Tesis Doctoral Presentada Por

Universidad de Granada
PROGRAMA DE DOCTORADO EN CIENCIAS DE LA EDUCACIÓN
Línea de investigación: Currículum, organización y formación para la

equidad en la sociedad del conocimiento
ACCIONES TUTORIALES CON TIC ATENDIENDO A FACTORES
PREDICTIVOS DE LA DESERCIÓN ESTUDIANTIL EN CARRERAS DE
INGENIERÍA INFORMÁTICA
Tesis Doctoral Presentada por:

Niurys Lázaro Alvarez
Dirigida por:
Dra. Zoraida Callejas Carrión
Dr. David Griol Barres
Granada, 2020
Investigación financiada por la Asociación Universitaria Iberoamericana de Posgrado (AUIP). Programa de

Formación de Doctores en Educación, con énfasis en Tecnologías educativas. Convenio específico de
colaboración entre AUIP, UCI (Cuba), UGR y US (España). Mayo 2015.
Editor: Universidad de Granada. Tesis Doctorales
Autor: Niurys Lázaro Alvarez
ISBN: 978-84-1306-686-8
URI: http://hdl.handle.net/10481/64571
Como Directores de la Tesis y hasta donde nuestro conocimiento alcanza el trabajo ha sido realizado por el/la
doctorando/a bajo nuestra dirección y se han respetado los derechos de otros autores a ser citados, cuando
se han utilizado sus resultados o publicaciones. Así mismo, el trabajo reúne todos los requisitos de contenido,
teóricos y metodológicos para ser admitido a trámite, a su lectura y defensa pública, con el fin de obtener el
referido Título de Doctor, y por lo tanto AUTORIZO la presentación de la referida Tesis para su defensa y
mantenimiento de acuerdo con lo previsto en el Real Decreto 99/2011, de 28 de enero,
As Thesis Supervisor, to the best of my knowledge the work has been undertaken by the doctoral candidate,
under my directorship, and authors’ citation rights have been duly respected when referring to others’ results
or publications. The work fulfils all of the requirements necessary, in terms of theoretical and methodological
content, for its submission and public defense, with a view to obtaining the Title of Doctor. I therefore
AUTHORIZE the presentation of the aforementioned Thesis, to be defended and upheld in accordance with
the Royal Decree 99/2011 of 28th January,
Granada, septiembre de 2020
Director/es de la Tesis/Thesis Director(s)
Fdo. Zoraida Callejas Carrión Fdo. David Griol Barres
SRA. COORDINADORA DEL PROGRAMA DE DOCTORADO EN CIENCIAS DE LA

EDUCACIÓN
Código Seguro de verificación:hjUH1vrFCFKmmM5ki2PVBg==. Permite la verificación de la integridad de una

copia de este documento electrónico en la dirección: https://sede.ugr.es/verifirma/
Este documento incorpora firma electrónica reconocida de acuerdo a la Ley 59/2003, de 19 de diciembre, de firma electrónica.
FIRMADO POR ZORAIDA CALLEJAS CARRIÓN FECHA 25/09/2020
DAVID GRIOL BARRES
ID. FIRMA afirma.ugr.es hjUH1vrFCFKmmM5ki2PVBg== PÁGINA 1/1
hjUH1vrFCFKmmM5ki2PVBg==
Investigación financiada por la Asociación Universitaria Iberoamericana de Posgrado
(AUIP). Programa de Formación de Doctores en Educación, con énfasis en Tecnologías
educativas. Convenio específico de colaboración entre AUIP, UCI (Cuba), UGR y US
(España). Mayo 2015.

AGRADECIMIENTOS
Quiero agradecer a la Universidad de las Ciencias Informáticas, a la Asociación
Universitaria Iberoamericana de Posgrado y a la Universidad de Granada, la posibilidad
de realizar esta tesis doctoral.
Un agradecimiento especial a mis directores de tesis, Dra. Zoraida Callejas Carrión y Dr.
David Griol Barres, por su constante apoyo, excelente conducción y profesionalidad, que
me permitieron crecer y avanzar para llegar a feliz término de nuestra investigación.
Gracias por enamorarse de este proyecto y también por su amistad.
A mi tutora, Dra. María Jesús Gallego Arrufat por sus constantes alertas y ánimos para
continuar. A los magníficos doctores de la UGR, que ampliaron mis conocimientos sobre las
tecnologías educativas: Rosana Montes, Vanesa Gámiz, Ignacio Blanco, Manuel y Daniel
Cebrián; a los que me abrieron las puertas de la metodología cualitativa: José Martos,
Maximiliano Ritaco y Almudena Ocaña. Gracias a todos por su dedicación.
Quiero agradecer el apoyo recibido por todos los compañeros de la UCI, especialmente a
la Dra. Rosa Adela González Noguera por acompañarme en la gestación del primer diseño
de investigación; al Dr. Jorge Sergio Menéndez por su ayuda incondicional. A mi querida
maestra Dra. María Caridad Valdés por sus certeros consejos presenciales y virtuales.
A los compañeros del doctorado, con los que conviví y compartí las estancias de
investigación, de los que aprendí y recibí: Yomé, Frank, Keidy, la Negra, Julián, Danilo,
Carlos y Liliana. Gracias también a Alién, Nora y Basulto.
No puedo dejar de agradecer a mis estudiantes, por sus preguntas, inquietudes y curiosidad
por conocer de los avances. A todos los que voluntariamente accedieron a las entrevistas.
Por último, y no menos importante, a mi familia, por su paciencia y comprensión. A mi
madre, que, por fin, verá a su hija hacerse doctora; gracias por tu exigencia constante. A mi
hermana, por la confianza espiritual que me inspira.
A mi querido esposo, Jorge, agradezco tu ayuda infinita, tu paciencia ante mis desvelos y
trabajos de madrugada, este resultado también es tuyo.
A mis amados hijos Adriana, Alejandro y Amanda; por ellos y para ellos es esta tesis.
DEDICATORIA
Dedico esta tesis
A mis amados hijos Adriana, Alejandro y Amanda
A mis queridos estudiantes

ÍNDICE DE CONTENIDOS
RESUMEN ............................................................................................................................ 9
ABSTRACT ........................................................................................................................ 11
CAPÍTULO 1: INTRODUCCIÓN.................................................................................... 13
1.1. Justificación de la investigación ................................................................................ 13
1.2. Antecedentes de la investigación ............................................................................... 17
1.3. Contexto de la investigación ...................................................................................... 21
1.4. Estructura de la tesis .................................................................................................. 27
PARTE I: MARCO TEÓRICO DE LA INVESTIGACIÓN ......................................... 29
CAPÍTULO 2: LA DESERCIÓN ESTUDIANTIL ......................................................... 31
2.1. La deserción estudiantil en la Universidad ................................................................ 31
2.1.2 Auge de los estudios interinstitucionales e internacionales ................................. 45
2.1.3. Estudios en entornos STEM a nivel internacional .............................................. 52
2.2. La deserción estudiantil en programas de Ingeniería Informáticas en Cuba ............. 62
CAPÍTULO 3: ESTUDIOS PREDICTIVOS DE DESERCIÓN ................................... 69
3.1. Estudios correlacionales y de predicción ................................................................... 71
3.2. Estudios de minería de datos...................................................................................... 73
PARTE II. DISEÑO METODOLÓGICO DE LA INVESTIGACIÓN ........................ 79
CAPÍTULO 4: INTRODUCCIÓN A LA METODOLOGÍA......................................... 81
4.1. Fases y diseño teórico de la investigación ................................................................. 81
4.2. Objetivos de investigación ......................................................................................... 85
4.3. Propuesta de modelo teórico de deserción en carreras de perfil Ingeniería Informática
........................................................................................................................................... 86
4.4. Formulación de hipótesis ........................................................................................... 90
CAPÍTULO 5: MÉTODOS DE INVESTIGACIÓN ....................................................... 93
5.1. Población y muestra ................................................................................................... 93
5.2. Variables de investigación ......................................................................................... 95
5.2.1. Variable dependiente: Deserción estudiantil en carreras de perfil Ingeniería
Informática .................................................................................................................... 96
5.2.2. Variables independientes previas al ingreso a la Universidad ............................ 97
5.2.3. Variables independientes posteriores al ingreso a la Universidad .................... 100
i
5.3. Diseño metodológico de la investigación ................................................................ 102
5.3. Diseño del análisis cuantitativo ............................................................................... 104
5.4. Diseño del análisis cualitativo ................................................................................. 111
5.5. Diseño de la triangulación metodológica ................................................................. 114
PARTE III: ANÁLISIS Y DISCUSIÓN DE RESULTADOS ...................................... 119
CAPÍTULO 6: ANÁLISIS Y DISCUSIÓN DE RESULTADOS DE LA
INVESTIGACIÓN CUANTITATIVA ........................................................................... 121
6.1. Análisis descriptivo y de correlación de los datos ................................................... 121
6.2. Descripción y resultados del análisis de Regresión Logística ................................. 129
6.3. Descripción y resultados del Análisis Discriminante .............................................. 134
6.4. Descripción y resultados del estudio de clasificación automática ........................... 137
6.4.1. Estudio con tres clases....................................................................................... 141
6.4.2. Estudio con dos clases ....................................................................................... 144
6.5. Conclusiones del estudio cuantitativo ...................................................................... 149
INVESTIGACIÓN CUALITATIVA .............................................................................. 153
7.1. Descripción y resultados de la aplicación de la entrevista semiestructurada........... 153
7.2. Análisis de contenidos de las entrevistas a estudiantes que causaron baja .............. 158
7.3. Conclusiones del estudio cualitativo ........................................................................ 189
CAPÍTULO 8: TRIANGULACIÓN METODOLÓGICA DE LOS RESULTADOS 191
8.1. Triangulación metodológica de los resultados ......................................................... 191
8.2. Principales conclusiones del estudio de triangulación ............................................. 196
PARTE IV: LA ACCIÓN TUTORIAL CON TIC ATENDIENDO A FACTORES
PREDICTIVOS DE DESERCIÓN ................................................................................. 199
CAPÍTULO 9: ESTUDIO TEÓRICO Y METODOLÓGICO SOBRE LAS
ESTRATEGIAS DE RETENCIÓN DE ESTUDIANTES ............................................ 201
9.1. Estrategias de retención de estudiantes en la Universidad....................................... 201
9.2. Estrategias de retención de estudiantes en Ingeniería .............................................. 212
9.3. Conclusiones del capítulo ........................................................................................ 222
CAPÍTULO 10: DISEÑO DIDÁCTICO Y ESTRATEGIA PARA LA PUESTA EN
PRÁCTICA DE ACCIONES TUTORIALES CON TIC PARA ATENDER LA
DESERCIÓN .................................................................................................................... 225
10.1. Diseño didáctico de acciones tutoriales .............................................................. 226
10.1.1. Elementos estructurales para el diseño didáctico de la acción tutorial ........... 233
10.1.2. Elementos de contenido para el diseño didáctico de la acción tutorial ........... 239
10.2 Planeación estratégica para la puesta en práctica de las acciones tutoriales........... 249
ii
CAPÍTULO 11: CONCLUSIONES Y TRABAJO FUTURO ...................................... 275
11.1 Cumplimiento del Objetivo I.1 ............................................................................... 276
11.3.1 Síntesis del cumplimiento de las hipótesis ....................................................... 278
11.5 Cumplimiento del Objetivo II.1 .............................................................................. 281
11.6 Cumplimiento del Objetivo III.1............................................................................. 282
11.7. Líneas de trabajo futuro ......................................................................................... 284
ARTÍCULOS PUBLICADOS COMO RESULTADO DE LA TESIS ........................ 287
ANEXOS............................................................................................................................ 324
ANEXO 1. Estudios de Deserción con énfasis en STEM y en Ingeniería Informática en
WoS, Scopus y Google Scholar ........................................................................................ 327
ANEXO 2. Entrevista semiestructurada a estudiantes que causaron baja de la carrera
............................................................................................................................................ 353
ANEXO 3. Registro de las respuestas de los entrevistados........................................... 355
ANEXO 4. Convocatoria para participar en un Grupo de Discusión ......................... 367
ANEXO 5. Consulta a especialistas sobre pertinencia de aplicación de la propuesta en
la UCI ................................................................................................................................. 369
iii
iv
ÍNDICE DE TABLAS
Tabla 1. Tasa de deserción en países de América Latina y el Caribe, carreras de Derecho,

