💻 computer science

An Optimized Stacking Ensemble Model for Forecasting Student Dropout

Este estudio presenta un modelo de ensamble de apilamiento optimizado que integra clasificadores de K-Vecinos Más Cercanos y Redes Bayesianas, mejorado mediante el ajuste de hiperparámetros y el balanceo basado en SMOTE, el cual alcanza un 85.9% de precisión y supera a los métodos existentes para proporcionar una herramienta de alerta temprana eficaz para la predicción del abando escolar.

Autores originales: Jackson Kisuule, Anthony Bua

Publicado 2026-09-23

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jackson Kisuule, Anthony Bua

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cada año, las universidades de todo el mundo enfrentan una crisis silenciosa pero persistente: estudiantes que comienzan sus carreras pero nunca las terminan. Este abandono no es solo una tragedia personal para los individuos involucrados; drena recursos de las instituciones, reduce las tasas de graduación y deja a las comunidades sin los profesionales capacitados que necesitan. Durante décadas, las escuelas han intentado resolver esto revisando manualmente las calificaciones y la asistencia, buscando a los estudiantes que parecen estar decayendo. Sin embargo, estos métodos suelen ser demasiado lentos para ayudar a un estudiante antes de que sea demasiado tarde. En años recientes, los investigadores se han volcado al aprendizaje automático, una rama de la informática donde el software aprende a reconocer patrones en los datos sin ser programado explícitamente con reglas. Al alimentar estos sistemas con registros históricos de miles de estudiantes, las computadoras pueden identificar señales de advertencia sutiles que los observadores humanos podrían pasar por alto, ofreciendo una oportunidad para intervenir tempranamente y mantener a los estudiantes en el camino hacia la graduación.

Un equipo de investigadores de la Victoria University en Kampala, Uganda, y la Universidad Unity en Hargeisa, Somalilandia, ha llevado este enfoque un paso más allá mediante el desarrollo de un nuevo tipo de sistema de predicción diseñado específicamente para este desafío. En lugar de depender de un único algoritmo informático para emitir un juicio, construyeron un sistema que combina las fortalezas de dos métodos diferentes. El primer método, conocido como K-Vecinos Más Cercanos (K-Nearest Neighbors), funciona analizando el registro de un estudiante y encontrando a los estudiantes del pasado más similares para ver qué les sucedió a ellos. El segundo método, una Red Bayesiana, calcula la probabilidad de que un estudiante abandone los estudios basándose en la compleja red de relaciones entre sus calificaciones, su situación financiera y sus circunstancias personales. Si bien cada método es útil por sí solo, los investigadores descubrieron que a veces ven cosas diferentes en los mismos datos. Para resolver esto, crearon un modelo de "apilamiento" (stacking), una estructura donde un tercer programa más inteligente escucha las predicciones de los dos primeros y toma la decisión final. Este programa final actúa como un editor experimentado, sopesando la evidencia de ambas fuentes para producir un veredicto más confiable de lo que cualquiera de los dos podría lograr por sí solo.

Los investigadores probaron este sistema utilizando una colección masiva de registros reales de estudiantes de la Universidad Unity, que cubría los años 2021 hasta 2025. El conjunto de datos incluía a más de 4,400 estudiantes y rastreaba treinta y seis factores diferentes, que iban desde cuántos cursos aprobó un estudiante hasta su situación financiera y su trasfondo demográfico. Un obstáculo importante en este tipo de investigación es que la mayoría de los estudiantes permanecen en la escuela, mientras que muchos menos abandonan, creando un campo de juego desigual para la computadora. Para solucionar esto, el equipo utilizó una técnica para equilibrar artificialmente los datos, asegurando que el sistema aprendiera a reconocer las señales de advertencia de abandono tan bien como aprendiera a reconocer a los estudiantes que estaban seguros. Luego dividieron los datos, utilizando la mayor parte para enseñar al sistema y reservando una parte para probar qué tan bien funcionaba con estudiantes que nunca había visto antes.

