0.9157, a PR-AUC of 0.9086, an accuracy of 0.8467, and a sensitivity of 0.8578. After optimizing the threshold using the F2 metric, the random forest also obtains the best result, with F2 = 0.8917 and a sensitivity of 0.9549 using a threshold of 0.328. Logistic regression retains operational value because of its interpretability and the possibility of applying a recommended threshold of 0.247 to prioritize sensitivity in early interventions and support student advising decisions.