Medicina e Ingeniería en porciento redondeado por género (H) hombre, (M) mujer y (T)
total ....................................................................................................................................... 18
Tabla 2. Variables identificadas por modelos iniciales de deserción-retención estudiantil . 43
Tabla 3. Selección de artículos sobre factores de deserción en carreras de perfil Ingeniería
Informática organizadas por tipo de estudio......................................................................... 57
Tabla 4. Cantidad de veces que se utilizan las diferentes técnicas cuantitativas en 39
estudios ................................................................................................................................. 69
Tabla 5. Cantidad de estudios por tamaño de muestra, cohortes utilizadas y escenarios de
estudios ................................................................................................................................. 70
Tabla 6. Descripción de las variables, tipo y valores asignados........................................... 96
Tabla 7. Resumen de estudios, técnicas utilizadas y resultados de exactitud .................... 108
Tabla 8. Distribución de estudiantes por provincias, porcentaje respecto a la muestra ..... 122
Tabla 9. Resultados de la prueba Chi-cuadrado entre las Variables Independientes y la
Deserción estudiantil .......................................................................................................... 123
Tabla 10. Resultados de correlación de Spearman entre las variables Género, Provincia de
procedencia, Opción en que solicitó la carrera, Fuente de ingreso y Nota del examen de
ingreso en Matemática con la Deserción estudiantil en carreras de Ingeniería Informática
............................................................................................................................................ 124
Tabla 11. Resultado de regresión logística de las variables género, opción de carrera, fuente
de ingreso, provincia de procedencia con la variable dependiente deserción estudiantil con
el SPSS ............................................................................................................................... 130
Tabla 12. Resultados de la regresión logística entre las variables NEIM y RAMP con SPSS
............................................................................................................................................ 132
Tabla 13. Regresión logística entre RAMP y deserción estudiantil ................................... 133
Tabla 14. Valores de los rangos y logaritmos naturales de los determinantes de cada grupo
............................................................................................................................................ 134
Tabla 15. Correlación entre variables y funciones discriminantes ..................................... 135
Tabla 16. Resumen de funciones discriminantes canónicas (Autovalores)........................ 135
Tabla 17. Resumen de funciones discriminantes canónicas (Lambda de Wilks) ............... 135
Tabla 18. Clasificación pronosticada respecto a las variables de clasificación.................. 136
Tabla 19. Valor de Exactitud (accuracy), Exhaustividad (recall), Precisión (precision) y el
valor F (f-measure) de los casos clasificados como deserción ........................................... 137
Tabla 20. Clasificación de las características analizadas por grupo, tipo de variable y código
utilizado .............................................................................................................................. 140
Tabla 21. Valor de Exactitud, Exhaustividad, Precisión y el valor F utilizando tres clases
(promoción, repitencia y deserción) ................................................................................... 141
Tabla 22. Valor de Exactitud, Exhaustividad, Precisión y el valor F utilizando dos clases
(promueve y no promueve)................................................................................................. 144
Tabla 23. Númerode entrevistados por provincias ............................................................. 154
Tabla 24. Frecuencia de los nodos de la categoría actuación después del abandono ......... 162
Tabla 25. Presencia de nodos por casos, provincias y género ............................................ 163
Tabla 26. Frecuencia de los nodos total y por género en valor absoluto y porcentual ....... 165
v
Tabla 27. Valor de la intensidad de cada nodo (causas académicas y motivacionales) de
forma individual, por provincias y total ............................................................................. 168
Tabla 28. Valor de la intensidad de cada nodo (causas emergentes) de forma individual, por
provincias y total ................................................................................................................ 169
Tabla 29. Valor de la intensidad de cada nodo (causas académicas y motivacionales) de
forma individual y por género ............................................................................................ 171
Tabla 30. Valor de la intensidad de cada nodo (causas emergentes) de forma individual y
por género ........................................................................................................................... 173
Tabla 31. Nivel de densidad y concentración de las entrevistas por género ...................... 175
Tabla 32. Orden de aparición de los nodos ........................................................................ 176
Tabla 33. Significado de los nodos de la categoría causas emergentes .............................. 178
Tabla 34. Categorización de las causas de deserción descritas por entrevistados .............. 180
Tabla 35. Valores de Exactitud, Exhaustividad, Precisión y el valor F de los casos
clasificados como deserción, mediante las técnicas de análisis discriminante, árboles de
decisión y redes neuronales ................................................................................................ 192
Tabla 36. Triangulación de los resultados mediante métodos cuantitativos y cualitativos 193
Tabla 37. Propuestas de acciones para la retención de estudiantes de Ingeniería .............. 212
Tabla 38. Fortalezas y debilidades en el diseño de acciones para la retención .................. 215
Tabla 39. Resumen de las fortalezas y debilidades identificadas en el diseño y desarrollo de
las acciones propuestas y estudiadas .................................................................................. 222
Tabla 40. Características de la tutoría, la consulta y la orientación como modelos para la
intervención pedagógica ..................................................................................................... 229
Tabla 41. Herramientas para la comunicación síncrona y asíncrona ................................. 245
Tabla 42. Guía para el diseño didáctico de acciones tutoriales .......................................... 248
Tabla 43. Caracterización de la muestra de tutores por años de experiencia, formación
inicial, categoría docente y científica ................................................................................. 253
Tabla 44. Matriz DAFO sobre el proceso de diseño y desarrollo de la acción tutorial para
atender factores predictivos de deserción estudiantil en el primer año en la UCI. Entre
paréntesis, el porcentaje de presencia del elemento planteado ........................................... 253
Tabla 45. Propuesta de acciones estratégicas a partir de la matriz DAFO ......................... 256
Tabla 46. Plan de actividades por etapas, objetivos y resultados esperados ...................... 261
Tabla 47. Respuesta de los directivos docentes sobre la pertinencia de aplicación de la
propuesta en la UCI ............................................................................................................ 270
vi
ÍNDICE DE FIGURAS
Figura 1. Eficiencia académica de carreras seleccionadas en Cuba desde 2012 al 2018 ..... 24
Figura 2. Modelo sociológico de Spady ............................................................................... 38
Figura 3. Modelo interaccionista de Tinto............................................................................ 39
Figura 4. Modelo interaccionista y organizacional de Bean ................................................ 40
Figura 5. Modelo interaccionista y organizacional de Pascarella y Terenzini ..................... 41
Figura 6. Modelo psicológico de Ethington ......................................................................... 42
Figura 7. Modelo conceptual para la deserción estudiantil universitaria chilena ................. 47
Figura 8. Modelo integracionista de las variables o factores fundamentales que determinan
la manifestación de la eficiencia académica en Instituciones de Educación Superior ......... 50
Figura 9. Evolución en el número de publicaciones en WoS sobre deserción universitaria en
los últimos 20 años ............................................................................................................... 54
Figura 10. Serie histórica de eficiencia académica total y vertical de todas las carreras del
curso regular diurno adscritas al Ministerio de Educación Superior desde 2012 al 2018 .... 63
Figura 11. Gráfico del comportamiento de la eficiencia académica en las carreras de
Ingeniería Informática, Ingeniería en Ciencias Informáticas y el promedio de ambas ........ 65
Figura 12. Fases definidas en la investigación ..................................................................... 83
Figura 13. Esquema del modelo de deserción estudiantil en carreras de Ingeniería
Informática. Elaboración propia. .......................................................................................... 88
Figura 14. Hipótesis planteadas para la investigación ......................................................... 91
Figura 15. Porcentaje representativo de la muestra respecto a la población por provincias 94
Figura 16. Diseño de triangulación concurrente ................................................................. 114
Figura 17. Diseño metodológico de la Fase I de la investigación. Fuente: Elaboración
propia .................................................................................................................................. 117
Figura 18. Situación escolar de los estudiantes en el curso 2013-2014 por género ........... 122
Figura 19. Cantidad de estudiantes de la muestra N=485 por rango de notas del examen de
ingreso en Matemática ........................................................................................................ 126
Figura 20. Gráfico del resultado de la tabulación cruzada entre el rango de NEIM y el
RAMP en el primer año de la carrera ................................................................................. 127
Figura 21. Gráfico del resultado de la tabulación cruzada entre el RAMP y la Deserción
Estudiantil (Situación escolar al concluir el primer año) ................................................... 128
Figura 22. Representación del diagrama de dispersión de las Funciones Discriminantes 1 y
2 por grupos de clasificación .............................................................................................. 136
Figura 23. Árbol de decisión correspondiente a todas las características y dos clases ...... 146
Figura 24. Árbol de decisión correspondiente a las características del primer semestre y dos
clases ................................................................................................................................... 147
Figura 25. Árbol de decisión correspondiente a las características de preinscripción con dos
clases ................................................................................................................................... 148
Figura 26. Nodos conglomerados por similitud de la palabra “entrevista” ........................ 156
Figura 27. Nodos conglomerados por similitud de palabras “Pregunta 1” ........................ 157
Figura 28. Nodos conglomerados por similitud de palabras “motivación” ........................ 157
Figura 29. Unidades de análisis y codificación .................................................................. 161
Figura 30. Codificación con NVivo de las respuestas de un entrevistado ......................... 179
Figura 31. Nube de palabras generada a partir de las respuestas del caso PR12 S: F ........ 187
Figura 32. Nube de palabras generada a partir de las respuestas de todos los entrevistados a
la Pregunta 1 ....................................................................................................................... 188
vii
Figura 33. Diseño de un Plan de retención para universidades colombianas ..................... 209
Figura 34. Organigrama para el desarrollo de la acción tutorial en la UCI ........................ 234
Figura 35. Etapas de la planeación estratégica ................................................................... 259
Figura 36. Esquema de los elementos que componen y fundamentan la estrategia ........... 265
Figura 37. Ejes de acción de la estrategia ........................................................................... 268
Figura 38. Método científico de investigación acción en el proceso de diseño, desarrollo y
evaluación de la acción tutorial .......................................................................................... 269
Figura 39. Esquema de los elementos que integran la propuesta ....................................... 274
viii
RESUMEN
RESUMEN
La deserción de los estudiantes en la Universidad es una problemática actual,
relevante y de alcance internacional. El estudio de los factores que predicen y determinan la
decisión del estudiante de abandonar los estudios de una determinada carrera o grado, se ha
incrementado en las últimas décadas.
El creciente desarrollo científico-técnico de la sociedad y la informatización de los
procesos, demanda de las universidades una mayor cantidad de egresados de carreras de
perfil Ingeniería Informática. Sin embargo, los estudios demuestran que, pese a que se han
incrementado las matrículas, los índices de abandono son tan altos que no logran cubrir la
demanda; lo que constituye una problemática compleja, multicausal y que requiere de
estudios contextualizados a las condiciones educativas concretas.
Ante la deserción estudiantil, las instituciones educativas proponen diversas
estrategias de intervención y de integración para lograr la permanencia del mayor número de
estudiantes. La mayoría de las propuestas para carreras de Ingeniería Informática están
relacionadas con el desarrollo de acciones de orientación y tutoría, actualización de los
métodos de enseñanza-aprendizaje y/o el incremento del uso de las Tecnologías de la
Información y las Comunicaciones (TIC).
El objetivo general de esta investigación consiste en identificar los factores que
determinan la deserción estudiantil universitaria en las carreras de Ingeniería Informática y
proponer elementos estructurales y de contenido para el diseño didáctico y la puesta en
práctica de acciones tutoriales con TIC que atiendan a los factores detectados.
El estudio se realiza mediante un diseño de investigación mixto no experimental. En
primer lugar, a partir de la sistematización rigurosa de la bibliografía se obtiene un modelo
9
ACCIONES TUTORIALES CON TIC ATENDIENDO A FACTORES PREDICTIVOS
DE LA DESERCIÓN ESTUDIANTIL EN CARRERAS DE INGENIERÍA INFORMÁTICA
teórico de deserción en carreras de Ingeniería Informática. Posteriormente se determinan los
factores predictivos de deserción estudiantil en Cuba mediante un estudio cuantitativo
correlacional, multivariado y predictivo empleando una muestra representativa de estudiantes
de la Universidad de las Ciencias Informáticas de La Habana. Se complementa con un estudio
cualitativo mediante entrevista semiestructurada a estudiantes que causaron baja de esta
carrera. A continuación, se realiza una triangulación metodológica para confirmar los
hallazgos, incrementar la validez de los resultados y alcanzar una mayor comprensión de los
factores identificados.
Con el objetivo de realizar una propuesta para la retención de los estudiantes, se
obtienen, mediante el análisis y síntesis de las propuestas revisadas, las fortalezas y
debilidades que desde la didáctica presentan las acciones estudiadas. Por último, se
consideran estos resultados para proponer los elementos estructurales y de contenido a tener
en cuenta en el diseño didáctico y la puesta en práctica de acciones tutoriales con TIC para
atender los factores predictivos de deserción identificados para la carrera Ingeniería en
Ciencias Informáticas de la Universidad de las Ciencias Informáticas de Cuba. Se evalúa la
pertinencia de aplicación de la misma mediante consulta con especialistas (directivos
docentes de la institución).
Palabras Clave: Deserción estudiantil, Abandono, Educación Superior, Ingeniería
Informática, Metodología cuantitativa y cualitativa, Acción tutorial.
10
ABSTRACT
ABSTRACT
University dropout is a current, relevant and international problem. The study of the
factors that predict and determine the students’ decision to abandon their studies has
increased in the last decades.
The growing scientific and technical development of society and the computerization
of processes demand of universities more Computer Engineering graduates. However,
studies show that despite an increase in enrollment, dropout rates are so high that universities
are unable to meet the demand; which is a complex, multi-causal problem that requires
studies contextualized to the specific educational conditions.
Faced with student dropout, educational institutions propose various intervention and
integration strategies to achieve the permanence of the highest number of students. Most
proposals for Computer Engineering degrees are related to the development of orientation
and tutoring actions, teaching and learning methods updating and/or the increase of the use
of Information and Communication Technologies (ICT).
The general objective of this Thesis is to identify the factors that determine university
dropout in Computer Engineering degrees and to propose structural and content elements for
the design and application of ICT-based tutoring actions to address the factors detected.
The study is conducted using a mixed non-experimental research design. Firstly, from
the rigorous systematization of bibliography, a theoretical model of dropout in Computer
Engineering degrees is obtained. Afterwards, the predictive factors of students' dropout in
Cuba are determined through a correlational, multivariate and predictive quantitative study
over a representative sample of students from University of Informatics Sciences of La
11
Habana. The study is complemented with a qualitative analysis through semi-structured
interviews to students who dropped out of this course. Next, a methodological triangulation
is performed to confirm the findings, increase the validity of the results and reach a deeper
understanding of the factors identified.
With the aim of making a proposal for student retention, through the analysis and
synthesis of the revised contributions, we identify the strengths and weaknesses of state-of-
the-art actions from a didactic point of view. Finally, these results are considered, so as to
make a proposal of the structural and content-related elements to be considered in the didactic
design and the implementation of tutorial actions with ICTs, aimed at addressing the
predictive factors of student dropout in Computer Engineering at the University of
Informatics Sciences in Cuba.
Keywords: Students dropout, Higher education, Computer Science, Computer
Engineering, Quantitative and qualitative methodologies, Tutoring actions.
12
CAPÍTULO 1: INTRODUCCIÓN
Este capítulo está estructurado en cuatro secciones, en la primera se abordan los elementos
que justifican la investigación que se presenta en esta Tesis Doctoral, seguidamente se realiza
un primer acercamiento a los antecedentes encontrados sobre las principales temáticas
abordadas en la investigación; a continuación, se explica el contexto donde se aplica el
estudio y finalmente se describe la estructura del presente documento.
1.1. Justificación de la investigación
La deserción de los estudiantes en la Universidad es una problemática compleja,
relevante y de alcance internacional; se entiende de forma concisa como el abandono de los
estudios superiores por parte de no pocos estudiantes. Este concepto se definirá con más
detalle en el Capítulo 2.
El estudio de los factores que predicen y determinan la decisión del estudiante de
abandonar los estudios de una determinada carrera o grado se ha incrementado en las últimas
décadas debido a múltiples factores y tiene implicaciones no sólo para los estudiantes, sino
también para las instituciones y la sociedad (Kori, 2017; Lynch, 2015; Peña, 2016).
En la III Conferencia Regional de Educación Superior para América Latina y el
Caribe desarrollada en 2018, se analizó la contradicción entre el alto interés en el ingreso y
la limitada atención a la deserción (coord. Gacel-Ávila, 2018). En consecuencia, se derivó
un Plan de Acción para el periodo del 2018 al 2028, donde una de las estrategias indicativas
definidas constituye uno de los elementos que justifican la presente investigación. Se trata de
la estrategia indicativa 5.1.2 que plantea: “Diseñar e implementar sistemas de seguimiento
13
de estudiantes para identificar las dificultades (intra-institucionales y extra-institucionales)
que llevan a la deserción temporaria o permanente” (UNESCO-IESALC, 2018, p.36).
Por otra parte, el creciente desarrollo científico-técnico de la sociedad y la
informatización de los procesos, demanda de las universidades un mayor número de
egresados de carreras de perfil Ingeniería Informática. Sin embargo, los estudios demuestran
que a pesar de haberse incrementado las matrículas, los índices de abandono son tan altos
que no logran cubrir la demanda (Canedo, Santos, y Leite, 2018; Peña-Calvo, Inda-Caro,
Rodríguez-Menéndez, y Fernández-García, 2016). Incluso, estudios realizados en Finlandia,
país reconocido con uno de los mejores sistemas educativos, reportan un mayor riesgo de
abandono en áreas de la Ciencia, la Tecnología, la Ingeniería y las Matemáticas (STEM por
sus siglas en inglés, Science, Technology, Engineering and Mathematics) (Korhonen y
Rautopuro, 2018).
Debido a las implicaciones que tiene la deserción para la sociedad, la UNESCO ha
dedicado varios de sus informes a analizar la problemática. Al hacer un análisis de los jóvenes
con edades entre 25 a 29, que habían terminado cinco años de Educación Superior en
América Latina y el Caribe, se informa que solo el 7% lo habían logrado en el año 2000 y el
10% en 2010 (OREALC/UNESCO, 2013). Por otra parte, alrededor del 50% de los que
iniciaron la Educación Superior en algún momento, no habían finalizado sus estudios en
2013. Entre ellos, la mitad abandona durante o al terminar el primer año (Lemaitre, 2018).
Las cifras aportadas en informes de diferentes estudios y contextos indican la
importancia de investigar la deserción. Por ejemplo, otro estudio de la UNESCO da cuentas
de la eficiencia académica y deserción estudiantil de diferentes carreras en países de América
Latina y el Caribe. Del análisis de los resultados de dichos estudios es fácil deducir que, a
14
pesar de que Cuba es de los países que registran mejores índices de eficiencia académica, en
las carreras del dominio de las “Ingenierías”, presenta un porcentaje de deserción superior al
promedio de la región latinoamericana y caribeña (L. E. González, 2007). Por este motivo,
la investigación de esta tesis doctoral se enfoca en la deserción que se produce durante, o al
culminar el primer año de estudios en carreras del perfil Ingeniería Informática en la
República de Cuba.
Los resultados de investigación que se presentan responden al perfeccionamiento que
se realiza en la Educación Superior (ES) cubana, relacionados con la necesidad de
incrementar la eficiencia del ciclo escolar y la matrícula en carreras del perfil que se analiza.
El contenido de estas directrices de política económica y social exigió a las universidades
realizar una revisión profunda de los programas de formación de ES y desarrollo de los
profesionales cubanos, en correspondencia con los nuevos escenarios y condiciones
complejas que se vislumbran para primera mitad de siglo XXI.
El interés personal en el tema de investigación se relaciona con el desempeño
profesional actual de la autora de esta tesis. Desde el año 1990 soy profesora de Matemáticas
en diferentes niveles educativos, como secundaria, preuniversitario y universitario. Hace 12
años, imparto clases de Matemáticas a estudiantes de primer año de la carrera Ingeniería en
Ciencias Informáticas en La Habana y se pudo constatar el fracaso y posterior abandono de
no pocos de ellos. Otra experiencia vivida, no menos importante, fue el trabajo desplegado
durante tres cursos académicos en calidad de decana de una Facultad, en la que se pudo
constatar una buena cantidad de solicitudes de salida de la Universidad por parte de los
estudiantes, alegando disímiles causas. Estas historias reales de vida han dejado una huella
que ha motivado el interés por este objeto de estudio.
15
Con el objetivo de hacer una propuesta que contribuya a disminuir la deserción en
carreras del perfil de Ingeniería Informática, se ha completado un estudio detallado de las
aportaciones para enfrentar la deserción, con especial énfasis en las propuestas relacionadas
con la tutoría, acción tutorial y/o programas de apoyo, por la posibilidad que brindan de
atender las necesidades educativas de los estudiantes (Alonso-García, Rodríguez-García, y
Cáceres-Reche, 2018; Álvarez y Álvarez, 2015; Conde, Hinojo, y Fuentes, 2017; M.
González, 2018).
Existen otras propuestas que se relacionan con el uso de las TIC. Por ejemplo,
estrategias basadas en la detección temprana de estudiantes en riesgo mediante la
clasificación automática (Costa et al., 2017; Lacave et al., 2016; Vila, Cisneros, Granda, y
Ortega, 2019). Ramírez, Espinosa, y Millán (2016) proponen una “Estrategia basada en TIC
para abordar la problemática de deserción estudiantil en pregrado” (p.56), que integra las TIC
para detectar factores de deserción y su aplicación en el proceso de enseñanza aprendizaje.
Derr et al. (2012) proponen en Alemania un sistema de autoevaluación de Matemáticas en
línea para los futuros estudiantes de Ingeniería, con acceso a módulos de aprendizaje y
tutoriales durante el primer año.
Precisamente, por la importancia que tiene el uso de las TIC en carreras del perfil que
se analiza y por la necesidad de atender las causas que provocan el abandono de estos
estudios, sobre todo en el primer curso académico, se justifica la realización de la
investigación que se presenta. En ella se realiza un estudio teórico y de campo, que ha
permitido identificar los factores predictivos de la deserción estudiantil en la carrera
Ingeniería en Ciencias Informática en Cuba. Se han identificado además fortalezas y
debilidades en cuanto al uso de la acción tutorial para atender dichos factores y a partir de
16
ahí, se proponen los elementos estructurales y de contenidos a tener en cuenta para el diseño
didáctico y la puesta en práctica de acciones tutoriales para la retención de estudiantes
atendiendo a dichos factores.
1.2. Antecedentes de la investigación
En las revisiones de fuentes bibliográficas realizadas se identifican diferentes
enfoques para estudiar la deserción en la ES, estos son principalmente: psicológico,
sociológico, interaccionista, organizacional y económico. En dichos enfoques se estudian
variables personales, familiares, institucionales y/o académicas para explicar el problema a
partir de modelos iniciales, aportados de forma cronológica por Spady (1970), Tinto (1975),
Bean (1980), Pascarela y Terenzini (1980) y Ethington (1990), entre otros. Dichos modelos,
han sido revisados por otros autores (Donoso y Schiefelbein, 2007; Suárez-Montes y Díaz-
Subieta, 2015) que abordan la temática, y se detallan en esta tesis en la Sección 2.1.
El Modelo de Vincent Tinto es uno de los más referenciados y utilizados para explicar
la deserción-retención. Plantea que la deserción se produce a partir de la relación entre los
propósitos, las metas y el compromiso que el estudiante establece con la institución educativa
y el resultado de la interacción social y académica que tenga durante sus estudios superiores
(Tinto, 1975).
La sistematización realizada nos permitió delimitar tres etapas para clasificar los
estudios referentes a la deserción. La etapa del 1970 al 2000, como la etapa de propuesta de
los modelos iniciales de deserción/retención; la etapa de 2000 al 2015, como la etapa de
consolidación de los modelos iniciales y auge de estudios interinstitucionales. Por último, el
periodo comprendido entre 2015 y hasta la fecha actual, donde varias instituciones han
17
incrementado sus esfuerzos en la investigación de las causas de esta problemática,
especialmente en los contextos STEM.
En relación con la segunda etapa, se han creado proyectos internacionales e
interinstitucionales para conceptualizar la deserción y determinar las causas que la provocan.
Tal es el caso de los estudios del Instituto de Educación Superior para América Latina y el
Caribe (IESALC), con el objetivo de dimensionar la magnitud de la deserción universitaria
en la región, donde participaron 15 países y se utilizaron datos de tres carreras de diferentes
áreas del conocimiento: Derecho, Medicina e Ingeniería Civil, durante el periodo 1999-2003
(IESALC-UNESCO, 2006).
Estos estudios han presentado sus resultados en diferentes informes donde se
evidencia que existen distintas tendencias de deserción según los países y tipos de carrera,
tal y como muestra la Tabla 1. Por ejemplo, en Chile, la mayor tasa de deserción está en la
carrera de Derecho, en Cuba se da en la carrera de Ingeniería, y en México es alta en todas
las carreras.
Tabla 1. Tasa de deserción en países de América Latina y el Caribe, carreras de Derecho,

Medicina e Ingeniería en porciento redondeado por género (H) hombre, (M) mujer y (T)
total
Ingeniería en
Derecho Medicina
Obras Civiles
Carrera H M T H M T H M T
Bolivia 45 40 43 42 40 41 31 25 30
Chile 50 46 48 5 12 8 17 19 17
Cuba 10 20 18 11 11 11 48 56 50
Honduras 17 22 21 65 32 51 56 27 51
México 51 44 48 40 39 40 70 58 68
Panamá 44 33 38 48 53 50 37 34 37
Rep. Dominicana 59 53 55 42 37 39 63 60 62
Promedio Deserción 40 37 40 33 30 32 46 40 38
Fuente: Elaborada por la autora en base al informe (González, 2007, p. 163)
18
Tal y como se ha descrito previamente, en el estudio que se presenta en esta tesis, se
enfoca la deserción en carreras de perfil Ingeniería Informática. No solo se analizan los
factores predictivos, también se estudia cuán temprano es posible detectar las causas y los
estudiantes en riesgo, por lo conveniente que es atenderlas a tiempo.
La Unión Europea, financió a partir del año 2011 el proyecto Gestión Universitaria
Integral del Abandono (GUIA) donde participaron 21 Instituciones de Educación Superior
(IES) de Europa y Latinoamérica. En el marco de este proyecto, se aportaron varios informes
explicativos de las causas e implicaciones de la deserción en diferentes instituciones, carreras
universitarias y países (Proyecto ALFA GUIA DCI-ALA/2010/94, 2012, 2013b, 2014).
El proyecto GUIA, en su web publica propuestas que contribuyen a elevar la
persistencia y retención según el contexto (Proyecto ALFA GUIA DCI-ALA/2010/94, s.f.).
De ellos, solo tres se relacionan con carreras de Ingeniería (Díaz, 2009; Fernández y
Domínguez, 2011; Oloriz, Lucchini, y Ferrero, 2007). A pesar de ello, no se proponen
acciones tutoriales con TIC para carreras de Ingeniería Informática, atendiendo a los factores
predictivos de la deserción.
En la actualidad, las demandas de graduados en las ramas de STEM se incrementan
por el creciente desarrollo científico-tecnológico y sus aplicaciones. Las estadísticas
recientes muestran que la deserción en estas carreras es alta (Peña-Calvo, Inda-Caro,
Rodríguez-Menéndez, y Fernández-García, 2016). Esto constituye, otro aval para de
pertinencia y justificación de la presente investigación.
Ubicado en la tercera etapa de estudios sobre la deserción, desde 2015 hasta el día de
hoy, uno de los proyectos más reciente que se ha estudiado, es el proyecto europeo para
involucrar a las mujeres de América Latina en los estudios y trabajos en perfiles STEM, “W-
19
STEM – Building the future of Latin America: engaging women into STEM”, liderado por el
Grupo GRIAL de la Universidad de Salamanca, donde participan 15 instituciones europeas
y latinoamericanas de 10 países con la colaboración de la UNESCO, que tiene como objetivo
general “…mejorar las estrategias y los mecanismos de atracción, acceso y orientación de las
mujeres en los programas de educación superior STEM en América Latina” (García-
Holgado, Camacho, y García-Peñalvo, 2019, p. 704).
En este proyecto, participan universidades de Chile, Colombia, México, Ecuador y
Costa Rica. Para cumplir su objetivo, realizan diversas acciones, entre otras: promueven
vocaciones STEM en chicas de secundaria y las orientan en su primer año de estudios
universitarios y desarrollan entrenamientos online que contribuyen a implementar las
acciones en las instituciones educativas. En su web, promocionan concursos, congresos,
conferencias, entre otras actividades (University of Salamanca (coord.), 2020).
Por otra parte, varias investigaciones proponen la tutoría como estrategia de
adaptación, persistencia y retención; sin embargo, hay evidencias de que se necesita
fortalecer el componente didáctico en las acciones tutoriales que se desarrollen, dirigidas a
atender los factores que más inciden en la deserción (Graffigna et al., 2014; Wilson, 2015).
En un estudio realizado sobre el Sistema Educativo en América Latina y el Caribe,
Cuba se destaca del resto de los países de este entorno. En cuanto a la matrícula en la
educación terciaria se quintuplicó en la década de 2000 al 2010, un avance “más acelerado”
que el resto de la región (Bellei, 2013, p.133).
Otro informe reciente de la RED Iberoamericana de Indicadores de Educación
Superior, plantea que la población de estudiantes en el periodo de 2010-2016 creció un 3,5%
anual en países de la región; sin embargo, en Cuba disminuyó, al establecer a partir de 2010
20
como requisito de ingreso, la obligatoriedad de aprobar exámenes de ingreso de Matemáticas,
Español Literatura e Historia de Cuba (García de Fanelli, 2018). Este es un elemento clave a
tener en cuenta dentro de las variables a estudiar, sobre todo, el examen de ingreso de
Matemáticas, por la incidencia que esta materia tiene para las Ingenierías.
También se han realizado transformaciones en la atención educativa dirigidas a
garantizar la permanencia de los estudiantes en la ES (Peña-Hernández, Martínez-Sánchez,
y Jesús-Calderíus, 2019). Sin embargo, cerca del 40% de los estudiantes que ingresan a la
ES en los cursos regulares diurnos, no logran culminar sus estudios (Horruitiner, 2009). A
pesar de ello, son escasos los estudios en Cuba para predecir la deserción y no se han
encontrado similares al que se propone, relacionados con carreras del perfil de Ingeniería
Informática.
1.3. Contexto de la investigación
Esta investigación se desarrolla en el contexto de la Educación Superior en Cuba. Son
varios los documentos que desde el punto de vista legislativo se establecen y se relacionan
con la presente investigación.
Uno de los aportes más importantes del sistema educativo cubano es la garantía de
equidad, accesibilidad y gratuidad a los servicios de educación, declarados en el Artículo 73
de la Constitución de la República de Cuba. “La educación es un derecho de todas las
personas y responsabilidad del Estado, que garantiza servicios de educación gratuitos,
asequibles y de calidad para la formación integral, desde la primera infancia hasta la
enseñanza universitaria de posgrado” (Asamblea Nacional del Poder Popular, 2019, p.83).
21
El Ministerio de Educación Superior de Cuba es el encargado de proponer, dirigir y
controlar la política del Estado relacionada con la educación superior. En tal sentido, existen
varias resoluciones que se relacionan con el tema de esta investigación.
El término deserción, se relaciona con la definición de “baja” que aparece en el
Reglamento de Organización Docente de la Educación Superior cubana, entendida como “la
suspensión temporal o definitiva de la condición de estudiante universitario” (Ministerio de
Educación Superior, 2017, p.15) y que se explica en detalles en la Sección 5.2.1, por
constituir la variable dependiente en el estudio de campo realizado.
En el Artículo 3 de este mismo Reglamento, se establece que el proceso de formación
para la Educación Superior se organiza en tres tipos de cursos: regular diurno, por encuentros
y a distancia (Ministerio de Educación Superior, 2017, p.2). Esta investigación se enfoca en
la deserción que se produce en carreras del perfil de Ingeniería Informática en el curso regular
diurno. Este tipo de curso es el que cuenta con la mayor matrícula en las universidades
cubanas.
Asimismo, existe una Resolución Ministerial que establece todas las Normas
Generales del Sistema de Ingreso a la Educación Superior (Ministerio de Educación Superior,
2014) a la que se han realizado modificaciones y adiciones (Ministerio de Educación
Superior, 2018a, 2019a). En esta Resolución, se establece como requisitos para ingresar a la
ES: ser graduado del nivel medio superior, aprobar los exámenes de ingreso establecidos para
acceder a las carreras y obtener plaza en una carrera. En caso del curso regular diurno, es
requisito tener como máximo 25 años.
La política económica y social cubana sigue dos lineamientos relacionados con la
necesidad de incrementar la eficiencia académica y el uso de tecnologías en la Educación:
22
151. Elevar el rigor y efectividad del proceso docente-educativo para incrementar la
eficiencia del ciclo escolar (porcentaje de graduados respecto a los matriculados al
inicio del ciclo).
152. Actualizar los programas de formación e investigación de las universidades en
función de las necesidades del desarrollo económico y social del país y de las nuevas
tecnologías, e incrementar la matrícula en carreras agropecuarias, pedagógicas,
tecnológicas y de ciencias básicas afines. (VI Congreso del Partido Comunista de
Cuba, 2011, p.24)
En este contexto, los indicadores de calidad relacionados con la deserción que se
analizan por el Ministerio de Educación Superior son la retención y la eficiencia académica.
Se considera la retención como la proporción de estudiantes que continúan en el sistema
educativo, ya sea porque promueven al año siguiente o repiten un año académico, respecto a
los que ingresaron. La eficiencia académica es la cantidad de promovidos, respecto a los que
ingresaron. A los efectos de promoción, las bajas (deserción en esta tesis) se consideran como
año cursado y desaprobado. Ambos indicadores forman parte del patrón por el que, la Junta
de Acreditación Nacional de la República de Cuba, mide la calidad de las IES en la isla.
Las publicaciones sobre la deserción en este contexto son escasas, pero se pueden
mencionar algunas que pueden ayudar a comprender mejor el entorno cubano.
Las políticas nacionales sobre el abandono estudiantil en las universidades de la
República de Cuba se abordan de forma genérica por Rodríguez y Ansola (2013) donde
explican cómo se entiende el término “abandono” en Cuba, a partir de los Reglamentos y
Resoluciones del Ministerio de Educación Superior.
Lídice Mesa explica en detalle el carácter inclusivo del sistema educativo cubano y
cómo se produce el proceso de ingreso a la ES (Mesa, 2016). También se aportan estudios
23
sobre la necesidad de perfeccionamiento del proceso de medición y evaluación de la
eficiencia académica (Almuiñas et al, 2008; Hernández, Almuiñas, y Vargas, 2012;
Hernández, Vargas, Almuiñas, y García, 2015).
En el año 2003, la carrera de Ingeniería Informática se impartía en 11 universidades
del país (Castro Díaz-Balart, 2003). Actualmente se imparte en todas las provincias.
La Figura 1 muestra resultados de eficiencia académica de algunas carreras, donde se
aprecia una diferencia entre las Ingenierías de perfil Informática, comparado con las de
humanidades.
Eficiencia Académica
Licenciatura en Periodismo
Carreras seleccionadas
Licenciatura en Derecho
Licenciatura en Psicología
Ingeniería Ciencias
Informáticas
Ingeniería Informática
0 20 40 60 80 100
Cursos
2017-2018 2016-2017
2015-2016 2014-2015
2013-2014 2012-2013
Figura 1. Eficiencia académica de carreras seleccionadas en Cuba desde 2012 al 2018

