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

727 Sensibilidad: capacidad del modelo para identificar Verdaderos Positivos (VP), es decir, proporción de casos positivos reales que el modelo identifica correctamente. Sensibilidad = VP / (VP + FN) En este caso, capacidad del modelo para predecir desvinculación, en estudiantes que efectivamente se desvincularon. Especificidad: capacidad del modelo para identificar Verdaderos Negativos (VN), es decir, proporción de casos negativos reales que el modelo identifica correctamente. Especificidad = VN / (VN+FP) En este caso, capacidad del modelo para predecir la no desvinculación, en estudiantes que efectivamente no se desvincularon. 4. Consideraciones finales Los resultados presentados constituyen una primera aproximación al uso de herramientas de inteligencia artificial para la detección temprana de estudiantes en riesgo de desvinculación en la Facultad de Ciencias Económicas y de Administración de la Universidad de la República. A través de la integración de diversas fuentes de datos institucionales y la aplicación de metodologías predictivas, se avanza en el desarrollo de un sistema de alerta temprana que permita identificar a tiempo a los estudiantes que presentan mayor vulnerabilidad académica. Esta identificación temprana busca ser una base sólida para diseñar intervenciones educativas más efectivas, oportunas y personalizadas, orientadas a mejorar la trayectoria formativa y promover la permanencia en los estudios. Este trabajo, en línea con los objetivos del congreso, propone una forma de innovación disciplinar que conecta saberes pedagógicos, estadísticos y tecnológicos al servicio de una problemática crítica en el ámbito de la educación superior: la permanencia y culminación de estudios. A su vez, se alinea con la promoción del enfoque SoTL, al poner la evidencia empírica en el centro del rediseño de las prácticas institucionales. Finalmente, se destaca que este modelo no busca reemplazar el juicio profesional ni las acciones de acompañamiento, sino complementarlas, ofreciendo a las instituciones herramientas concretas para anticipar problemas y orientar recursos hacia quienes más lo necesitan. Se prevé que futuras etapas del proyecto incluyan la validación longitudinal del indicador y su eventual incorporación a los sistemas institucionales de gestión académica. De esta manera, se espera contribuir al fortalecimiento de los dispositivos de apoyo estudiantil, favoreciendo trayectorias educativas más continuas y exitosas. Referencias bibliográficas Carbajal, S. (2014). La permanencia del estudiante durante el año de ingreso a la Universidad de la República: Una construcción colectiva. InterCambios , 1 (1), 73–81. Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y., Cho, H., & Li, Y. (2023). xgboost: Extreme Gradient Boosting (R package version 1.7.8.1). https://CRAN.R- project.org/package= xgboost