Los resultados mostraron que el nuevo sistema combinado era, de hecho, superior a los métodos individuales. Al ser probado, el modelo de apilamiento identificó correctamente si un estudiante abandonaría o permanecería en la escuela aproximadamente el 86 por ciento de las veces. Más importante aún, fue muy bueno detectando a los estudiantes que realmente estaban en riesgo. Identificó correctamente al 81 por ciento de los estudiantes que eventualmente se fueron, una métrica crucial para las escuelas que intentan intervenir. En comparación, los métodos individuales y una forma más simple de combinarlos (llamada votación suave o soft voting) fueron menos precisos, pasando por alto a más estudiantes en riesgo o señalando incorrectamente a aquellos que estaban seguros. El análisis también reveló qué factores importaban más: el rendimiento académico, específicamente el número de cursos aprobados y las calificaciones acumuladas, era el predictor más fuerte, seguido de cerca por indicadores financieros como el estatus de la matrícula y si un estudiante le debía dinero a la institución.

Este estudio demuestra que, al entrelazar diferentes tipos de aprendizaje automático, las universidades pueden construir una red de seguridad más robusta para sus estudiantes. El modelo no reemplaza a los consejeros humanos, sino que les proporciona una herramienta poderosa para priorizar sus esfuerzos. Al identificar a los estudiantes con mayor probabilidad de irse antes de que realmente lo hagan, las instituciones pueden ofrecer ayuda financiera, tutoría académica o asesoramiento en el momento preciso en que se necesita. Si bien los investigadores señalan que su modelo fue entrenado con datos de una sola universidad y que el trabajo futuro debería probarlo en diferentes regiones y con técnicas más avanzadas, los hallazgos ofrecen un camino claro a seguir. Demuestran que, con la combinación adecuada de datos y algoritmos, es posible cambiar el rumbo de la deserción estudiantil, convirtiendo un proceso reactivo de gestión de abandonos en una estrategia proactiva para mantener a los estudiantes en la escuela.

Resumen Técnico: Un Modelo de Ensamblaje de Apilamiento Optimizado para la Predicción de la Deserción Estudiantil

Planteamiento del Problema
La deserción estudiantil sigue siendo un desafío crítico para las instituciones de educación superior, lo que impacta negativamente en el éxito académico, el rendimiento institucional y la utilización de recursos. En las regiones en desarrollo, las tasas de deserción son persistentemente altas, con proyecciones que sugieren que hasta el 40% de los ingresantes universitarios podrían no graduarse sin una intervención dirigida. Los métodos de identificación existentes suelen depender del monitoreo manual y revisiones académicas periódicas, los cuales son lentos e ineficaces para una intervención oportuna. Si bien se han aplicado modelos estadísticos tradicionales y algoritmos de aprendizaje automático individuales (como la Regresión Logística, K-Vecinos Más Cercanos y Redes Bayesianas) para predecir la deserción, estos a menudo sufren de limitaciones como fronteras de decisión lineales, complejidad computacional con grandes conjuntos de datos o dificultad para modelar la incertidumbre en datos de alta dimensionalidad. Existe una necesidad demostrada de un marco predictivo inteligente y automatizado capaz de identificar a los estudiantes en riesgo de manera temprana, aprovechando los datos históricos para apoyar la toma de decisiones proactivas.

Metodología
El estudio propone un modelo de ensamblaje de apilamiento (stacking) optimizado, diseñado para pronosticar la deserción estudiantil mediante la integración de las fortalezas complementarias de clasificadores heterogéneos. La investigación utilizó un conjunto de datos de 4,424 registros históricos de estudiantes de The Unity University en Hargeisa, Somalilandia, que cubren el período de 2021 a 2025. El conjunto de datos incluyó 36 variables predictoras que abarcan atributos demográficos, académicos, financieros e institucionales.