Fuente: Elaboración de la autora de la tesis a partir del Prontuario Estadístico del año 2019.
(Ministerio de Educación Superior, 2019, p.76 y 77)
24
La eficiencia académica de las carreras de perfil Ingeniería Informática en el curso
2013-2014 fue de un 37,5% y se ha mantenido en los últimos cinco años por debajo del 40%.
En el contexto cubano, se desarrolla e implementa desde el 2017 por parte del estado,
la Política Integral para el Perfeccionamiento de la Informatización de la Sociedad
(Ministerio de Comunicaciones, 2017) lo que exige a la ES un mayor número de graduados
en esta rama que permita darle cumplimiento a esta política.
La informatización de la sociedad beneficia la educación y una variedad de servicios
en disímiles sectores, estos aportan mayores resultados a la economía del país. En tal sentido,
es de vital importancia la necesidad de continuar preparando personal y formando ingenieros
en el dominio de las Ciencias Informáticas. En cuanto a carreras de Ciencias e Ingeniería el
prestigioso intelectual cubano Núñez Jover plantea:
El país viene colocando un énfasis especial en las ciencias informáticas. Además de
Facultades de ese perfil en varias Universidades, se abrió una Universidad centrada
en el mismo, que nace integrada a un parque tecnológico y por ello enlazando los
objetivos de formación, investigación y producción. (Núñez, 2005, p. 9)
La Universidad de las Ciencias Informáticas (UCI) es una de las IES cubanas con
mayor número de egresados en los últimos años en la rama de la Ingeniería en Ciencias
Informáticas, más de 14.400 desde 2007. Tiene la misión fundamental de formar
profesionales en esta rama que contribuyan al desarrollo de la Informatización de la Sociedad
Cubana desde tres aristas importantes: el desarrollo de la industria de software nacional, las
transformaciones de procesos en las entidades para asumir su informatización y el soporte
necesario para su mantenimiento (Universidad de las Ciencias Informáticas, 2019).
A pesar del número de graduados, los indicadores de retención no han alcanzado los
resultados deseados; sobre todo en los dos primeros años de la carrera. Con el objetivo de
25
elevar estos indicadores, se realizan sistemáticamente estudios de satisfacción de los
estudiantes con la formación que reciben, análisis docente metodológico de los resultados
de promoción y retención, así como, seminarios científico-metodológicos para exponer las
experiencias e innovaciones en el proceso formativo, sin obtener aún los resultados
esperados.
La revisión bibliográfica y los hechos empíricos en la UCI demuestran que la
deserción estudiantil en carreras del perfil Ingeniería Informática es alta. El promedio de la
eficiencia académica de estas carreras en los últimos cursos no supera el 40% (Ministerio de
Educación Superior, 2019, p.76).
Teniendo en cuenta las consideraciones expuestas anteriormente, se hace necesaria
una propuesta que permita determinar los factores predictivos de la deserción de forma que
se pueda identificar a los estudiantes en riesgo y, en consecuencia, desarrollar acciones para
contribuir a su retención.
La relevancia de esta investigación en el campo de la Educación con énfasis en
Tecnología Educativa radica, en primer lugar, en que se aporta un modelo teórico de factores
predictivos de deserción en carreras de perfil Ingeniería Informática, a partir del estudio de
modelos precedentes y la sistematización de aportes de estudios anteriores publicados en las
bases de datos Web of Science (WoS) y Scopus. En segundo lugar, se identifican los factores
predictivos que inciden en el entorno cubano mediante métodos estadísticos y minería de
datos educativos; así como, los modelos matemáticos de regresión logística y análisis
discriminante. En tercer lugar, se identifican los elementos estructurales y de contenido que
deben formar parte del diseño didáctico y la puesta en práctica de acciones tutoriales, para lo
que se proponen acciones estratégicas.
26
Esta investigación, tiene también como propósito, elevar el conocimiento de
profesores y directivos sobre los factores predictivos de la deserción. Asimismo, el estudio
constituye la fase de análisis para el desarrollo de una aplicación informática, que permita la
toma de decisiones del personal responsabilizado con la dirección del proceso docente
educativo, que ya se encuentra en fase de diseño.
1.4. Estructura de la tesis
La memoria de la tesis doctoral está estructurada en cuatro partes y contiene 11
capítulos. El primer capítulo es la introducción que contiene la justificación, los antecedentes
y el contexto de investigación; y donde se explica la estructura de la tesis. A continuación, la
memoria se estructura en cuatro partes.
En la primera parte se aborda el marco teórico de la investigación en dos capítulos.
El Capítulo 2 se describe y analiza la revisión de la bibliografía relacionada con el tema de
la deserción estudiantil en la Universidad desde los modelos iniciales, organizada
cronológicamente, en diferentes entornos y se llega a concretar en las carreras de Ingeniería
Informática. El Capítulo 3 se enfoca en la revisión de estudios predictivos de deserción.
La segunda parte se dedica al diseño metodológico de la investigación en otros dos
capítulos. En el Capítulo 4 está dedicado al diseño teórico de la investigación y en él se
exponen las fases de la investigación y los objetivos que se desean alcanzar en el decurso
investigativo. Se propone un modelo teórico de deserción en carreras de perfil Ingeniería
Informática como resultado del estudio teórico y, en consecuencia, se plantean las hipótesis
de investigación. En el Capítulo 5 se describe la población, la muestra y las variables de
investigación. Se expone el diseño metodológico que, al ser un estudio mixto, dedica un
27
apartado a explicar la metodología cuantitativa, otro a la metodología cualitativa y, por
último, el diseño de la triangulación metodológica.
En la tercera parte se realiza el análisis y discusión de resultados, dividido a su vez
en tres capítulos. El Capítulo 6 es el más extenso, pues se dedica a la descripción y análisis
de los resultados del estudio cuantitativo en tres apartados: el estudio estadístico de Regresión
Logística, el estudio estadístico del Análisis Discriminante y el estudio de Clasificación
Automática. En el Capítulo 7 se realiza el análisis y discusión de resultados de la
investigación cualitativa, mediante el análisis de contenidos de los resultados obtenidos en la
entrevista semiestructurada a estudiantes de la muestra, que causaron baja de la Universidad.
Finalmente, en el Capítulo 8 se triangulan los resultados de ambos estudios.
La cuarta parte se dedica a la propuesta de mejora que deja la investigación a la
institución, que se estructura a su vez, en dos capítulos. En el Capítulo 9 se realiza una
revisión de las propuestas para prevenir la deserción recogidas en los estudios analizados en
los capítulos tres y cuatro, haciendo énfasis en las propuestas de acciones tutoriales. En el
Capítulo 10 se proponen los elementos estructurales y de contenido para el diseño didáctico
y la puesta en práctica de las acciones tutoriales con TIC atendiendo a factores predictivos
de deserción. Finalmente, se aportan los resultados de la consulta con directivos docentes
sobre la pertinencia de aplicación de la propuesta en la UCI.
En el Capítulo 11 se describen las principales conclusiones a las que se ha arribado
en virtud del desarrollo investigativo y se indican líneas de trabajo futuro. Finalmente
aparecen las referencias bibliográficas y los anexos.
28
PARTE I: MARCO TEÓRICO DE LA
INVESTIGACIÓN
29
30
CAPÍTULO 2: LA DESERCIÓN ESTUDIANTIL

La deserción o abandono estudiantil son términos que suelen utilizarse con significados
similares (Luzón y Torres, 2015); el primero se utiliza con mayor frecuencia en el entorno
latinoamericano. En este capítulo se presenta el resultado de la sistematización de la
bibliografía estudiada. Primero se conceptualiza y visualiza cómo se manifiesta el fenómeno
en diferentes contextos. En segundo lugar, se presentan los primeros modelos de deserción.
Seguidamente, se describe la sistematización que permitió establecer etapas y, por último, se
analizan los estudios relacionados con carreras de perfil Ingeniería Informática. Con este
capítulo se da cumplimiento al Objetivo I.1 definido para la tesis: Estudiar desde el punto
de vista teórico y metodológico los factores que determinan la deserción estudiantil
universitaria a través de la revisión bibliográfica que aborda la temática.
2.1. La deserción estudiantil en la Universidad
La deserción de los estudiantes en la Universidad es una problemática compleja de
estudiar y que genera gran preocupación en todas las administraciones de educación, ya que,
como se ha descrito en los capítulos anteriores, no escapan de esta situación las instituciones
educativas más prestigiosas (Luzón y Torres, 2013).
El estudio de las revisiones sobre el tema aportados por Donoso y Schiefelbein
(2007), Fonseca y García (2016), Suárez-Montes y Díaz-Subieta (2015) y Torres (2012), así
como la revisión sistemática realizada, nos ha permitido identificar tres etapas de interés para
este estudio.
31
Las etapas identificadas han sido las siguientes:
• Primera etapa (1970-2000): etapa de propuesta y consolidación de los modelos
iniciales de deserción/retención.
• Segunda etapa (2000-2015): etapa de auge de estudios interinstitucionales e
internacionales.
• Tercera etapa (2015-actualidad): donde existen instituciones que han incrementado
sus esfuerzos en la investigación de las causas de esta problemática, especialmente
en los contextos STEM.
En el análisis documental realizado se ha podido detectar indistintamente el uso de
los términos deserción o abandono. Aunque en los estudios que se realizan desde el contexto
latinoamericano el más utilizado es la deserción, el concepto mayormente adoptado
internacionalmente es el de abandono “voluntario o forzoso de la carrera en la que se
matricula un estudiante, por la influencia positiva o negativa de circunstancias internas o
externas a él o ella” (González, 2005a, p.15).
La Red Iberoamericana para la Acreditación de la Calidad de la Educación Superior
“considera el concepto de deserción como un sinónimo de abandono, el cual denomina
también mortalidad escolar. Se define como la proporción de estudiantes que suspenden,
repiten, cambian de carrera, o la abandonan antes de obtener el título” como se citó en (de
Escobar, Delgado, Fruto, y Hernández, 2005, p.15).
El proyecto ALFA GUIA realizó una construcción colectiva del marco conceptual
del abandono en la ES, definiéndolo como:
El cese de la relación entre el estudiante y el programa formativo conducente a la
obtención de un título de Educación Superior, antes de alcanzar la titulación. Un
32
evento de carácter complejo, multidimensional y sistémico, que puede ser entendido
como causa o efecto, fracaso o reorientación de un proceso formativo, elección o
respuesta obligada, o como indicador de la calidad del sistema educativo. (Proyecto
ALFA GUIA DCI-ALA/2010/94, 2013, p.6)
Asimismo, en una revisión sistemática de 81 artículos escritos en español y portugués
sobre la retención y el abandono en la ES de América Latina y el Caribe, identifican que en
un 64% de los artículos, el término más utilizado es el de deserción (Munizaga, Cifuentes, y
Beltrán, 2018).
Vincen Tinto, identificado ya en la revisión bibliográfica realizada en esta
investigación como el autor que más ha estudiado y con mayor número de referencias sobre
esta problemática, plantea que la definición de deserción puede variar en dependencia de la
perspectiva en que se estudie: individual, institucional o estatal (Tinto, 1989). De ahí lo
complejo que resulta su estudio.
Desde la perspectiva individual, la deserción se relaciona con las metas y propósitos
que tienen los estudiantes al ingresar a la ES, algunos pueden modificar éstas en el transcurso
de los estudios y cambiarse de una carrera a otra, ya sea por tener una mayor madurez en su
elección, o por tener malas experiencias de diferente índole en la institución. Otros acceden
a una carrera porque fue a la que tuvieron acceso sin ser la deseada y luego fracasan; sin
embargo, los hay que, en las mismas condiciones de acceso, triunfan.
Desde la perspectiva institucional también existen diferencias, en dependencia de si
la institución es privada o pública. En una institución privada, la deserción implica pérdida
de ingresos causando problemas financieros. En cualquiera de los casos, el tránsito por el
primer año de estudios es el de mayor incidencia, pues es en ese periodo donde suele ocurrir
la falta de integración al ambiente universitario. Incluso en ocasiones se plantea que algunas
33
deserciones son convenientes para la institución y no todo tipo de deserción requiere de una
intervención universitaria. Sobre este último punto, a nuestro juicio, la institución debe
trabajar en función de minimizar las deserciones, y si ésta se produce para cambiar a otra
institución y continuar estudios, debe facilitar y acompañar también este proceso.
Existen diferentes criterios para clasificar las deserciones desde el punto de vista
estatal: las que se producen entre instituciones de un mismo estado, entre instituciones
públicas o privadas, los que se trasladan a otros estados y los que abandonan definitivamente
el sistema educativo; incluso, aquellas que constituyen efectos de fenómenos sociales o
ambientales. Este último aspecto, nos lleva a pensar en un trabajo futuro para la presente
investigación, sobre los efectos que puede producir en la deserción estudiantil la pandemia
vivida durante la etapa en que se elabora este informe de investigación, provocada por el
virus SARC-COV-2, causante de la enfermedad denominada COVID-19.
Retomando las ideas planteadas por Tinto, éste apuntó que: “Probablemente ninguna
definición puede captar en su totalidad la complejidad de este fenómeno universitario. Los
investigadores y funcionarios de instituciones deben elegir con cuidado las definiciones que
mejor se ajusten a sus intereses y metas” (Tinto, 1989, p.9).
Teniendo en cuenta este planteamiento, para la presente investigación, se entiende
por deserción la definición que se establece como “baja” en el Reglamento de Organización
Docente en el contexto cubano: “…la suspensión temporal o definitiva de la condición de
estudiante universitario” (Ministerio de Educación Superior, 2017, p.15).
En cuanto a las tasas de deserción reportada, resulta interesante resaltar que en países
tan distintos como Estados Unidos, Nueva Zelanda, Suecia y México, más del 40% de los
estudiantes que acceden a una carrera por primera vez no la culminan (Fonseca y García,
34
2016, p.26). No obstante, es posible que algunos de los estudiantes no lo consideren un
fracaso, sino una preparación para acceder a un trabajo u otro título académico, lo que hace
más complejo el estudio y eleva la necesidad de contextualizarlo.
En una investigación realizada en la Universidad de Granada (UGR) se aprecia que
el índice de abandono en la UGR es menor que la media de España, en todas las ramas de
estudio, excepto en las de Ciencias; en todos los casos por debajo del 30% de abandono. Sin
embargo, en el curso 2013-2014, existen tres titulaciones de grado con tasas de abandono por
encima del 50% en la UGR: Filosofía (52,63%) en la Rama de Artes y Humanidades,
Estadística (51,02%) en la Rama de Ciencias, e Ingeniería Informática (53,63%) en la Rama
de Ingeniería y Arquitectura (Lizarte Simon, 2017).
En el entorno educativo colombiano se elaboró un estudio donde los abandonos por
tipos de causas se clasificaron y cuantificaron de la siguiente forma: factores externos a la
institución (socioeconómicos 42,5% y personales 39,2%) y como factores internos a la
misma (institucionales 7,5% y académicos 10,8%). Entre los factores personales se
mencionan la desmotivación, la insatisfacción académica e indisposición del estudiante. En
cuanto a los factores académicos refieren el bajo rendimiento, la repitencia y uso inadecuado
de métodos de estudio (Sánchez Amaya, Navarro Salcedo, y García Valencia, 2009, p.100 y
101).
En cuanto a la problemática concreta de la deserción en los programas de Ingeniería,
en Colombia entre un 45% y 52% de los estudiantes que ingresan han abandonado sus
estudios (Vega, 2015).
En Estonia, el 32,2% de los estudiantes de Informática y Tecnologías de la
Información, abandonaron sus carreras durante el primer año de estudio (Kulli Kori et al.,
2015).
35
Asimismo, en el período 2000-2010 la tasa promedio de abandono en la Universidad
Nacional de Luján, en Argentina, fue superior al 71% durante el primer año de carreras de
Ingeniería (Ferrero y Oloriz, 2015).
En la Universidad Tecnológica Federal de Paraná en Brasil, el 61% de los estudiantes
que abandonaron la Ingeniería, entre 2013 y 2014, lo hicieron por problemas académicos y
el 29,5% de los que abandonan, optan por otros cursos en una nueva Universidad (Soistak et
al., 2018).
En América Latina y el Caribe “solo alrededor de la mitad de los estudiantes
matriculados ha obtenido un título o grado a los 25-29 años, y aproximadamente la mitad de
los desertores abandona los estudios (o se cambia de carrera) al final del primer año”
(Guajardo, coord., 2018, p.21).
Sobre el fracaso de los estudiantes en la ES cubana, Pedro Horruitiner, quien fuera
Director de Formación del Profesional del Ministerio de Educación Superior, expresó:
…en los cursos regulares diurnos, sólo en los 17 centros de educación adscritos al
Ministerio de Educación Superior, se producen cada año unas 4.000 bajas y la
eficiencia limpia (para una cohorte, en un plazo de cinco años) no rebasa con mucho
el 60%. Si se compara con otros países latinoamericanos, esta eficiencia puede
parecer elevada, pero detrás de ella hay una realidad: 40 de cada 100 estudiantes que
ingresan a esas carreras no pueden culminar sus estudios. La universidad no puede
observar con indiferencia esa mortalidad académica. Más aún, debe sentir ese
problema como propio, trabajando consecuentemente para enfrentarlo y resolverlo.
¿Quiénes fracasan?, ¿Por qué fracasan?, ¿Qué ha hecho la universidad para evitarlo?,
¿Se tomaron todas las medidas, tanto individuales como grupales para evitarlo?, son
36
preguntas que la nueva universidad cubana ha puesto en primer plano para evaluarlas
y responderlas… (Horruitiner, 2009, p.135)
Precisamente, el estudio que se presenta en esta tesis contribuye a brindar respuestas
a las dos primeras interrogantes de Horruitiner. Primeramente, se revela a continuación, un
estudio cronológico de esta problemática a nivel internacional. Posteriormente, se concreta
un estudio de campo, en el entorno de las carreras de perfil Ingeniería Informática en Cuba.
2.1.1. Modelos iniciales de deserción
Los primeros modelos de deserción-retención estudiantil en la Universidad datan de
la década de los 70 del siglo pasado, aunque estos se basaron en estudios de la década
anterior. Se ha considerado la etapa de 1970 al 2000 como la etapa de propuesta y
consolidación de los modelos iniciales de deserción/retención. Existen diferentes enfoques
para su introducción, tales como: psicológico, sociológico, interaccionista, organizacional y
economicista (Donoso y Schiefelbein, 2007). En los estudios para explicar la problemática,
se consideran variables personales, familiares, institucionales y académicas (Suárez-Montes
y Díaz-Subieta, 2015).
En orden cronológico los modelos iniciales fueron aportados por (Spady, 1970),
(Tinto, 1975), (Bean, 1980), (Pascarella y Terenzini, 1980), (Ethington, 1990) y (Cabrera,
Nora, y Castañeda, 1992) entre otros. Se mencionan a continuación algunos de ellos por
orden de aparición:
• Modelo de Spady (ver Figura 2) en 1970: Con un enfoque sociológico, se basa en la
teoría del suicidio de Durkheim para explicar su modelo. Este autor considera que la
integración social en la Universidad es la que determina el compromiso y la decisión
de abandonar (símil de suicidio) del estudiante y que los antecedentes familiares, son
37
los que determinan su potencial y desempeño académico, junto a las normativas y
apoyo de pares. La familia ejerce influencias, expectativas y demandas.
Figura 2. Modelo sociológico de Spady

Fuente: (Donoso y Schiefelbein, 2007, p.15)
• Modelo de Tinto (ver Figura 3) en 1975: Tiene un enfoque organizacional e
interaccionista, se basa, además de la teoría del suicidio, en la del intercambio. En
este caso, la decisión de abandonar se produce a partir de la relación que se
establece entre los propósitos, metas y compromiso del estudiante que ingresa a
una carrera con la institución, y el resultado de la interacción social y académica
que tenga durante sus estudios superiores. En este modelo, se concibe que el
estudiante permanecerá si los beneficios percibidos en la institución son mayores
que los costos personales en el desarrollo de su integración social y académica.
Para Tinto, la interacción social y académica del estudiante dentro de la
institución, determinan su integración social y académica, respectivamente.
Considera que la mayor parte de las deserciones son voluntarias y que se produce
por una inadecuada integración del estudiante que abandona, tanto al ambiente
social como intelectual de la institución.
38
Figura 3. Modelo interaccionista de Tinto

Fuente: (Fonseca y García, 2016, p.31)
• Modelo de Bean (ver Figura 4) en 1980: Siguiendo el enfoque del modelo
anterior, les agrega a las teorías anteriores, la teoría de la productividad. Considera
que los factores académicos, psicosociales y ambientales influyen en el
rendimiento académico, la adaptación y el compromiso con la institución. Según
el sentido positivo o negativo de estos factores, el estudiante decide permanecer
y abandonar la institución; por lo que es un modelo interaccionista y
organizacional. Considera que los estudiantes dejan las IES por razones similares,
que hacen que los empleados abandonen las instituciones laborales.
39
Figura 4. Modelo interaccionista y organizacional de Bean

• Modelo de Pascarela y Terenzini (ver Figura 5) en 1985: Es un modelo general
que se nutre de los dos anteriores y agrupa las causas asociadas al abandono en
cinco grupos de variables: antecedentes preuniversitarios de los estudiantes,
características estructurales de la institución, ambiente institucional, interacciones
con agentes de socialización, aprendizaje y desarrollo cognitivo y le adiciona la
calidad del esfuerzo percibido por el estudiante. Es un modelo interaccionista y
organizacional porque considera que la permanencia o deserción, dependen del
esfuerzo de los estudiantes por lograr su aprendizaje, según sea su interacción con
profesores y pares dentro del ambiente institucional.
40
Figura 5. Modelo interaccionista y organizacional de Pascarella y Terenzini

