La deserción estudiantil constituye un desafío relevante para las instituciones de educación superior por sus implicaciones académicas, sociales, económicas e institucionales y por la interacción de múltiples factores que dificultan su detección temprana. Esta investigación tiene como objetivo desarrollar un modelo predictivo y explicativo para estimar el riesgo de deserción estudiantil en la Universidad Estatal de Sonora (UES) e identificar los factores académicos, socioeconómicos, demográficos e institucionales asociados a dicho riesgo. El estudio se enmarca en la Analítica Educativa, el Aprendizaje Automático y la Inteligencia Artificial Explicable, con un enfoque cuantitativo, aplicado, correlacional, explicativo y predictivo.
Metodológicamente, se emplean registros institucionales autorizados que son sometidos a procesos de depuración, tratamiento de valores faltantes, transformación, selección de características y división en conjuntos de entrenamiento, validación y prueba. En la fase experimental se comparan diferentes familias de modelos de aprendizaje automático y aprendizaje profundo, sin asumir previamente la superioridad de un algoritmo. La selección del modelo considera métricas complementarias de desempeño, así como criterios de generalización y estabilidad. Posteriormente, la alternativa seleccionada se complementa con PRISM, ID3 y mecanismos de Inteligencia Artificial Explicable para generar reglas, árboles y explicaciones comprensibles que permitan identificar los factores que contribuyen a cada estimación de riesgo.
Como evidencia experimental preliminar, se han registrado 12 experimentos; en esta serie, el experimento denominado feedforward_principal alcanzó una precisión de validación de 75.42 % y una pérdida mínima de 0.6399. Estos resultados muestran la viabilidad técnica del enfoque, aunque no representan todavía el desempeño definitivo del modelo doctoral.
La propuesta se concibe como una herramienta de apoyo a la toma de decisiones institucionales y no como un mecanismo de decisión automática. Su principal aporte consiste en integrar capacidad predictiva e interpretabilidad para transformar datos institucionales en evidencia útil que contribuya al seguimiento, la tutoría y las estrategias de permanencia estudiantil de la UES, bajo principios de privacidad, transparencia, equidad y supervisión humana. Los resultados se circunscriben inicialmente al contexto de la UES y su transferencia a otras instituciones requerirá validación externa.