El flujo de trabajo técnico comprendió las siguientes etapas:

Preprocesamiento e Ingeniería de Datos: Las variables categóricas fueron codificadas mediante etiquetado (label-encoding) y las características continuas fueron normalizadas. Se realizó ingeniería de características para derivar atributos significativos.
Equilibrio de Clases: Para abordar el desequilibrio natural entre los estudiantes que continúan y los que abandonan, se aplicó la Técnica de Sobremuestreo de la Minoría Sintética (SMOTE) para equilibrar la distribución de las clases.
Aprendices Base (Base Learners): La arquitectura de ensamblaje empleó dos clasificadores base distintos:
- K-Vecinos Más Cercanos (KNN): Configurado con $K=11$ y ponderación por distancia para capturar patrones de similitud local entre los estudiantes.
- Red Bayesiana (BN): Implementada como un clasificador Naive Bayes Gaussiano para modelar relaciones probabilísticas y gestionar la incertidumbre entre las variables educativas.
Ensamblaje de Apilamiento (Stacking Ensemble): Se entrenó un meta-aprendiz Naive Bayes Gaussiano utilizando las probabilidades de predicción fuera de la muestra (out-of-fold) generadas por los aprendices base (mediante validación cruzada de 5 pliegues o 5-fold) para producir la clasificación final. Este enfoque permitió al meta-aprendiz integrar los patrones de decisión de los modelos base sin utilizar los datos de entrenamiento para el meta-aprendiz.
Optimización: Se llevó a cabo la sintonización de hiperparámetros para los aprendices base, y el modelo fue evaluado utilizando métricas de clasificación estándar.

Contribuciones Clave

Arquitectura de Ensamblaje Novedosa: El estudio introduce una configuración de apilamiento específica que combina KNN y Redes Bayesianas con un meta-aprendiz Naive Bayes Gaussiano, abordando la sugerencia de la literatura previa de incorporar estos algoritmos específicos para mejorar la robustez en contextos de recursos limitados.
Evaluación Exhaustiva: El modelo fue rigurosamente evaluado frente a los aprendices base individuales (KNN, BN) y un Ensamblaje de Votación Suave (Soft Voting Ensemble) utilizando precisión (accuracy), precisión (precision), exhaustividad (recall), puntuación F1 y especificidad.
Aplicación Contextual: La investigación proporciona una aplicación empírica de aprendizaje automático de ensamblaje avanzado a la retención estudiantil en una región en desarrollo (Somalilandia), demostrando la viabilidad de tales modelos en instituciones con infraestructura digital limitada.

Resultados
El modelo de ensamblaje de apilamiento propuesto demostró un desempeño superior en comparación con los clasificadores individuales y el ensamblaje de votación suave. Las métricas de desempeño específicas alcanzadas fueron:

Exactitud (Accuracy): 85.9%
Precisión (Precision): 76.4%
Exhaustividad (Recall): 81.3%
Puntuación F1 (F1-score): 78.8%
Especificidad (Specificity): 81.3%

El análisis de importancia de características reveló que los indicadores de rendimiento académico (específicamente el número de unidades curriculares aprobadas y el logro acumulado), el estado de las cuotas de matrícula e los indicadores financieros fueron los predictores más influyentes de la deserción. El análisis de la matriz de confusión confirmó que el ensamblaje de apilamiento redujo los falsos positivos y los falsos negativos de manera más efectiva que los modelos base, mejorando así la identificación de los estudiantes en riesgo.

Significancia y Reivindicaciones
Los autores afirman que el estudio desarrolló con éxito una herramienta de alerta temprana efectiva que apoya intervenciones oportunas para mejorar la retención estudiantil. Los hallazgos confirman que la integración de algoritmos de aprendizaje automático heterogéneos dentro de un marco de apilamiento produce predicciones más precisas y robustas que los clasificadores individuales. El modelo sirve como un sistema práctico de apoyo a la decisión para los administradores universitarios para identificar a los estudiantes en riesgo antes de que ocurra el abandono.

El documento mantiene un alcance modesto respecto a sus afirmaciones, señalando que el modelo fue validado en el conjunto de datos de una sola institución. Los autores sugieren que el trabajo futuro debería centrarse en validar el modelo en múltiples instituciones, incorporar variables conductuales adicionales y de sistemas de gestión de aprendizaje, y comparar el enfoque con técnicas de aprendizaje profundo más avanzadas. También enfatizan la necesidad de evaluar el impacto a largo plazo de tales intervenciones impulsadas por el aprendizaje automático en entornos educativos reales.

Más como este