Fuente: (Donoso y Schiefelbein, 2007, p.20).
• Modelo de Ethington (ver Figura 6) en 1990: Es un modelo con enfoque
psicológico que se basa en las conductas de logros. Plantea que los antecedentes
familiares determinan el apoyo que, de la familia, recibe el estudiante que accede
a la ES. Este apoyo, a su vez, incide en las aspiraciones y valores de los
estudiantes. Por otra parte, desde el punto de vista académico, el rendimiento
previo determina la autopercepción del desempeño académico de los estudiantes,
que a su vez incide en sus aspiraciones, valores y expectativas de éxitos. Si la
incidencia es positiva y favorable a las características y atributos de los
estudiantes, en este caso, sus aspiraciones, valores y expectativas de éxitos;
entonces se puede obtener persistencia, de lo contrario, se produce la deserción.
41
Figura 6. Modelo psicológico de Ethington

• Modelo economicista de Cabrera, Castañeda, Nora y Hegnstler en 1992: se basa
en la relación costo-beneficio; relacionan la deserción o persistencia del
estudiante en la Universidad, a partir de su habilidad académica previa y los
factores socioeconómicos, la estimación de los costos y beneficios de estudiar una
carrera, la experiencia y el desempeño académico que adquiere, así como, la
posibilidad de apoyo financiero.
Estos modelos iniciales han servido de base para investigaciones posteriores y no
presentan propuestas contradictorias, sino que se nutren unos de otros y es posible analizarlos
de formas diversas. Además, existe una variable común a todos ellos, la relacionada con la
habilidad académica del estudiante previo a su ingreso universitario. La Tabla 2 muestra un
resumen de las variables identificadas como determinantes en la deserción o retención del
estudiante en cada uno de dichos modelos, clasificados según su enfoque, sus principales
autores y fechas de publicación.
42
Tabla 2. Variables identificadas por modelos iniciales de deserción-retención estudiantil

Enfoque Modelo Variables
Autor Familiares Personales Académicas Institucionales
(fecha) y
teoría
Sociológico Spady (1970) Influencias y Integración Rendimiento
Teoría del demandas social
suicidio satisfacción,
potencial
académico,
compromiso
Interaccionista Tinto (1975) Situación Habilidades y Rendimiento Relaciones con
Organizacional Teoría del socioeconómica, capacidades los profesores y
intercambio cultural y moral previas. Metas pares
y compromiso.
Persistencia
Bean (1980) Condiciones Metas, Desempeño Adaptación y
Modelo de la socioeconómicas interacción. e compromiso
productividad Demografía integración
(género edad,
lugar de
residencia)
Pascarela y Antecedentes Aprendizaje Características
Terenzini académicos, y desarrollo organizacionales
(1980) aptitud, cognitivo y estructurales.
Calidad del aspiración, Interacciones
esfuerzo calidad del
esfuerzo
Psicológico Ethington Antecedentes, Rendimiento
(1990) estímulo y académico
Conductas de apoyo previo.
logro Aspiraciones y
valores.
Autoconcepto,
percepción de
las dificultades
y expectativas
de éxito.
Económico Cabrera, Situación Habilidad Desempeño Apoyo
Castañeda, socioeconómica académica financiero
Nora y previa, costo
Hegnstler de los estudios,
(1992) beneficios
Enfoque económicos
costo-
beneficio
Fuente: Elaboración propia
43
En los modelos anteriores, se analiza la posibilidad de abandonar o permanecer en los
estudios universitarios a partir de teorías adaptativas de los estudiantes a las instituciones,
según antecedentes familiares, características de los estudiantes, entre otras. Coincidimos en
que se deben considerar características de los estudiantes previas al ingreso o antecedentes
preuniversitarios; sin embargo, consideramos insuficiente analizar la deserción como
responsabilidad individual del estudiante y sin profundizar en las variables pedagógicas.
En estudios posteriores (Tinto, 1993, 1997) introduce el término de persistencia y
reconoce la responsabilidad de las instituciones educativas para incrementar la retención
estudiantil mediante ambientes educativos que apoyen a los estudiantes.
En la década de los 90 del siglo pasado, países como Argentina, Brasil, Colombia,
Cuba, Chile, Costa Rica y México, implementaron sistemas nacionales de evaluación y
acreditación, incluyendo dentro de sus indicadores de calidad: la eficiencia académica y la
retención de los estudiantes. Al evaluar estos indicadores con muy bajos resultados, se
identificó la necesidad de continuar los estudios para entender y atender la problemática de
la deserción.
Finalizando esta primera etapa de estudios de deserción, se desarrolló la Conferencia
Regional sobre Educación Superior en América Latina y el Caribe, donde se proclama, entre
otros aspectos “…la promoción de la investigación socio-educativa respecto a problemas
tales como la deserción temprana y la repetición…” (CRESALC/UNESCO, 1997, p.126).
Este evento contribuye al inicio de estudios interinstitucionales e internacionales, que serán
abordados en la siguiente sección.
44
2.1.2 Auge de los estudios interinstitucionales e internacionales
El estudio de los factores que predicen o determinan la decisión del estudiante de
abandonar se ha incrementado en las dos últimas décadas (Arriaga, Velásquez, y Coord.,
2013; Cabrera, Bethencourt, Álvarez, y González, 2006; González, 2005b; Munizaga,
Cifuentes, y Beltrán, 2018).
A continuación, se abordan estos estudios de forma cronológica en dos etapas
posteriores a la anteriormente citada: una segunda etapa del 2000-2015, donde se aprecian
estudios de aplicación y actualización de los modelos iniciales de deserción-retención y se
presentan estudios interinstitucionales, y la tercera desde 2015 hasta la actualidad, donde se
introducen los estudios de deserción en carreras de perfiles STEM.
Segunda etapa (2000-2015)
A partir del 2000 se han realizado estudios interinstitucionales para analizar la
deserción de estudiantes cuyos padres no tienen educación terciaria, citados “de primera
generación”. Para el análisis se utilizaron variables personales, familiares e institucionales.
Este estudio incluyó en su muestra estudiantes de 18 colegios y universidades de cuatro años
ubicados en 15 estados de los Estados Unidos. La participación de estos estudiantes en
actividades extracurriculares tuvo un efecto positivo en la responsabilidad y dedicación para
obtener éxito académico (Pascarella, Pierson, Wolniak, y Terenzini, 2004).
Los modelos iniciales presentados en la sección anterior han sido objeto de revisión
por Donoso y Schiefelbein. En esta revisión se detectan “cuatro vertientes analíticas sobre
las cuales es recomendable poner mayor atención”, siendo dos de ellas analizadas en nuestra
investigación: la relación entre las variables previas al ingreso del estudiante en la IES y su
permanencia o deserción en los primeros años en la universidad, y el estudio de experiencias
para incrementar la retención (Donoso y Schiefelbein, 2007, p.24).
45
En esta etapa se han llevado a cabo importantes proyectos internacionales e
interinstitucionales para profundizar en el tema. Uno de ellos es el realizado por el IESALC
y la UNESCO donde se compara la deserción en carreras de diferentes áreas del
conocimiento: Derecho, Medicina e Ingeniería Civil (IESALC/UNESCO, 2006). Dicho
estudio indica que es la carrera de Derecho con un 40%, la de más alto promedio de deserción
en los países participantes en el estudio. Sin embargo, no se manifiesta igual en todos los
países, en los casos de Cuba, República Dominicana y México, la carrera con mayor
deserción es la de Ingeniería, en un 50%, 62% y 68%, respectivamente (p.26).
A partir del resultado de estos estudios, en Chile se propone un modelo conceptual
para la deserción estudiantil universitaria chilena que integra todas las variables aportadas en
los modelos iniciales. Tal es el caso del Modelo conceptual de la deserción estudiantil en la
universidad chilena (Díaz, 2008). En esta propuesta, se aprecia una combinación de modelos:
psicológico e interaccionista, donde la deserción o permanencia se concibe, según el nivel de
motivación que logra el estudiante como resultado de su integración académica y social.
Este modelo se representa en la Figura 7, indica que la permanencia o deserción del
estudiante se produce debido a su motivación, que puede ser positiva o negativa. La
motivación puede variar durante los años de estudio y depende del nivel de integración
académica y social que se alcance. El nivel de integración académica se logra por las
características preuniversitarias e institucionales, y la integración social por las
características familiares e individuales.
46
Figura 7. Modelo conceptual para la deserción estudiantil universitaria chilena

Fuente: (Díaz, 2008, p.78)
La Oficina Regional de Educación para América Latina y el Caribe (OREALC) en un
estudio sobre la situación educativa de la región, declara que: “solo uno de cada 10 jóvenes
de 25 a 29 años de edad había completado cinco años de educación superior en 2010” (Bellei,
2013, p.136).
En el proyecto ALFA GUIA participaron 21 IES de Europa y Latinoamérica. Uno de
los resultados del proyecto fue la construcción colectiva del marco conceptual del abandono
en el que establecen varias categorías, según trayectoria académica o según permanencia en
el sistema educativo son categorías temporales, ambas relacionadas con el momento en que
se produce el abandono. Definen otras dos categorías referidas a estudiantes que abandonan
47
una carrera, pero permanecen en el sistema educativo según el escenario si es en la misma
institución u otra, y según reorientación profesional o no (Proyecto ALFA GUIA DCI-
ALA/2010/94, 2013b).
Otro de los estudios de este proyecto dio a conocer el resultado de una encuesta
internacional sobre causas de abandono en la ES, aplicada a una muestra definitiva de 9.982
estudiantes de 16 instituciones participantes en el proyecto. El estudio cuantitativo realizado
incluye análisis descriptivo de la muestra, análisis estadístico de las variables y análisis de
regresión logística; así como, las explicaciones necesarias para un estudio de tal magnitud.
Solo el 30% de la muestra estudiada se correspondía con estudiantes activos en el momento
del estudio, del resto: el 16% cambió de carrera en la misma institución, el 20% cambió de
institución, el 4% cambió de nivel de estudios y el 30% restante abandonó temporal o
definitivamente la IES. La encuesta mide 82 variables que se clasificaron en seis tipos de
factores: individual, académico, social, económico, cultural e institucional; en su mayoría ya
mencionadas en estudios anteriores. El informe únicamente recoge los resultados, no realiza
un análisis de los mismos pues el objetivo del estudio es que cada una de las instituciones
haga el análisis al interior de sus contextos (Proyecto ALFA GUIA DCI-ALA/2010/94,
2014).
En otro informe, el proyecto GUIA también publica un catálogo de prácticas
institucionales y estatales para disminuir el abandono a partir de los estudios realizados por
los grupos participantes, las cuales se resumen en el Capítulo 9 (Proyecto ALFA GUIA DCI-
ALA/2010/94, 2013a).
Otro aporte importante de este proyecto es el financiamiento desde el año 2011 de la
Conferencia Latinoamericana sobre el Abandono de la Educación Superior (CLABES) con
48
una periodicidad anual, que desarrolló en noviembre de 2019 su novena edición. Es un evento
que tiene como objetivo fundamental reunir a profesores, autoridades educativas y
estudiantes de países de América Latina preocupados por los aspectos relacionados con la
calidad general de la enseñanza y, en particular, con el abandono de los estudios. En dichos
eventos, se analizan los factores asociados a la deserción estudiantil, sus efectos individuales
y sociales, así como, las posibles políticas que se pueden adoptar para contribuir a la
permanencia y egreso de los estudiantes.
En España, el informe del Ministerio de Educación, Cultura y Deporte (MECD)
(2013) revela que el 19% de los estudiantes abandona la universidad en su primer año. Otro
estudio que contiene datos estadísticos del abandono del 2006 al 2010 en las diferentes
regiones, plantea que uno de cada cinco estudiantes abandonó la Universidad en España. El
Consejo Europeo se ha propuesto la reducción de la deserción en un 15% para 2020 (Arce,
Crespo, y Míguez, 2015).
En Cuba, Hernández et al (2012) proponen un modelo explicativo integrador de la
manifestación de la eficiencia académica enfocado en el Proceso Docente Educativo (PDE),
dentro del contexto social-histórico-económico y cultural en que se desarrolla. El modelo
propuesto (Figura 8) presenta factores exógenos y endógenos a las IES.
49
Figura 8. Modelo integracionista de las variables o factores fundamentales que determinan

la manifestación de la eficiencia académica en Instituciones de Educación Superior
Fuente (Hernández et al., 2012, p.18)
Como factores exógenos se identifican aquellos relacionados directamente con el
estudiante, tales como: desempeño académico precedente, económicos, motivacionales,
personales y familiares, dedicación al estudio y capacidad cognoscitiva. Dentro de los
factores endógenos incluyen todo lo relativo a la institución y el proceso docente, tales como:
50
políticas educacionales, planes de estudio, requisitos de admisión para ingresar a las
universidades, papel del docente, calidad del proceso de enseñanza aprendizaje, clima y
prestigio de las instituciones, condiciones e infraestructura de las IES y reglamentos y
normativas de la organización.
En este enfoque se consideran factores de los modelos iniciales e incluyen otros
relacionados con la calidad del proceso docente educativo, lo que evidencia una alta
responsabilidad institucional con la deserción o permanencia de los estudiantes. No obstante,
luego de incluir los términos abandono y deserción dentro de los indicadores de eficiencia,
no los incluye como factores en su modelo.
Tercera etapa (2015-actualidad)
A partir de 2015 se considera la etapa actual, donde varias instituciones han
incrementado sus esfuerzos en la investigación de las causas de esta problemática en sus
contextos. Un conjunto de autores identificó factores económicos, institucionales y sociales
(Arce et al., 2015; Barragán y González, 2015). Otros autores han identificado factores socio-
familiares como: problemas de enfermedad personales o de familiares, vivir lejos de la
universidad, depender de una beca o la necesidad de incorporarse al mercado laboral, entre
otras (González-Ramírez y Pedraza-Navarro, 2017).
También se han identificado factores relacionados con la vocación, la adaptación
social y académica, la dedicación y el uso de técnicas de estudio, entre otras (Bernardo et al.,
2016; Bulgarelli-Bolaños, Rivera-Rodríguez, y Fallas-Vargas, 2017; Da Re y Clerici, 2017)
y aún más reciente (de Conincka, Matthijsa, y Luyten, 2019) estudiaron la relación que existe
entre la satisfacción, el rendimiento académico y la posibilidad de abandonar.
51
En la UGR se obtuvieron evidencias que relacionan el índice de abandono con la
opción de solicitud del grado, la nota de acceso y el rendimiento académico preuniversitario.
Es en el primer curso donde se produce la mayor cantidad de abandonos (Lizarte, 2017).
Los modelos iniciales analizados en la sección anterior también fueron objeto de
revisión en esta etapa. Fonseca y García (2016) hacen un análisis desde la teoría
organizacional. Critican la tendencia a realizar las investigaciones desde teorías adaptativas
de los estudiantes y exponen la necesidad de incorporar propuestas desde la adaptación de
las instituciones a los nuevos grupos de estudiantes. Asimismo, convocan a incluir estudios
cualitativos y mixtos en los análisis de la deserción por ser un fenómeno complejo y
multivariado. Elementos que se ha considerado en nuestra investigación.
En esta etapa también se aprecia un incremento de proyectos de cooperación
internacional. Un ejemplo de ello es el proyecto W-STEM, uno de los más recientes iniciado
en enero de 2019. Involucra 15 instituciones de 10 países de Europa y América Latina. Está
en pleno desarrollo y dentro de sus acciones se indagan las causas de la brecha de género en
estas áreas para, en consecuencia, proponer planes de acción para incrementar oportunidades
para que las mujeres se inscriban en programas de STEM (García-Holgado et al., 2019).
Se trata de una etapa donde se observa además un incremento de los estudios sobre la
deserción en carreras STEM que, aunque aún insuficientes a nuestro juicio, constituyen un
referente importante para nuestra propuesta y son abordados a continuación.
2.1.3. Estudios en entornos STEM a nivel internacional
Para realizar un estudio del estado de la cuestión, se ha realizado una búsqueda formal
y sistemática en la colección principal de WoS. Se escogió este portal por contemplar
únicamente trabajos publicados en revistas de alto prestigio y ser el recurso empleado de
52
facto en muchos estudios bibliográficos para analizar el estado de un ámbito de estudio o
incluso, inferir los tópicos candentes de investigación en un área (Úbeda-Sánchez,
Fernández-Cano, y Callejas, 2019a; 2019b; 2020).
La búsqueda en WoS se realizó hasta el día 31/04/2019, con lo que contamos con un
intervalo temporal amplio, estable y acotado desde las primeras publicaciones indexadas en
WoS hasta el día de la búsqueda; aunque se activó una alerta con el criterio de búsqueda
definido que ha permitido una actualización permanente de la búsqueda. El criterio de la
búsqueda fue: drop-out AND university, de forma que se recogiesen resultados que
contuviesen ambos términos. Esta búsqueda dio como resultado un total de 846 publicaciones.
Se refinó el criterio “dominios de aplicación” considerando únicamente SOCIAL
SCIENCES (para cubrir las publicaciones de educación y pedagogía) y SCIENCE AND
TECHNOLOGY (para considerar publicaciones relacionadas con los estudios de
Informática). A pesar de estas restricciones, dentro del ámbito de ciencia y tecnología se
incluían numerosas investigaciones donde el drop-out se refiere a términos médicos
relacionados con la adherencia a medicaciones o estudios. Para excluirlos, se refinó también
el apartado “Áreas de investigación”, excluyendo aquellas relacionadas con servicios de
ciencias de la salud (healthcare science services), psiquiatría (psychiatry), farmacología
(pharmacology pharmacy), pediatría (pediatrics) y en general, todos los relacionados con la
Medicina.
El resultado final fueron 522 trabajos indexados, que pueden consultarse en
(http://lsi.ugr.es/zoraida/Fuentes20/articulos.html). Todos los artículos recabados fueron
exportados a Mendeley para su posterior lectura y procesado. Su distribución por años se
muestra en la Figura 9, donde se aprecia un incremento notable en la última década.
53
Figura 9. Evolución en el número de publicaciones en WoS sobre deserción universitaria

en los últimos 20 años
En cuanto a los países de los investigadores que han realizado dichas publicaciones,
destacan Estados Unidos (80 artículos), España (69 artículos), Inglaterra (53 artículos),
Alemania (36 artículos) e Italia (23 artículos). Entre los países latinoamericanos, sólo hay
tres en los 20 primeros puestos (Brasil en el puesto nueve con 16 trabajos, México en el
puesto 16 con 10 y Argentina en el 17 con seis). Hay una única contribución como resultado
de esta búsqueda donde participa un autor cubano, con lo que Cuba aparece en el puesto 50
y ésta no se refiere a la deserción en universidades cubanas (Estrada et al., 2011).
Los resultados anteriores muestran, por tanto, la pertinencia de un estudio de
deserción estudiantil universitaria en el contexto cubano en un área de investigación en
ascenso y de gran interés para la comunidad científica internacional. El artículo más citado
de todos ellos es el de Murtaugh, Burns, y Schuster (1999), que realizaron un estudio de
retención de estudiantes universitarios utilizando métodos estadísticos y variables
demográficas y académicas.
54
Se encontraron solo 43 estudios enfocados en la deserción en carreras STEM. Se
eliminaron de ellos los que están relacionados con cursos en la modalidad a distancia y tres
que no analizan factores de deserción, sino que hacen propuestas pedagógicas para evitarlas;
quedando finalmente 25 artículos a analizar relacionados con el estudio de causas de
deserción en Informática. Dichos artículos se clasificaron según las variables estudiadas en
sociológicos, psicológicos, interaccionista, organizacional o la combinación de ellos.
En el Anexo 1 se incluye una tabla con todos los datos recopilados de dichas
investigaciones, entre los que se incluyen: el contexto donde se realizó el estudio, las
variables analizadas, la muestra y metodología utilizadas, así como, las propuestas que
realizan.
Estos estudios analizan variables diversas donde se encuentran, entre otras: la edad,
género, el estado familiar, el empleo, uso de medios de comunicación y de computadoras, la
capacitación vocacional previa (Araque, Roldán, y Salguero, 2009; Xenos, Pierrakeas, y
Pintelas, 2002); así como, los métodos de enseñanza aprendizaje en asignaturas de
Introducción a la Informática y de Matemática, por las implicaciones que tiene el rendimiento
en estas asignaturas para la problemática que se aborda (Canedo et al., 2018).
En Argentina, Graffigna et al. (2014) identificaron causas de abandono estudiantil en
carreras de Ingeniería relacionadas con capacidades de los estudiantes que ingresan y otras
con la institución que los recibe. Proponen prácticas de tutoría en los primeros años de la
enseñanza con el fin de promover la adaptación y el aprendizaje, con un efecto positivo en la
retención de estudiantes.
En Estonia, el 32,2% de los estudiantes de Informática y Tecnologías de la
Información, abandonaron sus carreras durante el primer año de estudio. Los estudiantes que
abandonaron tuvieron las puntuaciones más bajas en el examen de Matemáticas del estado.
55
El estudio profundizó en la variable motivación como causa de deserción, aplicaron un
cuestionario digital a los estudiantes, al acceder a la Universidad y otro después de concluido
el primer semestre. Se pudo apreciar que la probabilidad de que trabajaran en el campo de
las TIC después de terminar la carrera, era menor para los estudiantes que abandonaron los
estudios, que para los que no abandonaron (Kori et al., 2015).
Un año después, en el mismo contexto, indagaron las razones por las cuales los
estudiantes optaron por los grados de Informática y Tecnologías de la Información,
identificando que las razones más frecuentes para estudiar fueron: el interés general por las
TIC, la experiencia previa en ese campo, la necesidad de desarrollo profesional personal y la
importancia del campo en el futuro (Kori, Pedaste, Altin, Tõnisson, y Palts, 2016). Más
recientemente, analizaron la relación entre la autoeficacia y la graduación en Tecnologías de
la Información, identificando que la autoeficacia puede cambiar durante los años de estudio,
teniendo mayor riesgo de abandono en el primer año (Kori, Pedaste, y Must, 2018).
En Alemania se describe una tasa de deserción de 23% en 2005, por debajo del
promedio de la OCDE que fue de 30%. Las Matemáticas, la Informática, la Física, Ciencias
de la Tierra y la Química se caracterizan por un alto grado de deserción de más del 30%, así
como de 34% y 33% en los campos de Ingeniería Mecánica e Ingeniería Eléctrica,
respectivamente (Heublein y Wolter, 2011, p.222).
En un estudio realizado en Brasil sobre el abandono en carreras de Ingeniería, se
concluyó que el 61% de los estudiantes que abandonaron entre 2013 y 2014 en la Universidad
Tecnológica Federal de Paraná, lo hicieron por problemas académicos; asimismo, el 29,5%
de los que abandonan la Ingeniería optan por otros cursos en una nueva Universidad (Soistak
et al., 2018).
56
En la Tabla 3 se resumen estos estudios seleccionando los siguientes indicadores: tipo
de estudio, país, autores y año de publicación.
Tabla 3. Selección de artículos sobre factores de deserción en carreras de perfil Ingeniería

