Libro de Actas del III Congreso Latinoamericano y del Caribe e Investigación en Educación Superior- LatinSoTL- 2025

723 2.3 Metodología El enfoque metodológico adoptado se basa en técnicas de aprendizaje automático (machine learning), específicamente en algoritmos de clasificación binaria supervisada. En esta primera etapa, se utilizó el algoritmo Extreme Gradient Boosting ( XGBoost ) (Chen et. al, 2023) implementado en el software R (R Core Team, 2023). Este tipo de modelo permite estimar la probabilidad de desvinculación a partir de múltiples variables explicativas y establecer relaciones no lineales entre ellas. Este modelo de aprendizaje automático se basa en la construcción secuencial de árboles de decisión, donde cada nuevo árbol se entrena para corregir los errores de predicción cometidos por los árboles anteriores, mejorando progresivamente la capacidad predictiva del modelo. Se busca minimizar la función objetivo que combina una función de pérdida con un término que penaliza la complejidad del modelo. Dado que los parámetros del modelo son funciones, no se puede optimizar usando los métodos tradicionales. El modelo es entrenado de manera aditiva, en cada paso se agrega el árbol que minimiza la función objetivo, siguiendo el principio del descenso por gradiente. En cada iteración, el nuevo árbol se entrena para predecir los errores del modelo anterior y ajustar en esa dirección. El valor final de la predicción es la suma de las predicciones de cada árbol obtenido en cada iteración del modelo. Una característica positiva del algoritmo es su robustez ante datos faltantes. El modelo aprende un camino por defecto en cada división y ese camino es asignado a las observaciones que no tienen datos en esa variable. Esto, además de mejorar la velocidad y evitar la imputación, ayuda a mantener la precisión incluso cuando los datos faltantes son numerosos. La variable dependiente fue la desvinculación estudiantil en el primer semestre, codificada como binaria: Desvinculado (D = 1) vs. No desvinculado (D = 0) Se analizaron múltiples variables predictoras derivadas de los formularios institucionales y la prueba diagnóstica, buscando establecer su relevancia en la construcción del indicador.