Informática organizadas por tipo de estudio
Tipos de estudios País (Autores, año)
Sociológico • Chile (Salazar-Fernandez, Sepúlveda, y Munoz-Gama, 2019)

• EEUU (Meyer y Fang, 2019)
• Brasil (Soistak et al., 2018)
• Estonia (Altin y Rantsus, 2015)
Psicológico • Malasia y Australia (Paimin, Prpic, Hadgraft, y Alias, 2017)

• Bélgica (Van Den Broeck et al., 2017)
• Brasil (Mello, Melo, y Mello Filho, 2015)
• Estonia (Niitsoo, Paales, Pedaste, Siiman, y Tõnisson, 2014)
• Finlandia (Paivi, 2012)
• Argentina (Maris y Difabio, 2009)
• China (Yong-Min, Ai-bin, y Jun, 2009)
• Grecia (Xenos et al., 2002)
Interaccionista • EEUU (Alzen, Langdon, y Otero, 2018)

• Estonia (Kori, et al., 2018)
• Sudáfrica (Kuriakose, 2017)
Organizacional • Brasil (Canedo, et al., 2018)

• España (Lacave, Molina, y Cruz-Lemus, 2018)
• Australia (Miliszewska, Barker, Henderson, y Sztendur,
2006)
Sociológico y • Alemania (Zehetmeier, Axel, Bruggemann-Klein, Thurner, y

psicológico Schlierkamp, 2015)
• Sudáfrica (Ahmed, Kloot, y Collier-Reed, 2015)
• Alemania y Austria (Elster, 2014)
• Alemania (Heublein y Wolter, 2011)
• Alemania (Derr et al., 2012)
• España (Araque, et al., 2009)
57
Tipos de estudios País (Autores, año)
Interaccionista y • Argentina (Graffigna et al., 2014)

organizacional
Otros autores identificaron que la base previa en Matemáticas y Física y la integración
social y académica son factores que inciden en la deserción de los estudiantes en carreras de
Ingeniería; en consecuencia, han estudiado los efectos en los estudiantes, del desarrollo de
talleres preparatorios para el ingreso. Los participantes valoran la experiencia como
satisfactoria para mejorar el dominio de los contenidos de la carrera y una oportunidad de
relacionarse con futuros compañeros de estudio (Chiecher y Paoloni, 2015).
También, en Universidades de Malasia y Australia, se estudiaron los factores
psicológicos que influyeron en la capacidad de los estudiantes para permanecer y esforzarse
en los programas de Ingeniería (Paimin et al., 2017).
En otros estudios, se determinan como variables predictivas de la deserción la
preparación previa en Matemáticas, relacionada con los puntajes en las pruebas de acceso y
el rendimiento académico en primer año, sobre todo en las asignaturas de Matemáticas e
Informática introductoria (Canedo, et al., 2018; Heublein y Wolter, 2011; Kori, et al., 2018;
Niitsoo, et al., 2014).
Asimismo, se analizan variables que no se valoran en estudios anteriores, como son:
las competencias teóricas y prácticas con computadoras (Araque et al., 2009; Canedo et al.,
2018; Xenos et al., 2002; Zehetmeier et al., 2015), el desarrollo del pensamiento lógico y
analítico (Salazar-Fernández et al., 2019; Zehetmeier et al., 2015) y la integración profesional
58
(Kori et al., 2018). A pesar de que se analizan variables socioeconómicas, ninguno de estos
estudios tiene un enfoque economicista.
En general los estudios revisados sobre deserción estudiantil en carreras de Ingeniería
y en particular Informática, estudian variables ya identificadas en los modelos iniciales de
deserción. Sin embargo, introducen variables pedagógicas como es el proceso de enseñanza
aprendizaje de las Matemáticas (Alzen et al., 2018), la motivación por el estudio de dichas
carreras (Meyer y Fang, 2019; Paimin et al., 2017), los estilos de aprendizaje y métodos de
enseñanza (Van Den Broeck, et al., 2017). Se puede concluir que aún son pocas las
investigaciones sobre la deserción estudiantil en Informática.
Se amplió la búsqueda en otras bases de datos como Scopus y Google Académico y
se encontraron otros aportes sobre la deserción en carreras de Ingeniería.
En la Universidad Tecnológica Nacional de Buenos Aires, en Argentina, plantean
como causales de abandono, elementos relacionados con la precedencia académica de los
estudiantes, tales como: carencia de las capacidades necesarias para poder insertarse al nuevo
escenario, y nuevos métodos de aprendizaje y de estudio. También el rendimiento académico
en el primer curso, diferentes niveles de conocimientos previos adquiridos en el nivel medio
y diferentes escuelas de procedencias de los estudiantes (Albione, Gregoret, Nuñez, y Vitale,
2005, p.4).
En la Universidad Nacional de Luján, en Argentina, la tasa promedio de abandono
para el período 2000-2010, superó el 71%. Identificaron una alta correlación entre el
rendimiento académico de los estudiantes en Matemáticas y el abandono durante el primer
año de carreras de Ingeniería. Reconocen factores como la preparación previa a su entrada a
la Universidad y su motivación por el estudio, demostró que la utilización de actividades
59
motivadoras y prácticas, teniendo en cuenta los estilos de aprendizaje de los estudiantes,
contribuye a mejorar el rendimiento académico en Matemáticas (Ferrero y Oloriz, 2015).
Por otra parte, la discusión sobre diferencias de género en el abandono en Informática
es frecuente; Miliszewska et al. (2006) reportan que un 40% de mujeres abandonan la carrera
de Informática.
En la Universidad Politécnica de Madrid (UPM) se han realizado varios estudios de
deserción estudiantil. Pablo-Lerchundi, Núez-Del-Río, y González-Tirados (2015)
estudiaron la importancia de la motivación intrínseca y responsabilidad de selección de la
carrera en la permanencia en grados del área científica tecnológica, los consideran elementos
beneficiosos para el rendimiento académico y profesional. También se detectó dependencia
entre el género y la motivación, el nivel de satisfacción y la calidad de la elección de carrera.
Además, las pruebas no paramétricas realizadas para los niveles de satisfacción no revelaron
diferencias significativas con respecto al género de los participantes. Sólo se encontró
significación con respecto a la escala de tiempo de los proyectos de fin de carrera, donde los
hombres mostraron una mayor tendencia que las mujeres a planificar estudios a largo plazo
(González-Tirados, 2004 citada por Pablo-Lerchundi, Núez-Del-Río, y González-Tirados,
2015).
Un estudio mixto en la UPM identificó que la falta de vocación por la carrera, la baja
formación académica previa, el desequilibrio entre el esfuerzo realizado y el rendimiento
académico, la actitud poco motivadora de los profesores, los malos hábitos de estudio, la
incompatibilidad con la actividad laboral y el absentismo, son factores que inciden en la
deserción. También detectaron que las mujeres abandonan más que los hombres. Abandonan
60
más los estudiantes que presentan las notas de acceso más bajas (Casaravilla, Campo, García,
y Torralba, 2012).
Existen estudios de género donde se destaca que las mujeres pierden interés con
mayor frecuencia que los hombres en las disciplinas STEM (Matusovich, Streveler, y Miller,
2010), y tienen un mayor nivel de insatisfacción con los estudios de Ingeniería y eligen la
carrera guiadas por factores extrínsecos, según Anguelova (2001) (citada por Pablo-
Lerchundi, Núez-Del-Río, y González-Tirados, 2015).
Al analizar la brecha de género para disciplinas STEM en Latinoamérica; se plantea
que hasta 2016, el 37,4% de los graduados en disciplinas STEM en la región, son mujeres
(Arredondo Trapero, Vázquez Parra, y Velázquez Sánchez, 2019). Mientras que a nivel
global, solo 16% por ciento de las mujeres se gradúan de alguna carrera del campo de STEM,
en tanto, se gradúan en este mismo campo el 30% de los estudiantes varones (World
Economic Forum, 2016, p.29).
No obstante, son varios los proyectos que se realizan en la actualidad para revertir
esta situación, por ejemplo:
• Million Women Mentors es una iniciativa para beneficiar la participación de
mujeres y niñas en disciplinas STEM mediante programas de tutoría
(STEMconnector/Million Women Mentors, 2015).
• STEM and Gender Advancement (SAGA) tiene el objetivo de ofrecer
herramientas para contribuir a reducir la brecha de género en disciplinas STEM
(UNESCO, 2016).
• W-STEM – Building the future of Latin America: engaging women into STEM
(García-Holgado et al., 2019).
61
2.2. La deserción estudiantil en programas de Ingeniería Informáticas en Cuba
Cuba está entre los países de más baja tasa de deserción en la región de América
Latina y el Caribe, según Boletín de la IESALC-UNESCO como se citó en (Guzmán, Muriel,
y Franco, 2009). No obstante, el Ministerio de Educación Superior de Cuba trabaja no solo
por la inclusión social y el pleno acceso, también promueve “un trabajo sostenible dirigido a
asegurar la permanencia y el egreso de los que acceden” (Horruitiner, 2009, p. 140).
Como se explicó en el Capítulo 1, la deserción (o baja, en el contexto cubano) es un
indicador que incide directamente en la eficiencia académica de una carrera, una institución
o de un sistema educativo. El Ministerio de Educación Superior analiza anualmente el
comportamiento de la eficiencia académica total, o de un ciclo y la eficiencia académica
vertical, o de un curso académico. Estas cifras representan indicadores de calidad del proceso
docente educativo y se tienen en cuenta en las proyecciones de trabajo; se analizan
anualmente sus resultados y se mantiene una actualización de los mismos. A continuación e
definen estos conceptos (Hernández et al., 2015).
Eficiencia académica total (o del ciclo): Estudiantes que se gradúan en un ciclo
completo (cinco o seis años según el tiempo de duración de la carrera) con respecto a los
que comenzaron el primer año, se obtiene mediante la fórmula siguiente:
!"#$#%&$#' '$')é+#$' ,-,'. - )%. /0/12
Cantidad de estudiantes que se gradúa

= en el curso actual ∗ 100
D',Eí$G.' #&#$#'. '. #&#$#- )%. $#$.-
($#&$- 'ñ-J ',EáJ)
62
Eficiencia académica vertical (o del curso): Consiste en multiplicar los valores de
promoción limpia, uno tras otro en los cinco o seis años de un mismo curso académico de
forma vertical, lo que da criterios cuantitativos que reflejan de una manera más inmediata los
resultados del trabajo desarrollado en cada curso, se obtiene mediante la fórmula siguiente:
DG.,#S.#$'$#ó& )% .-J U'.-E%J )% SE-+-$#ó& .#+S#',

G&- ,E'J -,E- %& .-J $#&$- 'ñ-J )% .' $'EE%E'
)% "-E+' WXQY0/Z1
!"#$#%&$#' )%. /PQR2 = =%
100000000 (!& %. $'J- )% 5 'ñ-J )% .' $'EE%E')
Como promoción limpia de un año académico X se entiende la cantidad de estudiantes
que promueven al año académico X+1 (sin asignaturas pendientes) respecto a la matrícula
inicial del año académico X.
El comportamiento histórico de eficiencia en la ES cubana desde 2012 al 2018 se
muestra en la Figura 10.
Figura 10. Serie histórica de eficiencia académica total y vertical de todas las carreras del
curso regular diurno adscritas al Ministerio de Educación Superior desde 2012 al 2018
Fuente: Prontuario Estadístico del año 2019. (Ministerio de Educación Superior, 2019,
p.74)
63
Se observa a partir del curso 2011-12 un cambio en el comportamiento de la eficiencia
vertical y académica, a consecuencia de modificaciones introducidas en el Reglamento de
Organización Docente con el objetivo de elevar la persistencia de los estudiantes en la
Educación Superior. Se establece la posibilidad de promover de un año a otro, arrastrando a
lo sumo, una asignatura de cada semestre del año precedente (Ministerio de Educación
Superior, 2010).
El comportamiento de la eficiencia y deserción no es igual en todas las Ramas de
estudio. En el periodo de 1999 al 2003, Cuba participó en el estudio de la IESALC-UNESCO
sobre repitencia y deserción universitaria en América Latina. Se estudió el comportamiento
de la deserción de tres carreras: Medicina, Derecho e Ingeniería Civil. En Cuba, la carrera de
Ingeniería presentó el mayor índice de deserción. Las causas de abandono estuvieron
asociadas fundamentalmente al bajo rendimiento académico y la insuficiente motivación por
la carrera (IESALC-UNESCO, 2006, p185-222).
La eficiencia académica total de las carreras de perfil Ingeniería Informática, se ha
mantenido por debajo del 40% desde el curso 2013-2014 como se muestra en la Figura 11.
En Cuba existen dos carreras de este perfil, clasificadas dentro de la Rama de Ciencias
Técnicas: Ingeniería Informática, que se imparte en todas las provincias del país e Ingeniería
en Ciencias Informática, que se imparte solo en La Habana, en la UCI donde estudian con
beca gratuita, estudiantes de todas las provincias del país. Ambas carreras tienen sendos
programas de estudio para la formación de sus profesionales (Ministerio de Educación
Superior de la República de Cuba, 2017).
64
Eficiencia Académica
60
50
40
30
20
10
0
2012-2013 2013-2014 2014-2015 2015-2016 2016-2017 2017-2018
Ingeniería Informática Ingeniería Ciencias Informáticas
Promedio de ambas
Figura 11. Gráfico del comportamiento de la eficiencia académica en las carreras de

Ingeniería Informática, Ingeniería en Ciencias Informáticas y el promedio de ambas
Fuente: Elaboración propia en base a los datos del Prontuario Estadístico (Ministerio de
Educación Superior, 2019)
En la UCI se estudian tres carreras: Ingeniería en Ciencias Informática, Ingeniería en
Bioinformática y el Técnico Superior en Administración de Redes y Seguridad Informática.
Como se explicó, en los últimos 12 años se han graduado más de 14.400 Ingenieros en
Ciencias Informáticas que, en su mayoría, contribuyen al desarrollo de la Informatización
de la Sociedad cubana desde tres aristas importantes: el desarrollo de la industria de software
nacional, las transformaciones de procesos en las entidades para asumir su informatización y
el soporte necesario para su mantenimiento (Universidad de las Ciencias Informáticas, s.f.-
b).
A pesar de estos resultados y las acciones realizadas para elevar la eficiencia
académica: estudios de satisfacción de los estudiantes con la formación que reciben, análisis
docente metodológico de los resultados de promoción y retención; así como, seminarios
65
científico-metodológicos para exponer las experiencias e innovaciones en el proceso
formativo, no se logra superar el 40% de eficiencia académica total.
Entre la escasa cantidad de bibliográfica encontrada en la revisión realizada sobre la
deserción en disciplinas STEM en Cuba, se encontró uno relacionado directamente con la
carrera de Informática, es un trabajo de fin de grado en la Licenciatura en Ciencias de la
Computación, que realiza predicciones de las deserciones de estudiantes de Informática en
la Universidad de Camagüey, aplicando técnicas de minería de datos (Abadía, 2013). La
muestra utilizada no incluye estudiantes de todas las provincias del país.
Se encontraron otros dos estudios que abordan la deserción, en la carrera de Medicina
(López, Marín, y García, 2012) y en el Centro Universitario Municipal de Alquizar, donde
no se imparte la carrera de Informática (González, García, Izquierdo, y Torres, 2010).
Otros estudios abordan elementos relativos a la dedicación al estudio en estudiantes
de Agropecuaria (López, García, del Pozo, Lombillo, y Vargas, 2013) y el uso de las nuevas
tecnologías para la motivación profesional en Agronomía (Moreno y Rodríguez, 2014).
Otra variable estudiada por algunos autores a nivel internacional como posibles
causas de deserción son los requisitos para el acceso a la ES (Alzen et al, 2018, Lacave et al,
2018 y Kory et al, 2016). En Cuba, es obligatorio aprobar tres exámenes de ingreso de las
disciplinas: Matemáticas, Español Literatura e Historia de Cuba. En el estudio de campo de
esta investigación, se tendrá en cuenta entre las variables a analizar, el resultado del examen
de ingreso de Matemáticas, por la incidencia que esta materia tiene para las Ingenierías.
Se han realizado transformaciones en la atención educativa, dirigidas a garantizar la
permanencia de los estudiantes en la ES, tales como: introducir cursos introductorios o de
66
nivelación para disminuir déficit de conocimientos de la enseñanza precedente; establecer
una estrategia maestra principal para el trabajo educativo en la ES; implantar los profesores
guías y tutores; y trabajar la esfera motivacional hacia el estudio, la carrera y la profesión,
entre otras. También, se reconocen un grupo de insuficiencias en la implementación de
estrategias de retención como: poco tiempo para su diseño e implementación de las
estrategias; dificultades con la selección y preparación de los profesores y con el desempeño
del tutor, entre otras (Peña-Hernández, Martínez-Sánchez, y Jesús-Calderíus, 2019).
La eficiencia académica de la ES cubana en el curso 2017-2018 fue de un 50,4%, y
el promedio de eficiencia en carreras de perfil de Ingeniería Informática está por debajo de
40% según Prontuario Estadístico (Ministerio de Educación Superior, 2019b). A pesar de
ello, son escasos los estudios para predecir la deserción y no se han encontrado en el contexto
cubano, estudios similares al que se propone en esta tesis doctoral.
67
68
CAPÍTULO 3: ESTUDIOS PREDICTIVOS DE DESERCIÓN
CAPÍTULO 3: ESTUDIOS PREDICTIVOS DE
DESERCIÓN
En este capítulo se resumen los estudios predictivos sobre la problemática de la deserción o
abandono universitario, a partir de la revisión sistemática realizada en el capítulo anterior. El
objetivo principal es identificar los métodos estadísticos y de minería de datos utilizados, las
muestras, variables analizadas, propuestas realizadas y limitaciones detectadas a considerar
en nuestro estudio de campo.
El Anexo 1 incluye el listado de trabajos consultados en las bases de datos WoS y
Scopus. Se seleccionaron 46 estudios relacionados con las causas de deserción en carreras
STEM, de ellos 31 utilizaron una metodología cuantitativa, seis cualitativa y nueve mixta.
Como se desglosa en la Tabla 4, se identifica el uso 31 veces de técnicas Estadística
Descriptiva e Inferencial, Análisis de Correlación, Regresión, Discriminantes y otras;
mientras que las técnicas de Minería de Datos, Árboles de Decisión o Redes Neuronales se
usaron 13 veces.
Tabla 4. Cantidad de veces que se utilizan las diferentes técnicas cuantitativas en 39

estudios
Técnicas cuantitativas utilizadas Cantidad de veces
Estadística descriptiva 18
Análisis de correlación 4
Análisis de Regresión Logística 5
Análisis discriminante 1
Análisis de componentes principales 3
Árboles de decisión 8
Redes Bayesianas y/o neuronales 7
Modelo de Ecuaciones Estructurales 1
Otras 5
69
En la Tabla 5 se resume información de estos estudios como la cantidad de muestra,
ésta la hemos clasificado en: menos de 100, entre 100 y 1.000 y más de 1.000 teniendo en
cuenta las características de este tipo de estudios que involucran estudiantes matriculados en
carreras STEM, donde generalmente se toman poblaciones completas de cohortes, o la
mayoría de los casos que cuentan con los datos de todas las variables en estudio. La mayoría
de los estudios (21) utilizan muestras mayores a los 500 estudiantes.
Todos estos estudios se relacionan con el análisis, predicción o clasificación de la
deserción/retención en carreras STEM, utilizando datos de una o varias cohortes; asimismo
el estudio puede abarcar una o varias instituciones, ser nacional o internacional. En la tabla
4 se contabiliza esta información donde se aprecia que la mayoría de los estudios utilizan
datos de varias cohortes en una universidad por lo que se aprecia el interés de las
universidades en estudiar esta problemática.
Tabla 5. Cantidad de estudios por tamaño de muestra, cohortes utilizadas y escenarios de

estudios
Tamaño de muestra Cantidad de estudios
menos de 100 casos 4
de 100 a 1000 casos 22
más de 1000 casos 14
Cantidad de cohortes analizadas
varias 22
una 18
Escenarios de estudios
una Universidad 32
más de una institución 2
estudio nacional 4
dos países o más 2
Total de estudios cuantitativos y mixtos 39
70
3.1. Estudios correlacionales y de predicción
En la revisión sistemática realizada se detecta una mayoría de estudios cuantitativos
para identificar o predecir los factores de abandono o deserción, que van desde análisis
descriptivos, hasta el uso de técnicas predictivas, y ambas inclusive.
Muchos estudios hacen un análisis descriptivo de los datos únicamente (Canedo et
al., 2018; Fernández y Domínguez, 2011; Kuriakose, 2017; Soistak et al., 2018) otros los
combinan con técnicas predictivas como la regresión logística (Allen et al., 2008; Araque et
al., 2009; Tinto, 1997) o con análisis correlaciónales (Miliszewska et al., 2006; Oloriz et al.,
2007).
Utilizando el análisis de frecuencias y la correlación de Pearson, Oloriz et al. (2007)
concluyeron que existe una alta correlación entre el rendimiento académico en el primer
cuatrimestre y el abandono posterior de los estudios en una muestra de 3.554 estudiantes de
nuevo ingreso de diez cohortes de las carreras de Ingeniería en Alimentos e Ingeniería
Industrial de la Universidad Nacional de Luján.
Solo se ha encontrado un estudio que utiliza el análisis discriminante (Pascarella y
Terenzini, 1980) y contrario a los resultados analizados anteriormente, el rendimiento del
primer año del grado no fue estadísticamente significativo en este, con una muestra de 763
estudiantes de primer año de la Universidad de Syracuse en el centro del estado de Nueva
York en 1977. Utilizan el modelo de Tinto (1975) para predecir la deserción/retención, para
ello aplican cinco ítems relacionados con la integración social y académica, y la meta y el
compromiso institucional. En el análisis discriminante obtuvieron un 81,4% de clasificación
correcta al incluir las covariables relacionadas con estos cinco ítems.
71
Siguiendo el mismo camino, pero mediante análisis de regresión logística, Allen et
al. (2008) evaluaron los efectos del rendimiento académico, la motivación y la integración
social durante los tres primeros años de estudios universitarios en la retención/deserción, con
una muestra de 6.872 estudiantes de primero, segundo y tercer año de 23 universidades y
colegios de cuatro años. Concluyeron que el rendimiento académico tiene grandes efectos
sobre la probabilidad de retención; el compromiso universitario y la integración social tiene
efectos directos sobre la retención; y la autodisciplina académica condujo a un mayor
rendimiento académico de primer año. Vallejo, Moreno-Yus y Porto (2008) desarrollaron un
estudio sobre la caracterización de buenas prácticas pedagógicas ante el riesgo de exclusión
educativa.
Tinto realizó un análisis de regresión logística para determinar en qué medida el uso
de comunidades de aprendizaje y de estrategias de aprendizaje colaborativo, mejoran el
aprendizaje y la persistencia de los estudiantes. Utilizó una muestra total de 287 estudiantes
de primer año matriculados en el Seattle Central Community College, 121 estudiantes del
grupo experimental y 166 del grupo de control. Se utilizó el procedimiento paso a paso,
agregando las variables en orden de ocurrencia temporal lo que permitió determinar cómo se
relacionaban los atributos y las experiencias, con los resultados a lo largo del primer año y la
persistencia en el segundo año (Tinto, 1997).
Un enfoque generalizado para estudiar las causas de la deserción de los estudiantes
consiste en llevar a cabo un análisis de datos educativos para encontrar las mejores
características para la clasificación entre la deserción y la promoción. Araque et al. (2009)
propusieron una metodología general basada en una arquitectura de Data Warehouse
utilizando la regresión logística para predecir los estudiantes que abandonaran. Emplearon
72
una muestra de 75.830 estudiantes distribuidos en 27 carreras pertenecientes a tres facultades
de la Universidad de Granada. Sugieren generalizar la metodología, aunque el perfil de los
estudiantes que tienden a abandonar sus estudios depende de las carreras matriculadas.
Se aprecia que en la mayoría de los estudios con un tamaño de la muestra menor a
100 casos realizan solo análisis descriptivo, mientras los que tienen muestras superiores
realizan análisis predictivos, de clasificación automática, o ambos juntos.
Tal es el caso del estudio realizado por Ullah et al. (2019). Al igual que Tinto (1997)
utilizan la regresión logística binaria; en este caso, para analizar el nivel de satisfacción de
376 estudiantes con la calidad de la enseñanza y con los servicios e instalaciones de la
institución; así como, el efecto del nivel de satisfacción en la retención/deserción en
diferentes carreras de una Universidad Islámica Internacional. Los autores concluyen que
existe una estrecha relación entre la deserción estudiantil y la insatisfacción de los
estudiantes; así como que la insatisfacción de los estudiantes depende fundamentalmente de
los servicios de la cafetería, actividades extracurriculares, la calidad de las conferencias y de
las instalaciones del laboratorio.
3.2. Estudios de minería de datos
Las universidades cuentan con una gran cantidad de datos de los estudiantes que son
aprovechados por los investigadores para sus estudios mediante técnicas de Minería de Datos
Educativos y que permiten la asociación, clasificación, agrupamiento, o reconocimiento
automático de patrones a partir de atributos de los estudiantes.
Recientemente, Ullah et al. (2019) además del análisis estadístico, utilizaron las
técnicas de minería de datos: Clasificador Bayesiano Ingenuo (Naïve Bayes), Bosques
73
Aleatorios (Random forest) y Regresión Logística para comparar los valores de exactitud
(accuracy) exhaustividad (recall) precisión (precision) y el valor F (f-measure) de las tres
técnicas; concluyendo que la Regresión Logística mejora los resultados de los demás
clasificadores.
Otros autores utilizan la minería de datos para predecir el rendimiento académico de
los estudiantes durante los exámenes de fin de semestre, utilizando sus resultados en
actividades educativas sistemáticas como exámenes de clase, seminarios, tareas o trabajo de
laboratorio. Por ejemplo, Baradwaj y Pal (2011) utilizan los Árboles de Decisión en una
muestra de 50 estudiantes de Informática de la Purvanchal University en la India.
En la Universidad de Trieste (Chies, Graziosi, y Pauli, 2014) analizaron los factores
que influyen en la deserción escolar de programas de licenciatura. Utilizaron el
procedimiento de lazo aleatorio (Ramdon Lasso) para modelar la probabilidad de abandono,
teniendo en cuenta las características individuales, el rendimiento universitario y la
vinculación laboral. El Ramdon Lasso es un método computacional para la selección de
variables en modelos lineales, introducido por Wang et al. (2011), poco utilizado en los
estudios de deserción.
Con respecto a la retención, se han utilizado diferentes métodos analíticos para
predecir si los estudiantes permanecerán hasta alcanzar su título universitario. Por ejemplo,
Nandeshwar, Menzies, y Nelson (2011) encontraron que los antecedentes familiares, el
estado socioeconómico de la familia y los resultados de los exámenes son determinantes en
una muestra de 33.712 estudiantes de la Universidad Estatal de Kent; para ello utilizaron
Árboles de Decisión y Redes Neuronales.
74
Villwock, Appio, y Andreta (2015) investigaron las causas de la deserción en el grado
de Matemáticas mediante Árboles de Decisión, utilizando factores socioeconómicos y el
resultado en los cursos tomados por los estudiantes. Concluyeron que en el primer año las
materias más determinantes son las de Cálculo Diferencial e Integral I; en cuanto al factor
socioeconómico, la necesidad de trabajar a tiempo completo fue la más responsable de los
abandonos. Para el estudio, se utilizó una muestra de 76 estudiantes de la Especialidad de
Matemática en la Universidad Estadual del Oeste del Paraná-Cascavel. Esta materia, también
se estudia en el primer año de las carreras de perfil Informática en Cuba, por lo que vimos
conveniente incluirla en nuestro estudio.
En el estudio realizado por Amaya, Barrientos, y Heredia (2015) consideran los
Árboles de Decisión como buenos predictores de la deserción en la Universidad Simón
Bolívar de Barranquilla, Colombia. El poder de representación de reglas de decisión fáciles
de entender y su poder de precisión, se tuvo en cuenta para la selección. Utilizó una muestra
de 201 estudiantes, con 16 variables o atributos en estudio. Concluye que se obtuvo un árbol
con seis reglas que involucran las variables: semestre en el que está matriculado el estudiante,
ingresos y ocupación del estudiante. En este estudio llama la atención que la variable
“materias perdidas” fue descartada del modelo final por no resultar significativa.
En el caso particular del grado de Informática, se realizó un estudio de predicción del
fracaso académico de los estudiantes en cursos a distancia o presenciales en una Universidad
Pública Brasileña, utilizando diferentes datos de los estudiantes, tales como: edad, género,
estado civil, ciudad, ingresos, registro del estudiante, período, clase, semestre, año de
inscripción en el curso, estado de la disciplina y rendimiento académico, asistencia a clases
presenciales y, en el caso de la educación a distancia, la frecuencia de los accesos al sistema.
Compararon la efectividad de cuatro técnicas de Minería de Datos Educativos: Árboles de
75
Decisión, Máquinas de Vectores de Soporte, Redes Neuronales y Naïve Bayes. Concluyeron
que las cuatro técnicas utilizadas, son suficientemente eficaces para la detección temprana de
fracasos académicos de los estudiantes; obteniendo la mejor efectividad con la técnica de
Máquinas de Vectores de Soporte, que fue capaz de predecir con un 92% y 83% de
efectividad los estudiantes con posibilidades de fracasar en los cursos a distancia y presencial,
respectivamente (Costa et al., 2017).
Badr et al. (2016) propusieron el uso del algoritmo de clasificación basada en reglas
de asociación para predecir el rendimiento académico en un curso de Programación,
utilizando solo como variables predictivas el rendimiento en los cursos de Matemáticas e
Inglés, concluyendo que el rendimiento en los cursos de Inglés tiene un mayor efecto
predictivo sobre el rendimiento en la Programación. De este estudio, resultó muy útil el
proceso de preparación de los datos que incluye las siguientes etapas: la traducción al idioma
inglés de los datos, la limpieza de datos, la reducción de datos, la discretización y la
normalización de datos.
Además, Lacave et al. (2018) completaron un estudio sobre las causas del abandono
en el grado de Informática en la Universidad de Castilla-La Mancha mediante el uso de Redes
Bayesianas. La calificación obtenida en el examen de ingreso a la universidad se consideró
un factor predictivo de abandono cuando se analizó solo. El rendimiento académico en las
asignaturas estudiadas también fue una de las variables más predictivas.
Otros autores analizan el abandono utilizando solo los datos disponibles cuando los
estudiantes se matriculan en la universidad. Por ejemplo, en la Universidad de Tecnología y
Economía de Budapest, Nagy y Molontay (2018) utilizaron datos de 15.825 estudiantes y
obtuvieron una alta precisión de clasificación (79%) con características relacionadas con el
76
programa de estudio, si el estudiante estaba matriculado durante el primer año y su situación
financiera. También obtuvieron que los estudiantes exitosos en Ingeniería no solo eran
buenos en Matemáticas y Ciencias en la escuela secundaria, también tenían un buen
desempeño en Humanidades. Utilizaron diferentes técnicas de clasificación automática, entre
ellas: Árboles de Decisión y Naïve Bayes, con diferentes configuraciones de entrada.
A modo de conclusiones, hemos realizado este estudio para encontrar vías para la
predicción temprana de abandono en el grado del perfil Ingeniería Informática mediante
técnicas cuantitativas.
Las técnicas estadísticas más utilizadas son: la Estadística Descriptiva, el Análisis de
Correlación y el Análisis de Regresión Logística. En estos estudios mediante Minería de
Datos Educativos, la moda en las técnicas de clasificación automática y predicción son: los
Árboles de decisión y las Redes Bayesianas y/o Neuronales. Generalmente no se aplica una
sola técnica, sino que se combinan para evaluar las más eficientes.
Respecto a las muestras, cohortes y escenarios de estudios, se observa una frecuencia
mayor de muestras de 100 a 1000 casos, de varias cohortes y una sola institución. Como
limitaciones se identifica que en 16 estudios solo se aplica la estadística descriptiva; y solo
el 33% de los estudios son cualitativos o mixtos. Estos resultados son considerados al realizar
nuestro diseño metodológico.
77
78
PARTE II. DISEÑO METODOLÓGICO DE LA
INVESTIGACIÓN
79
80
CAPÍTULO 4: INTRODUCCIÓN A LA METODOLOGÍA
CAPÍTULO 4: INTRODUCCIÓN A LA
METODOLOGÍA
En este capítulo se describe la metodología de la investigación, las fases definidas y los
objetivos de investigación planteados. Además, se propone un modelo teórico de deserción
en carreras de perfil Ingeniería Informática teniendo en cuenta los modelos anteriormente
analizados y la sistematización de los estudios evaluados en los capítulos 2 y 3; dando
cumplimiento así al Objetivo I.2 (proponer un modelo teórico de deserción estudiantil en
carreras de perfil Ingeniería Informática). Se plantean, además, las hipótesis de investigación
a partir de dicho modelo y los datos a los que se pudo acceder en el contexto cubano.
4.1. Fases y diseño teórico de la investigación
El estudio sistemático sobre la deserción en la Educación Superior descrito
anteriormente; así como la experiencia de la práctica educativa vivida en este nivel de
enseñanza, permitió identificar la necesidad de estudiar el tema con vistas a realizar una
propuesta relacionada con acciones tutoriales, dirigidas a atender los factores que provocan
que los estudiantes abandonen los estudios y que influyan en la retención de los mismos en
el contexto de las carreras de perfil Ingeniería Informática en Cuba. Estos elementos permiten
identificar el siguiente problema de investigación: ¿Cuáles pueden ser los factores
predictivos de la deserción estudiantil en carreras de Ingeniería Informática?¿Qué elementos
estructurales y de contenido deben formar parte del diseño didáctico de acciones tutoriales
con TIC para atender dichos factores?
81
Para abordar este problema de investigación, se han definido tres fases que se
muestran en la Figura 12. En primer lugar, es necesario estudiar los factores predictivos de
deserción desde el punto de vista teórico y en nuestro propio contexto. Por ello, se define la
primera fase de la siguiente manera:
• Fase I. Estudio teórico y de campo de las causas de la deserción estudiantil
universitaria para determinar los factores predictivos en los primeros años de
carreras de perfil Ingeniería Informática.
En segundo lugar, identificar las fortalezas y debilidades detectadas durante el uso de
la acción tutorial para retener a los estudiantes o evitar la deserción. De ahí que se ha definido
la segunda fase de la siguiente forma:
• Fase II: Estudio teórico y metodológico sobre las fortalezas y debilidades de las
estrategias propuestas en la literatura estudiada utilizando la acción tutorial con
TIC para atender los factores predictivos de la deserción estudiantil.
Por último, se tuvieron en cuenta los elementos identificados en la fase II, para hacer
una propuesta de retención que tenga en cuenta el diseño didáctico de acciones tutoriales,
durante la tercera fase.
• Fase III. Análisis de los elementos estructurales y de contenido que deben
formar parte del diseño didáctico de acciones tutoriales con TIC dirigidas a
atender los factores predictivos de la deserción en carreras de Ingeniería
Informática.
82
Fase I Estudio teórico y de campo de causas de la deserción

(Mixta concurrente)
Histórico
lógico Análisis
síntesis Fase II Estudio teórico de propuestas y de la
acción tutorial
Cuantitativa
Correlación,
Regresión,
Discriminante, Fase III Propuesta
Árbol de Análisis
decisión, Red síntesis Elementos estructurales y de contenido que
neuronal deben formar parte del diseño didáctico y la
puesta en práctica de acciones tutoriales con
Cualitativa TIC atendiendo a factores predictivos de
Entrevista deserción
Triangulación
Figura 12. Fases definidas en la investigación

Se ha completado una investigación de tipo correlacional y explicativa no
experimental, mediante una metodología mixta concurrente en la primera fase de la
investigación. Se utilizaron técnicas cualitativas y cuantitativas para verificar la convergencia
de los datos y corroborar o no los descubrimientos teóricos y de campo sobre las causas de
la deserción en el primer año de carreras de perfil Ingeniería Informática, en aras de una
mayor validez interna y externa del estudio (Hernández-Sampieri, Fernández-Collado, y
Baptista-Lucio, 2014).
En la primera fase, se realizó un estudio teórico para identificar los modelos iniciales
de deserción, hacer un análisis cronológico de los estudios y obtener un modelo teórico de
factores de deserción en carreras de perfil Ingeniería Informática, clasificados en factores
previos y posteriores al ingreso. Esto permitió el planteamiento de cuatro hipótesis que se
declaran en la sección 4.4.
83
A partir del modelo obtenido, se realizó un análisis estadístico de datos mediante
estudios de Correlación, Regresión Logística y Análisis Discriminante, para identificar los
factores predictivos de deserción en el contexto estudiado.
Se realizó además un estudio de aplicación del aprendizaje automático para
identificar, con los datos recopilados y organizados en factores previos y posteriores al
ingreso, cuán temprano se puede identificar los estudiantes en riesgo de abandono.
De forma concurrente se realizaron entrevistas semiestructuradas a estudiantes de la
muestra que causaron baja de la carrera y el análisis del contenido de las mismas.
Se triangularon los datos recopilados mediante el método de comparación concurrente
“side-to-side” (Creswell, 2014, p. 273) para explicar la propuesta relacionada con el diseño
didáctico de acciones tutoriales con TIC dirigidas a atender los factores predictivos de la
deserción en carreras de Ingeniería Informática.
El análisis se realizó utilizando el Paquete Estadístico para las Ciencias Sociales
(SPSS, versión 22) y el software Entorno de Aprendizaje Automático Weka (Weka, versión
3.8.4) para la aplicación de métodos de aprendizaje automático. Se utilizó, además, la
Plataforma de Análisis Cualitativo NVivo (versión 11 Plus para Windows) para analizar el
contenido de las entrevistas.
En la segunda fase, a través del método análisis-síntesis, se realizó una
sistematización de las propuestas para prevenir la deserción recogidas en los estudios
analizados en la primera fase, profundizando e identificando fortalezas y debilidades en las
propuestas de acciones tutoriales.
84
Como resultado de la tercera fase de la investigación, se proponen los elementos
estructurales y de contenido para el diseño didáctico y la puesta en práctica de acciones
tutoriales con TIC atendiendo a factores predictivos de deserción en la UCI.
4.2. Objetivos de investigación
El objetivo general de esta investigación, que se corresponde con el problema de
investigación planteado en la sección anterior es:
Objetivo General: Identificar los factores que determinan la deserción estudiantil
universitaria en las carreras de Ingeniería Informática y proponer elementos
estructurales y de contenido para el diseño didáctico y la puesta en práctica de
acciones tutoriales con TIC que atiendan a los factores detectados.
Los objetivos específicos para cada una de las fases de la investigación y que permiten
alcanzar gradualmente el objetivo general ya declarado son:
Objetivo I.1. Estudiar desde el punto de vista teórico y metodológico los factores que
determinan la deserción estudiantil universitaria a través de la revisión bibliográfica
que aborda la temática.
Objetivo I.2. Proponer un modelo teórico de deserción estudiantil en carreras de
perfil Ingeniería Informática.
Objetivo I.3. Identificar los factores predictivos de la deserción en el primer año de
la carrera mediante un análisis multivariado y de minería de datos de estudiantes
matriculados en carreras de perfil Ingeniería Informática en Cuba.
85
Objetivo I.4. Describir los factores que incidieron en la deserción de estudiantes en
carreras de perfil Ingeniería Informática en Cuba mediante entrevistas a una muestra
de los mismos.
Objetivo II.1. Identificar en la bibliografía consultada, las fortalezas y debilidades de
las estrategias de tutoría propuestas utilizando las TIC y la acción tutorial para atender
factores predictivos de la deserción.
Objetivo III.1. Determinar los elementos estructurales y de contenido que deben
formar parte del diseño didáctico y la puesta en práctica de acciones tutoriales con
TIC, dirigidas a atender factores predictivos de la deserción en carreras de Ingeniería
Informática.
4.3. Propuesta de modelo teórico de deserción en carreras de perfil Ingeniería
Informática
La sistematización de los estudios analizados en los capítulos 2 y 3 mediante los
métodos histórico lógico y análisis síntesis, sirvió de base para la propuesta de un Modelo
Teórico de Deserción Estudiantil en Carreras de Perfil Ingeniería Informática, que se muestra
en la Figura 13. Dicho modelo se utilizó para realizar el planteamiento de las hipótesis, a
partir de los datos a los que se tuvo acceso en el estudio de campo.
El modelo que se presenta plantea las variables en dos direcciones, en dirección
vertical según el momento en que se presentan: previas o posteriores al acceso a la
Universidad; y en dirección horizontal según el tipo de variables que se analice: académicas,
motivacionales, personales o económicas. Entre las variables académicas, aparecen todas que
86
tributan al rendimiento académico en Matemática y Programación y a la repitencia o no del
año académico.
Los factores previos al ingreso en los estudios del grado en Informática (con borde
naranja en la Figura 13) se consideran el género, la edad, la formación académica previa en
Matemática e Informática, la nota de acceso a la Universidad en Matemática y la opción en
que se solicita la carrera para aquellos sistemas educativos que la realizan, la fuente de
ingreso (secundaria, pre-universitaria o profesional) según sea el caso, la orientación
vocacional previa (González-Faraco, Luzón-Trujillo, y Corchuelo-Fernández, 2019), el lugar
de procedencia, el nivel educativo de los padres, estado civil y las condiciones
socioeconómicas de la familia. (Amaya et al, 2015; Fernández y Domínguez, 2011; Lacave
et al, 2018; López et al, 2016; Mello et al, 2015; Kori et al, 2016; Vila et al, 2019).
Como factores que ocurren dentro de la institución de ES, después del ingreso a los
estudios de Informática se consideran: el contenido curricular de las asignaturas de
Matemática e Informática; la cantidad de alumnos por profesor; la preparación pedagógica
del claustro; las ayudas on-line para el aprendizaje; la dedicación y el desarrollo de métodos
y habilidades de estudio en los estudiantes; el apoyo docente para facilitar el aprendizaje en
Matemática y Programación; la orientación profesional docente por la Informática; las
competencias en la utilización de las TIC de profesores y estudiantes; las relaciones
interpersonales con estudiantes, profesores y grupo; el apoyo docente educativo para facilitar
la adaptación; el hecho de vivir alejado de la familia en una residencia estudiantil y la ayuda
económica o préstamo estudiantil institucional (Alzen et al, 2018; Canedo et al, 2018;
Ferrero, y Oloriz, 2015; Graffigna et al., 2014; Kori et al., 2018).
87
Figura 13. Esquema del modelo de deserción estudiantil en carreras de Ingeniería Informática. Elab
Nota: Verticalmente desde la izquierda, en la primera columna aparecen los factores previos al ingreso (borde naranja) en la segunda
rojo respectivamente) los factores posteriores al ingreso y en la tercera columna los factores directa y definitivamente inciden en la
rectángulos de fondo azul son factores académicos, los de fondo verde factores motivacionales, de fondo rojo personales y de fon
88
Los factores directos que ocurren dentro de la Institución de ES después del ingreso
y finalmente, conducen a la decisión de abandonar los estudios de dicha carrera han sido
analizados, todos juntos, por varios autores; los factores se pueden agrupar en: el rendimiento
académico en Matemática y Programación, la motivación por el estudio de la Informática, la
adaptación a la vida universitaria y las condiciones socioeconómicas del estudiante (Alzen et
al., 2018; Amaya et al., 2015; Bernabe y Lacave, 2015; Kori et al., 2015; Soistak et al., 2018;
Van Den Broeck et al., 2017).
El modelo incluye también conexiones causales entre variables previas y posteriores
al ingreso. Las que se representan con líneas discontinuas indica que tienen una relación de
dependencia. Por ejemplo, el rendimiento académico en Matemática y Programación
depende de varios factores, uno de esos factores es el apoyo académico que reciben los
estudiantes en esas asignaturas por sus profesores u otras personas; éste a su vez (el apoyo
que se recibe) depende de factores previos como la formación académica previa en estas
asignaturas y la nota en el examen de ingreso en Matemáticas; asimismo, estas dos últimas a
su vez, se relacionan.
Otro aspecto que incide en la decisión de permanecer o abandonar la carrera por parte
del estudiante, es la motivación por el estudio de la Informática. Ésta depende de varios
factores que se relacionan entre sí, como la opción en se solicita la carrera que depende, a su
vez, de la orientación vocacional previa que haya recibido; asimismo, la motivación depende
de la orientación profesional hacia los modos de actuación del Ingeniero en Informática, que
debe desarrollar competencias en la utilización de las TIC, por constituir medios de trabajo
y de comunicación obligados, para estos profesionales. La motivación puede cultivarse desde
pequeños a través de potenciar el pensamiento computacional (Pérez-Marín et al., 2020).
89
Este modelo teórico se utiliza para realizar un estudio mixto de algunas de las
variables identificadas para determinar los factores predictivos de la deserción estudiantil en
las carreras de perfil Ingeniería Informática en el contexto cubano. Para ello, se utiliza una
muestra de estudiantes de todas las provincias del país. En el Capítulo 5 se hace una
descripción de las variables a las que se tuvo acceso en el contexto cubano. En los capítulos
6 y 7 se analizan los resultados de los estudios: cuantitativo y cualitativo, respectivamente.
Finalmente, se realiza en el Capítulo 8, una triangulación metodológica de los resultados que
le aportan mayor validez y fiabilidad a este estudio.
4.4. Formulación de hipótesis
Tras identificar mediante un estudio teórico los factores expuestos en las secciones
anteriores se seleccionaron las variables para realizar un estudio de campo. De entre las
analizadas en el Modelo Teórico propuesto, se tuvo acceso en el Sistema de Gestión
Universitaria a las que aparecen en las hipótesis planteadas.
Aunque no se pudo acceder a la variable socioeconómica, no tiene tanto impacto
como en otros contextos, teniendo en cuenta que en Cuba la Educación es gratuita,
incluyendo los materiales de estudio, residencia estudiantil, alimentación. Se garantizan
además por el estado, ayudas económicas o préstamos estudiantiles a los estudiantes que lo
soliciten y se asigna un estipendio mensual a todos los estudiantes universitarios.
Hipótesis 1 (H1). El género, el lugar de procedencia, la opción de carrera, la fuente
de ingreso y la nota en el examen de ingreso en Matemáticas, inciden en la deserción
estudiantil en carreras de Ingeniería Informática.
90
Hipótesis 2 (H2). La nota de acceso en Matemática incide directamente en el
rendimiento académico en Matemática y Programación.
Hipótesis 3 (H3). El rendimiento académico en Matemáticas y Programación incide
inversamente en la deserción estudiantil en carreras de Ingeniería Informática.
Hipótesis 4 (H4). La repitencia de un año académico incide directamente en la
deserción estudiantil en carreras de Ingeniería Informática.
Las hipótesis descritas se muestran en la Figura 14.
Figura 14. Hipótesis planteadas para la investigación

En este Capítulo se ha propuesto un Modelo Teórico de Deserción Estudiantil en
Carreras de Perfil Ingeniería Informática para el contexto cubano. Las variables se han
agrupado en dos variantes, según el momento en que se presentan y según el tipo de variable.
El período en que se presentan puede ser: previas o posteriores al acceso del
estudiante a la ES; dada la importancia de reconocer a tiempo un estudiante en riesgo de
deserción.
91
Agrupadas según el tipo de variable que se analice, pueden ser: académicas,
motivacionales, personales o económicas; y dentro de estas, se han incluido las que se
relacionan con la interacción académica y social dentro de la institución educativa.
A partir de este modelo, se han planteado cuatro hipótesis correlacionales, que
involucran solo las variables a las que se pudo acceder para el estudio de campo en el contexto
cubano. Se explica en el capítulo 5 el diseño metodológico para el análisis de dichas
variables; y el capítulo 6, se analizan los resultados del estudio correlacional y predictivo.
92
CAPÍTULO 5: MÉTODOS DE INVESTIGACIÓN

En este capítulo se describe la población, muestra y las variables que se analizarán. Las
variables se clasifican en dependiente e independientes; a su vez las variables independientes
se clasifican en previas al ingreso y posteriores al ingreso, teniendo en cuenta el modelo
teórico presentado en el capítulo anterior. Posteriormente se describe el diseño de los estudios
cuantitativo, cualitativo y de la triangulación metodológica.
La investigación de campo se desarrolla mediante una metodología mixta (Albacete-
Maza y Fernández-Cano, 2019). Primeramente, se realiza un estudio cuantitativo de datos de
los estudiantes mediante análisis de correlación, regresión y discriminante para detectar
factores predictivos de deserción en el contexto definido. De forma concurrente, se realizaron
entrevistas semiestructuradas a estudiantes que abandonaron para describir los factores desde
la voz de los entrevistados.
Posteriormente, se utiliza la minería de datos educativos para detectar cuán temprano
es posible predecir la posibilidad de deserción. A continuación, se triangulan los resultados
de ambas metodologías para corroborar o no los factores detectados.
Por último, para hacer una propuesta que contribuya a elevar la retención y
permanencia en la carrera de ICI, se realiza un estudio exploratorio y descriptivo de las
propuestas realizadas por otros autores, detectando las fortalezas y debilidades en el diseño
didáctico de acciones tutoriales tanto en otras propuestas como en el entorno cubano.
5.1. Población y muestra
La población seleccionada para el estudio está compuesta por los 1.022 estudiantes
de todas las provincias cubanas, que matricularon el primer año en carreras de perfil
93
Ingeniería Informática en el curso académico 2013-2014. La muestra está formada por
N=485 estudiantes de nuevo ingreso de todas las provincias, lo que representa el 48% de los
estudiantes matriculados en primer año ese curso en todo el país en carreras de dicho perfil.
Se seleccionó una muestra representativa de todas las provincias, teniendo en cuenta
los datos a analizar y se excluyeron todos aquellos estudiantes que carecían de, al menos, uno
de los datos en estudio que se describen en la siguiente sección. De ellos, 178 (37%) son
mujeres y 307 (63%) hombres.
La representatividad de la muestra en relación con la población por provincias se
visualiza en la Figura 15. La muestra oscila entre un 40% y un 50% de la población de cada
provincia, después de haber descartado los casos de los que no se cuenta con todos sus datos.
Matanzas
Pinar del Río
Artemisa
Cienfuegos
Villa Clara
Granma
Mayabeque
Las Tunas
Guantánamo
Sancti Spíritus
Ciego de Ávila
La Habana
Santiago de Cuba
Camagüey
Holguín
0% 10% 20% 30% 40% 50% 60%
Figura 15. Porcentaje representativo de la muestra respecto a la población por provincias
La muestra de N=485 estudiantes seleccionados de forma no probabilística e
intencional, se utilizó para el estudio cuantitativo, teniendo en cuenta todas las provincias del
país y las posibilidades de localización de los que causaron baja, repitieron y promovieron.
94
En el estudio cualitativo, se tomó de la muestra inicial, una sub-muestra formada por los 97
estudiantes que causaron baja de la carrera.
La muestra de tutores utilizada en la Fase III de esta investigación, para evaluar
mediante una matriz DAFO el proceso de diseño y desarrollo de acciones tutoriales en el
contexto del estudio de campo, fueron 15 tutores de los estudiantes muestreados. La selección
de la muestra de tutores fue intencional y no probabilística, teniendo en cuenta el principio
de voluntariedad para participar y que hubiesen atendido las tres categorías de estudiantes
analizados: baja, repitentes y promovidos.
La caracterización de los tutores participantes se corresponde con las características
del claustro; nueve de ellos (60%) titulados con un máster o doctores. También se tuvo en
cuenta los años de experiencia como profesor, escogiendo cinco tutores de cada una de las
siguientes categorías: menos de cinco años de experiencia, entre cinco y 15, y más de 15.
Esta muestra se explica en detalles en el Capítulo 10.
5.2. Variables de investigación
Las variables correspondientes a los factores identificados se obtuvieron a partir de
datos de los estudiantes almacenados en diversas bases de datos institucionales; algunos se
recogieron en entrevistas a los estudiantes en el proceso de matrícula y otros, en el transcurso
del primer curso escolar. Se describen a continuación y se presentan resumidas en la Tabla 6
cada una de las variables seleccionadas para el análisis cuantitativo inicial.
95
Tabla 6. Descripción de las variables, tipo y valores asignados

Variable Tipo Valores
Deserción Nominal (0) No, (1) Sí
Situación escolar en el curso 14-15 Nominal (1) Baja, (2) Repite y (3) Promueve
Género Nominal Masculino (0) Femenino (1)
Provincia de procedencia Nominal (1) Las Tunas, (2) Guantánamo, (3)
Ciego de Ávila, (4) Sancti Spíritus,
(5) Santiago de Cuba, (6)
Mayabeque, (7) Artemisa, (8) Villa
Clara, (9) Holguín, (10) Cienfuegos,
(11) Pinar del Río, (12) Granma, (13)
Camagüey, (14) Matanzas, (15) La
Habana
Rango de opción en que solicitó la Intervalo (0) entre 4ª y 10ª, (1) 2ª o 3ª, (2) 1ª
carrera opción
Fuente de ingreso Nominal (1) otras, (2) TMI, (3) IPU, (4)
IPVCE
Rango de nota en el examen de Intervalo (1) de 60 a 69, (2) de 70 a 79, (3) de
ingreso de Matemática (NEIM) 80 a 89, (4) de 90 a 100
Rendimiento académico en Nominal (0) Bajo, (1) Medio, (2) Alto
Matemática y Programación
(RAMP)
Repitencia del primer año Nominal (0) No, (1) Sí
académico (RPA)
5.2.1. Variable dependiente: Deserción estudiantil en carreras de perfil
Ingeniería Informática
Se considera importante recordar que, en Cuba, el Ministerio de Educación Superior
define el término considerado para esta investigación como deserción con el nombre de baja.
El Reglamento de Organización Docente de la Educación Superior plantea que: “Se
entiende por baja la suspensión temporal o definitiva de la condición de estudiante
universitario” ( Ministerio de Educación Superior, 2017, p.15). En el referido documento, se
consideran además diferentes tipos de baja: por insuficiencia docente, por sanción
96
disciplinaria, voluntaria, por deserción, por pérdida de requisitos, por inasistencia, y
definitiva. A partir de ahora, cuando se hable de deserción, se entiende que es baja por
cualquier causa en las carreras de perfil Ingeniería Informática.
El estudiante que no causa baja, en dependencia de sus resultados académicos, puede
promover el año inmediato superior, o repetir el año académico que cursa; esta última opción
solo en una oportunidad. En tal sentido, cada estudiante presenta una situación escolar al
concluir cada curso escolar que se nombran: baja, repite o promueve. Esta clasificación se
utilizará en el análisis discriminante.
El reglamento anteriormente citado, también incluye el caso de la licencia de
matrícula, es una categoría que se confiere a aquellos estudiantes matriculados en la
Educación Superior que por determinadas causas (enfermedad, maternidad o embarazo,
problemas personales excepcionalmente justificados, entre otras) se vean obligados a
interrumpir los estudios. Estos casos son excepcionales y no significativos de la población,
por lo que se excluyeron de este estudio.
La variable dependiente deserción para el análisis de correlación y regresión logística
se considera binaria: si causa baja (deserción para esta investigación) y si no causa baja
(permanencia) ya sea el que repite el año académico o el que promueve al segundo año. Sin
embargo, la variable dependiente situación escolar en el curso 14-15 para el análisis
discriminante no es dicotómica, pues el objetivo es clasificar si el estudiante causa baja, repite
el primer año o promueve.
5.2.2. Variables independientes previas al ingreso a la Universidad
Como se muestra en la Figura 14 las variables previas al ingreso o acceso del
estudiante a la universidad consideradas son: género, fuente de ingreso, provincia de
97
procedencia, opción en que solicitó la carrera de Ingeniería en Ciencias Informáticas y la
nota en el examen de ingreso de Matemática.
En los estudios de deserción estudiantil siempre se utiliza la variable género. En
carreras de ciencias técnicas, generalmente se ha comprobado que los hombres permanecen
más que las mujeres (Suárez-Montes y Díaz-Subieta, 2015). También se estudian variables
demográficas como la procedencia de los estudiantes, ya sea el lugar donde viven o los
estudios precedentes (Bonaldo y Nobre, 2016).
Los únicos requisitos para ingresar a las universidades en Cuba son haber superado
la enseñanza preuniversitaria (nivel educativo entre la secundaria y la universidad) y,
además, aprobar los tres exámenes de ingreso exigidos por el Ministerio de Educación
Superior; solo examinan los estudiantes que cumplen el requisito anterior. Dichos exámenes
son iguales para todos los estudiantes del país y se realizan de forma simultánea,
examinándose las materias siguientes: Matemática, Español Literatura e Historia de Cuba.
Las calificaciones de dichas pruebas utilizan el baremo 0-100 puntos, con el valor de
aprobado a partir de 60 puntos.
Varios autores consideran, la nota de acceso a la Universidad, una variable predictiva
para la retención/deserción (Alzen et al., 2018; Lacave et al., 2018; Niitsoo et al., 2014). Para
la carrera en estudio, se supone de gran valor la nota obtenida por el estudiante en el examen
de ingreso de Matemática. Un estudiante puede acceder si aprueba los tres exámenes, es
decir, si su calificación es 60 o un valor superior en los tres.
Previo al ingreso a la Educación Superior, los estudiantes solicitan 10 opciones de
carreras en orden de preferencia, en cuya selección y prioridad prima única y exclusivamente
el componente motivacional. Tras realizar los exámenes de ingreso, el estudiante accede a la
98
carrera universitaria solicitada a partir de un escalafón provincial. El otorgamiento definitivo
se realiza a partir de ordenar a los estudiantes de forma descendente en dicho escalafón, por
lo que, según estos resultados, en ocasiones se le asigna, de entre las diez solicitadas, la
carrera menos deseada. De ahí, la importancia de estudiar qué incidencia tiene la opción en
que se solicitó la carrera en la decisión del estudiante de permanecer o abandonarla durante
o al culminar su primer año de estudios.
• Género: Hombres y mujeres.
• Provincia de procedencia: Las 15 provincias del país: La Habana, Pinar del
Río, Artemisa, Mayabeque, Matanzas, Villa Clara, Sancti Spíritus, Cienfuegos,
Ciego de Ávila, Camagüey, Las Tunas, Holguín, Granma, Santiago de Cuba y
Guantánamo.
• La fuente de ingreso: Término utilizado en el contexto cubano para indicar la
procedencia educativa de los estudiantes que acceden a la ES (Normas
Generales del Sistema de Ingreso a la Educación Superior, 2014). Los
estudiantes provienen de diferentes fuentes de ingreso, la de mayor ingreso son
los Institutos Preuniversitarios (IPU), le siguen los Institutos Preuniversitarios
Vocacionales de Ciencias Exactas (IPVCE) donde se fortalece la preparación en
Matemática, Física y Química. También ingresan estudiantes de Técnico Medio
en Informática (TMI) con formación profesional; así como, otras fuentes de
ingreso que aportan menor cantidad de estudiantes.
• Opción en que solicitó la carrera: Para ingresar a la ES, los estudiantes
solicitan previamente 10 opciones de carreras por orden de preferencia; luego de
realizar los exámenes de ingreso se promedian estos resultados, y se otorga la
99
carrera por un sistema de ingreso que tiene en cuenta la opción en que solicitó.
Para el estudio se dividió en tres rangos: (i) primera opción, (ii) segunda o
tercera opción y (iii) de la cuarta a la décima opción.
• La nota obtenida por el estudiante en el examen de ingreso en Matemática: En
este estudio la variable se agrupó en cuatro rangos: de 60 a 69 puntos, de 70 a
79, de 80 a 89 y de 90 a 100.
5.2.3. Variables independientes posteriores al ingreso a la Universidad
Como variables independientes posteriores al ingreso de los estudiantes a la
Universidad se han considerado: el RAMP y la RPA. Se han utilizado características de
rendimiento académico, consideradas como indicadores en estudios anteriores (Oloriz et al.,
2007; Vázquez y Difabio, 2009). En este caso, se ha centrado la atención en las asignaturas
de Matemáticas y Programación y también se ha diferenciado las asignaturas del primer y
segundo semestre, para poder discernir si es posible predecir el abandono antes del segundo
semestre.
El rendimiento académico en una asignatura de una carrera universitaria se evalúa
empleando las categorías siguientes (Ministerio de Educación Superior, 20017): excelente
(5), bien (4), regular (3) y mal (2). Cada categoría establecida expresa el grado de calidad
alcanzado por el estudiante en el cumplimiento de los objetivos de las asignaturas. Las
calificaciones de excelente, bien y regular expresan diferentes grados de dominio de los
objetivos que tienen los estudiantes y, con cualquiera de ellas, resulta aprobado en la
asignatura. La calificación con valor igual a mal expresa que el estudiante no domina los
objetivos al nivel mínimo requerido.
100
En esta investigación se considera importante analizar qué incidencia tiene el
rendimiento académico en las asignaturas de las disciplinas Matemática y Programación en
la deserción estudiantil.
• El rendimiento académico en Matemática y Programación: Los estudiantes
reciben en el primer año de la carrera cinco asignaturas básicas de la disciplina
Matemática: Álgebra Lineal, Matemática I y Matemática Discreta I en el primer
semestre, Matemática II y Matemática Discreta II en el segundo semestre.
Reciben también tres asignaturas de la especialidad: Introducción a las Ciencias
Informáticas e Introducción a la Programación en el primer semestre y
Programación I en el segundo semestre. El RAMP se calcula como el porcentaje
de asignaturas aprobadas de las ocho que recibió en el primer año.
Para los análisis estadísticos realizados el RAMP se clasifica en alto, medio y bajo.
Se consideró alto si tiene todas las asignaturas aprobadas, medio si tiene una o dos asignaturas
suspensas y bajo si suspende tres o más asignaturas.
Para este estudio, además del RAMP, se han considerado las calificaciones obtenidas
en cada una de estas materias y también se ha calculado el porcentaje de materias aprobadas
al concluir el primer y segundo semestre del primer año. Estas variables son utilizadas para
averiguar cuán temprano es posible detectar los estudiantes en riesgo de abandono, utilizando
técnicas de minería de datos.
• Porcentaje de asignaturas de Matemática aprobadas en el primer semestre
• Porcentaje de asignaturas de Programación aprobadas en el primer semestre
• Porcentaje de asignaturas en total aprobadas en el primer semestre
• Porcentaje de asignaturas de Matemática aprobadas en el segundo semestre
101
• Porcentaje de asignaturas de Programación aprobadas en el segundo semestre
• Porcentaje de asignaturas en total aprobadas en el segundo semestre
• Porcentaje de asignaturas de Matemática aprobadas en el primer año
• Porcentaje de asignaturas de Programación aprobadas en el primer año
• Porcentaje de asignaturas en total aprobadas en el primer año; este coincide con
el RAMP
En la Educación Superior cubana los casos de estudiantes que desaprueban dos
asignaturas en un mismo semestre, o más de dos en el curso, podrán ser valorados por las
autoridades universitarias correspondientes para repetir el año académico. Se tendrán en
cuenta que sus resultados docentes no estén vinculados a una mala actitud ante el estudio. Se
considera oportuno estudiar si esta variable incide en la deserción. Un estudiante en este caso
tendrá la oportunidad de repetir hasta dos años de su plan de estudio durante toda la carrera,
solo podrá repetir un mismo año, una sola vez.
• Repitencia del primer año (RPA): Se analiza la relación que existe entre los
estudiantes de la muestra (cohorte 2013-2014) que repitieron el primer año en el
curso 2014-2015 con la deserción, o sea, su situación escolar al concluir el año
de repitencia. Éste término se denota en otras investigaciones como persistencia
(Fernández de Morgado, 2009; Fernández y Domínguez, 2011).
5.3. Diseño metodológico de la investigación
Teniendo en cuenta el marco teórico y los objetivos de investigación planteados, se propone
en esta investigación no experimental, con un diseño metodológico mixto concurrente. En

102
este capítulo se detallan las técnicas utilizadas, tanto para la parte cuantitativa, como para la
cualitativa; así como, la triangulación metodológica que permite contrastar los resultados
cuantitativos y cualitativos para una mayor validez interna y externa del estudio.
Como se ha mencionado anteriormente, la deserción estudiantil en la Universidad es
una problemática compleja y multifactorial. Teniendo en cuenta esto, se ha seleccionado la
metodología mixta concurrente, pues se ha tenido en cuenta cómo ha sido abordada la
problemática en la literatura y sus resultados (Creswell, 2014). La importancia de los estudios
mixtos ante la problemática de deserción de los estudios universitarios radica en que
favorecen la profundización en el tema con el análisis de datos y el descubrimiento de la
experiencia vivida por los propios estudiantes (Fonseca, 2016; Fonseca y García, 2016).
Se utiliza un diseño no experimental, longitudinal y ex post-facto (Hernández-
Sampieri, Fernández-Collado, y Baptista-Lucio, 2014, p.152; Fernández-Guerrero, Callejas,
y Griol, 2020). Las variables analizadas corresponden a la subpoblación de estudiantes
matriculados en el primer año de la carrera de Ingeniería en Ciencias Informáticas de Cuba,
en la cohorte del curso escolar 2013-2014. Se analiza la relación que existe entre las variables
previas y posteriores al acceso de los estudiantes a la Universidad, hasta concluir el primer
año de estudios, con la deserción estudiantil.
Como parte de las técnicas cuantitativas, varios autores combinan la estadística
descriptiva con la regresión logística teniendo en cuenta atributos de estudiantes de primer
año (Alzen et al., 2018; Tinto, 1997; Ullah et al., 2019). El mayor porcentaje de los estudios
cuantitativos analizados en el Capítulo 3 (51%) opta por la estadística descriptiva e
inferencial. Hasta donde sabemos, ninguno de los estudios mixtos combina los análisis
descriptivos, correlacionales y de regresión para predecir el abandono en carreras STEM. Sin
embargo, estudios cuantitativos puros (Canedo et al., 2018; Ullah et al., 2019) y cualitativos
103
puros (Paimin et al., 2017) plantean como limitaciones de sus investigaciones, el uso de
técnicas cualitativas y cuantitativas, respectivamente. Esto, también, motivó la decisión por
un estudio mixto.
En la revisión sistemática descrita en el Capítulo 3 se detectaron nueve estudios
mixtos sobre la deserción en carreras STEM. En ellos es frecuente la realización de
entrevistas en la parte cualitativa (Elster, 2014; Graffigna et al., 2014; Tinto, 1997; Xenos et
al., 2002).
En cuanto a la triangulación, se establecen “cuatro tipos básicos de triangulación: de
datos, de investigadores, teórica y metodológica” según Denzin (como se cita en Alzás y
García, 2017, p.641).
Se selecciona la triangulación metodológica pues al realizarla entre métodos, se
pueden confirmar los hallazgos, incrementar la validez de los resultados y alcanzar una
mayor comprensión de los factores identificados (Alzás y García, 2017).
5.3. Diseño del análisis cuantitativo
Tras identificar mediante un estudio teórico los factores predictivos antes expuestos,
se seleccionaron las variables para realizar un estudio cuantitativo que incluye: análisis
descriptivo, de correlación, regresión logística y análisis discriminante. El análisis se realiza
utilizando el paquete estadístico para las Ciencias Sociales SPSS (versión 22). El estudio
cuantitativo se completa, con un análisis de clasificación automática de datos educativos. En
este caso utilizando el software para el aprendizaje automático y la minería de datos Weka
(versión 3.8.4 para Windows).
En primer lugar, se realiza un análisis descriptivo de las variables en estudio para
inferir características de las mismas en la población, así como un análisis preliminar de la
104
correlación existente entre las variables en estudio (Hernández-Sampieri, Fernández-
Collado, y Baptista-Lucio, 2014).
En segundo lugar, se utiliza la regresión logística con el objetivo de obtener el modelo
matemático que sirva para calcular la probabilidad de que un estudiante cause baja de la
institución, a partir de los valores en las diferentes variables independientes en estudio, que
sean incluidas en el modelo finalmente obtenido, con ello, predecir si un estudiante está en
riesgo de deserción (Berlanga-Silvente y Vilà-Baños, 2014).
Los modelos de regresión logística son modelos estadísticos en los que se desea
conocer la relación entre una variable dependiente cualitativa dicotómica (regresión logística
binaria o binomial) y una o más variables explicativas independientes, o covariables, ya sean
cualitativas o cuantitativas. También es posible analizar una variable dependiente cualitativa
con más de dos valores (regresión logística multinomial). El objetivo primordial que resuelve
esta técnica es el de modelar cómo influye en la probabilidad de aparición de un suceso,
habitualmente dicotómico, la presencia o no de diversos factores y su valor o nivel. El
programa estadístico SPSS permite obtener los coeficientes que se utilizarán en dicho
modelo.
El análisis de regresión que se utilizó para las Hipótesis 1, 3 y 4 fue la regresión
logística binaria, pues la variable dependiente es dicotómica: deserción o permanencia. Este
análisis tuvo dos objetivos fundamentales:
• Determinar la relación o no de las variables independientes con la variable
dependiente.
• Determinar el modelo matemático que permita predecir la probabilidad de que se
produzca o no la deserción, a partir de los valores que toman las variables
independientes.
105
Las variables se introdujeron siguiendo el procedimiento paso a paso, en un orden
lógico, según la secuencia temporal de ocurrencia; es decir, desde los atributos de
preinscripción, hasta los resultados de aprendizaje en el primer año, en relación con la
permanencia o deserción en el segundo.
En el caso de la Hipótesis 2 se utilizó la regresión logística multivariada, pues la
variable dependiente RAMP no es dicotómica, sino que toma tres valores como ya se ha
explicado anteriormente: alto, medio o bajo.
Posteriormente, se realizó un análisis discriminante para identificar las variables
cuantitativas que discriminan o diferencian a los estudiantes en los que desertan de la carrera,
repiten el primer año académico, o promueven; así como, para crear una función
discriminante capaz de clasificar de forma más precisa a los estudiantes a partir de conocer
los datos de las variables que discriminan. Una característica de este método es que la
variable dependiente debe tener dos o más grupos de clasificación y las variables
independientes (de clasificación o discriminantes) deben ser variables cuantitativas (Austin
y Steyerberg, 2015; Mendoza y Acosta, 2013).
Con respecto a los enfoques de aprendizaje automático, los más comunes en la
literatura citada en el Capítulo 3 son las redes neuronales, los árboles de decisión, el enfoque
bayesiano y la regresión logística; y las herramientas de software más utilizadas fueron Weka
y el software R. En tal sentido, para proveer mayor rigor en el análisis cuantitativo, se realizó
un segundo estudio estadístico que consistió en la utilización de técnicas de aprendizaje
automática proporcionados por Weka.
El análisis de clasificación automática efectuado en esta investigación se realizó
utilizando Árboles de Decisión y Redes Neuronales con dos objetivos fundamentales:
106
• Detectar el máximo número de estudiantes en riesgo de desertar o repetir, o sea,
no promover.
• Realizar la detección de los estudiantes en riesgo de deserción o repetir el año
académico, lo más temprano posible.
En el sistema de Educación Superior cubano los estudiantes tienen la oportunidad de
repetir hasta dos años de su plan de estudios durante toda la carrera, y solo podrán repetir el
mismo año, una vez. En este estudio de clasificación automática, se ha tornado
imprescindible llevar a cabo dos series de experimentos teniendo en cuenta dos clases
(promueve y no promueve) y tres clases (promueve, repite y abandona). Se analizan los
valores de exactitud (accuracy) exhaustividad (recall) precisión (precision) y el valor F (f-
measure).
En cada uno de ellos se ha empleado un Árbol de Decisión J48 y una Red Neuronal
Multicapa, por ser los algoritmos que mejores resultados han dado en estudios similares
(Costa et al., 2017; Miranda y Guzmán, 2017; Nandeshwar et al., 2011).
Los Árboles de Decisión son métodos de decisión poderosos y fáciles de interpretar.
Al analizar los diferentes estudios que los han utilizado, se aprecia una buena exactitud en
sus resultados como se observa en la Tabla 7.
107
Tabla 7. Resumen de estudios, técnicas utilizadas y resultados de exactitud

Estudios Técnicas utilizadas
Predicting Factors of Students Dissatisfaction for Retention Regresión logística, Naïve La Reg
[Factores de predicción de la insatisfacción de los estudiantes para Bayes y Random Forest mostró
la retención] (Ullah, Alam, Mahiuddin, y Rahman, 2019) con un
Bangladesh
Detection of Desertion Patterns in University Students Using Data Enfoque Bayesiano y Los Ár
Mining Techniques: A Case Study [Detección de patrones de Árboles de decisión. fueron
deserción en estudiantes universitarios mediante técnicas de minería una ex
de datos: estudio de caso] (Vila, Cisneros, Granda, ..., Posso-Yépez,
García-Santillán, 2019) Ecuador
Predicting Dropout in Higher Education based on Secondary Árbol de Decisión, Naïve La técn
School Performance [Predecir la deserción en la Educación Bayes, y Deep Learning con (un tip
Superior según el rendimiento de la escuela secundaria] (Nagy y diferentes configuraciones la más
Molontay, 2019) Hungría de entrada exactit
Learning Analytics to identify dropout factors of Computer Science Redes Bayesianas El mej
studies through Bayesian networks [Learning Analytics para ajusta
identificar los factores de deserción de los estudios de Informática a propor
través de Redes Bayesianas] (Lacave, Molina y Cruz-Lemus, 2018) K2, au
España heterog
estudia
ajustar
precisi
deserc
108
CAPÍTULO 5: M
Evaluating the effectiveness of educational data mining techniques Comparan la efectividad de Todas
for early prediction of students' academic failure in introductory cuatro técnicas de MDE: resulta
programming courses [Evaluar la efectividad de las técnicas de Árbol de Decisión, Máquina Máqui
minería de datos educativos para la predicción temprana del fracaso de vectores de soporte, Red soporte
académico de los estudiantes en los cursos de introducción a la Neuronal y Naïve Bayes fueron
programación.] (Costa, Fonseca, Santana, & Araújo, 2017) Brasil 92% y
respec
Predicting Students’ Performance in University Courses: A Case Algoritmo de clasificación Se real
Study and Tool in KSU Mathematics Department [Predecir el basada en asociaciones con va
desempeño de los estudiantes en los cursos universitarios: un 62,75%
estudio de caso y una herramienta en el Departamento de Conclu
Matemáticas de KSU] (Badr, Algobaila, Almutairia, y Almuterya, desem
2016) Arabia Saudita estudia
inglés
predict
sobre s
curso d
Student Dropout Predictive Model Using Data Mining Techniques Árboles de Decisión J48 e J48 mo
[Modelo predictivo de deserción de estudiantes utilizando técnicas ID3 resulta
de minería de datos] (Amaya, Barrientos y Heredia, 2015) obtenid
Colombia
Educational Data Mining with Focus on Dropout Rates [Minería de Árboles de Decisión J48 El Árb
datos educativos con enfoque en las tasas de deserción] (Villwock, obtenid
Appio, y Andreta, 2015) Brasil del 91,
Enthusiasm Towards Mathematical Studies in Engineering Árboles de Decisión No pre

[Entusiasmo por los estudios de las Matemáticas en Ingeniería] Cuestionarios de motivación obtuvo
(Paivi, 2012) Finlandia y autorregulación estudia
obtuvi
en la p
árbol d
record
pero ta
con tod
Learning patterns of university student retention [Patrones de Árbol de Decisión y Redes No pre
aprendizaje de retención de estudiantes universitarios] Neuronales. pudier
(Nandeshwar, Menzies, y Nelson, 2011) E.E.U.U. retenci
segund
signifi
predec
basado
inicio
A proposed academic advisor model based on data mining Árbol de decisión J48 mo
classification techniques [Un modelo de asesor académico resulta
propuesto basado en técnicas de clasificación de minería de datos] mejore
(Mohamed y Waguih, 2018) Egipto obtenid
110
Estudios recientes que han utilizado estas técnicas, detectaron patrones de deserción
en 37 carreras de la Universidad Técnica del Norte de Ecuador (Vila et al., 2019). Asimismo,
se han utilizado para estudiar los aspectos que inciden en la insatisfacción de los estudiantes
de la Universidad Islámica Internacional Chittagong de Bangladesh (Ullah et al., 2019).
También, lo han utilizado para proponer un modelo de asesoramiento a los estudiantes para
seleccionar las carreras académicas adecuadas, lo que ayuda también a prevenir el abandono
(Mohamed y Waguih, 2018). Considerar el Árbol de Decisión, permite visualizar el proceso
de clasificación e identificar las características que más influyen para la toma de decisiones.
5.4. Diseño del análisis cualitativo
Se aplicó una entrevista semiestructurada (personal o telefónica) a estudiantes que
causaron baja con el objetivo de describir el proceso de deserción, sus causas e implicaciones
para los sujetos desde la voz de los entrevistados. Con ello, se da cumplimiento al Objetivo
I.4 que plantea: Describir los factores que incidieron en la deserción de estudiantes en
carreras de perfil Ingeniería Informática en Cuba mediante entrevistas a una muestra de los
mismos. Estas se procesaron utilizando la Plataforma de Análisis Cualitativo NVivo (Versión
11 Plus para Windows) para realizar el análisis de sus contenidos.
Para el análisis de contenidos se utilizó el procedimiento propuesto por Porta y Silva
(2003).
I. Determinar los objetivos que se pretenden alcanzar
II. Definición del universo que se pretende estudiar
III. Elección de documentos a analizar
IV. Definición de las finalidades centrales que persigue la investigación
111
V. Elaboración de indicadores o definición de unidades de análisis
VI. Reglas de numeración o recuento
VII. La categorización
Teniendo en cuenta este procedimiento se realizó el análisis de contenidos de las
respuestas de los entrevistados:
I. Determinar los objetivos que se pretenden alcanzar: El objetivo a alcanzar
con el análisis de contenidos es el Objetivo I.4 de la investigación.
II. Definición del universo que se pretende estudiar: Se logró contactar a través
de la vía telefónica a 51 de los 97 estudiantes que causaron baja de la
carrera, de los cuales accedieron a participar en el estudio 30, los que
representan la sub-muestra para el estudio cualitativo.
III. Elección de documentos: Se seleccionaron como unidades de contenidos a
analizar, las respuestas de los estudiantes que causaron baja de la carrera a las
preguntas de la entrevista semiestructurada.
Se realizaron cuatro preguntas estructuradas y todas aquellas que surgieron de la
conversación y estaban relacionadas con el tema. Las preguntas estructuradas fueron:
1. ¿Cuáles son las razones por las que causaste baja de la universidad?
2. ¿En qué opción solicitaste la carrera de perfil Ingeniería Informática?
3. ¿Qué carreras solicitaste en las tres primeras opciones?
4. Después que saliste de la Universidad, ¿qué has hecho en relación con tu
formación profesional?
IV. Definición de las finalidades centrales que persigue la investigación: La
finalidad central de este segmento de la fase cualitativa es describir las causas por las
112
que los entrevistados causaron baja de la universidad a partir de las respuestas a la
pregunta 1. También, el nivel de interés y motivación por la carrera ICI a partir de las
respuestas a las preguntas 2 y 3. Por último, conocer las implicaciones de la deserción,
si los entrevistados, que causaron baja de ICI, han continuado estudiando o trabajando
en el mismo perfil o no, a partir de las respuestas a la pregunta 4.
V. Elaboración de indicadores o definición de unidades de análisis: Constituyen
los núcleos o nodos de significado propio que serán objeto de estudio para su
clasificación y recuento. Se seleccionaron indicadores del estudio cuantitativo, del
modelo teórico presentado en el Capítulo 4; y otros no previstos, pero emergentes de
las propias entrevistas. También, se determinaron indicadores o nodos sobre la
posibilidad de continuidad de estudios, trabajo o no.
VI. Reglas de numeración o recuento: Se refiere a la forma de contar las unidades de
registro codificadas. De las definidas por Porta y Silva (2003), se seleccionaron las
siguientes:
• La presencia o ausencia de un determinado código.
• La frecuencia o el número de veces que aparece un código determinado o unidad
de registro en valor absoluto y porcentual.
• Intensidad o la cantidad de veces de la aparición de un código en la misma
entrevista y según la modalidad de expresión.
• El orden de aparición de los códigos.
• Densidad de un texto. Es la suma de frecuencias de todos los códigos hallados
dividido por la suma total de todas las palabras y multiplicado por cien.
113
VII. La categorización: Consiste en la operación de clasificar los elementos de un
conjunto a partir de ciertos criterios previamente definidos.
En el proceso de categorización, primeramente, se analizan las unidades de registro y
se establece la organización de los mensajes por las categorías provincia y género, para
diferenciar por cada una de ellas las causas de deserción. Luego se codifican las unidades de
registro según los indicadores definidos, o unidades de significados. Finalmente, en este
proceso, se hace el inventario de estas unidades de significados dando contenido al análisis.
5.5. Diseño de la triangulación metodológica
La triangulación metodológica de los resultados obtenidos mediante los métodos
cuantitativo (CUAN) y cualitativo (CUAL) se realiza al final con el objetivo de obtener
mayor validez y fiabilidad de la investigación. Sampieri la denomina “diseño de triangulación
concurrente” y Creswell “lado a lado” como se muestra en la Figura 16.
Figura 16. Diseño de triangulación concurrente

Fuente: (Hernández-Sampieri et al., 2014, p.558)
114
Para la triangulación se tuvo en cuenta el procedimiento de la triangulación entre
métodos, definido como: “la utilización de distintas técnicas de recogida de información que
se encuadran en métodos de investigación diferentes, y se combinan para analizar el mismo
objeto de estudio” (Alzás, 2015, p.81).
En este caso, los datos para el análisis cuantitativo se obtuvieron del Sistema de
Gestión Universitaria; y para el análisis cualitativo, de la entrevista semiestructurada
realizada a una muestra de los estudiantes que causaron baja de la carrera.
En el estudio cuantitativo se realiza un análisis predictivo mediante la regresión
logística y análisis discriminante que permite detectar los factores predictivos de deserción;
así como, un análisis de clasificación automática mediante redes neuronales y árboles de
decisión para identificar cuán temprano es posible detectar estudiantes en riesgo de
abandono. De forma concurrente se realizan las entrevistas semiestructuradas y se realiza el
análisis de contenidos de las mismas. Ambos métodos, se triangulan para corroborar o no los
factores detectados y aportar validez y fiabilidad al proceso investigativo.
En la Figura 17 se resume el procedimiento seguido para esta fase del estudio de
campo de la investigación. Se ha seleccionado la metodología mixta, donde concurren los
paradigmas cuantitativo y cualitativo.
Las herramientas utilizadas para la obtención de los datos a analizar son, en el primer
caso, del Sistema de Gestión Universitaria de la UCI; cuyos datos se han tenido que filtrar
por un riguroso proceso de revisión y selección para evitar datos perdidos. En el caso de la
metodología cualitativa, se utilizó la entrevista semiestructurada.
El análisis de los datos recopilados se ha realizado mediante varias técnicas de ambos
paradigmas de investigación, y respondiendo a determinados objetivos específicos para cada
115
tipo de análisis: predictivo, de clasificación automática y de contenidos como se aprecia en
el flujo del diagrama.
Por último, los resultados obtenidos de los análisis realizados se confrontan mediante
una triangulación metodológica para corroborar o no, los factores predictivos de la deserción
estudiantil en la carrera ICI.
116
CAPÍTULO 5: M
Figura 17. Diseño metodológico de la Fase I de la investigación. Fuente: Elaboración pr

118
PARTE III: ANÁLISIS Y DISCUSIÓN DE
RESULTADOS
119
120
CAPÍTULO 6: ANÁLISIS Y DISCUSIÓN DE RESULTADOS DE LA INVESTIGACIÓN CUANTITATIVA
CAPÍTULO 6: ANÁLISIS Y DISCUSIÓN DE
RESULTADOS DE LA INVESTIGACIÓN
CUANTITATIVA
En este capítulo se analizan y discuten los resultados de la investigación cuantitativa que dan
cumplimiento al Objetivo de la investigación I.3 consistente en: Identificar los factores
predictivos de la deserción en el primer año de la carrera mediante un análisis multivariado
y de minería de datos de estudiante matriculados en carreras de perfil Ingeniería Informática
en Cuba.
Se realiza primeramente un análisis descriptivo y de correlación de los datos a los que
se tuvo acceso en el Sistema de Gestión Universitaria. A continuación, se describen los
resultados de los análisis de regresión logística y discriminante, y los modelos matemáticos
que se obtienen. Se presentan los resultados del estudio de clasificación automática mediante
las técnicas de árboles de decisión y redes neuronales, para identificar cuán temprano es
posible detectar los estudiantes en riesgo de abandono. Finalmente, se realizan las
conclusiones del estudio cuantitativo.
6.1. Análisis descriptivo y de correlación de los datos
La distribución de la muestra por géneros y situación escolar en el curso 2013-2014,
o sea, estudiantes que causaron baja, repiten el primer año o promueven al segundo, se
aprecia en la Figura 18. De la muestra total N= 485 de estudiantes, el 62% (299) promueve,
el 18% (89) repite el primer año y el 20% (97) causa baja.
121
200 183
180
160
140
116
120
100
80 66 58
60
40 31 31
20
0
Baja Repitentes Promovido
Femenino Masculino
Figura 18. Situación escolar de los estudiantes en el curso 2013-2014 por género
El ingreso a la Educación Superior en Cuba se planifica por provincias según la
demanda de empleos al concluir el periodo lectivo de cinco años. La provincia que más
estudiantes ingresó fue La Habana. La Tabla 8 expone la distribución de la muestra por todas
las provincias del país, que matricularon en carreras de perfil Ingeniería Informática en el
curso escolar 2013-2014.
Tabla 8. Distribución de estudiantes por provincias, porcentaje respecto a la muestra

Provincia Frecuencia Porcentaje
Las Tunas 13 2,7%
Guantánamo 14 2,9%
Ciego de Ávila 16 3,3%
Sancti Spíritus 16 3,3%
Santiago de Cuba 20 4,1%
Mayabeque 21 4,3%
Artemisa 22 4,5%
Villa Clara 27 5,6%
Holguín 27 5,6%
Cienfuegos 32 6,6%
122
Provincia Frecuencia Porcentaje

Pinar del Río 32 6,6%
Granma 34 7,0%
Camagüey 38 7,8%
Matanzas 46 9,5%
La Habana 127 26,2%
Total 485 100,0%
La deserción estudiantil se determinó a partir de la Situación Escolar (SE) que
presentaron los estudiantes al inicio del curso escolar siguiente, o sea, el curso 2014-2015,
ellas son: baja (deserción o abandono), repitencia del primer año o promueve.
Primeramente, para analizar si existe relación entre las variables independientes y la
deserción, se realizó la prueba Chi cuadrado con N=485 pues todas las variables se expresan
de forma categórica. Del análisis resumido en la Tabla 9 se concluye que las variables
provincia de procedencia, rango de NEIM y RAMP se relacionan con la variable deserción
estudiantil. Debido a que en ellas se obtiene un valor de significación p<,05.
Tabla 9. Resultados de la prueba Chi-cuadrado entre las Variables Independientes y la

Deserción estudiantil
Valor Chi-cuadrado Sig. asintótica
Variables de Pearson gl (2 caras)
Género 1,174 1 ,279
Provincia de procedencia 33,277** 14 ,003
Fuente de ingreso 5,855 3 ,119
Rango de opción en que solicitó la carrera 4,382 2 ,112
**
Rango de NEIM 21,784 3 ,000
RAMP 182,994** 2 ,001
Repitencia del primer año 1,287 1 ,257
**
La correlación es significativa en el nivel de ,01 (dos colas)
*
A continuación, se muestra el resultado del análisis realizado para obtener los
coeficientes de correlación por hipótesis. Se utilizó el coeficiente de correlación Rho de
123
Spearman, pues se realiza un análisis no paramétrico con variables ordinales o de rangos, que
se muestra en la Tabla 10.
Tabla 10. Resultados de correlación de Spearman entre las variables Género, Provincia de
procedencia, Opción en que solicitó la carrera, Fuente de ingreso y Nota del examen de
ingreso en Matemática con la Deserción estudiantil en carreras de Ingeniería Informática
Rho de Spearman
con Deserción (rs)
Género Coeficiente de correlación -,049
Sig. (bilateral) ,280
Provincia de procedencia Coeficiente de correlación ,191**
Fuente de ingreso Coeficiente de correlación ,041
Rango de opción en que solicitó Coeficiente de correlación -,094*
la carrera Sig. (bilateral) ,039
Rango de NEIM Coeficiente de correlación ,228**
**
*
De ésta se infiere para la hipótesis H1 que:
• Género: Ingresan más hombres que mujeres. No es significativa la relación con la
deserción/permanencia.
• Provincia de procedencia: De 15 provincias en total, se aprecia que cinco de las
nueve provincias que menos estudiantes ingresaron, tuvieron el menor porcentaje
de promovidos; mientras cuatro de las seis provincias que más estudiantes
ingresaron, tienen el mayor porcentaje de promovidos. Se obtuvo una correlación
significativa con un nivel de significación p<,01.
• Fuente de ingreso: Los estudiantes provienen de diferentes fuentes de ingreso
124
(IPU, IPVCE, TMI y otras fuentes de ingreso que aportan la menor cantidad de
estudiantes). No se obtiene una relación significativa. Se puede apreciar que el
mayor porcentaje de estudiantes que proceden de los TMI e IPVCE, promueven
con un 92% y 87%, respectivamente. Asimismo, de la mayor fuente de ingreso
que son los IPU permanece el 79% (297) y causan baja 81, que representan el 84%
de todos los estudiantes que causan baja.
• Opción en que solicitó la carrera: De N=485 los tres rangos de opción se
distribuyen de la siguiente manera: (i) 170 estudiantes (35%) que la seleccionaron
en 1ª opción, (ii) 138 que seleccionaron la 2ª o 3ª (28%) y (iii) 177 estudiantes
(37%) que solicitaron la carrera entre 4ª y 10ª opción. De los 97 estudiantes que
causan baja, el 42% la solicitó en primera opción, y de los 388 que permanecieron,
el 39% solicitó entre la 4ª y 10ª opción. Existe una pequeña relación inversa entre
esta variable y la deserción escolar pues el valor de significación p<,05.
• Nota en el examen de ingreso en Matemática: El estudiante ingresa a la Educación
Superior cubana si obtiene más de 60 puntos de 100 en los tres exámenes de
ingreso, lo cual ya fue explicado en la Sección 5.2.2. El número de estudiantes de
la muestra N=485, por rango de notas del examen de ingreso en Matemática, se
puede apreciar en la Figura 19. De los 97 estudiantes que causan baja, 52
estudiantes (54%) obtuvieron notas en el examen de ingreso entre 60 y 69. Existe
correlación significativa con p<,01.
125
57
172
109
147
Entre 60 y 69 Entre 70 y 79 Entre 80 y 89 Entre 90 y 100
Figura 19. Cantidad de estudiantes de la muestra N=485 por rango de notas del examen de
ingreso en Matemática
Para la hipótesis H1 se puede apreciar que la provincia de procedencia, opción en
que solicitó la carrera y la NEIM inciden en la deserción escolar; no siendo así, las variables
género y fuente de ingreso, por lo que se acepta parcialmente H1. Asimismo, aunque se
aprecia un nivel de significación por debajo de p<,05 o de p<,01, en la Tabla 10, el nivel de
correlación es débil, rs<,300 para N=485. Se ha utilizado la clasificación de Hernández-
Sampieri et al. (2014) “…si es menor a 0,30 resulta débil, aunque de cualquier manera ayuda
a explicar el vínculo entre las variables” (p.306).
Las variables de la hipótesis H2 son el rango de nota del examen de ingreso en
Matemática (EIM) y el RAMP. El RAMP se consideró alto, medio y bajo según se explica en
la Sección 5.2. El resultado de la correlación permite aceptar la hipótesis de investigación ya
que rs(6)=,338**, p<,01, clasificándose como una correlación positiva media (Hernández-
Sampieri et al., 2014, p.305).
126
Para entender la correlación se utilizó la tabulación cruzada. Se puede apreciar en la
Figura 20 que 172 estudiantes (36%) de la matrícula inicial obtuvieron un rango de nota entre
60 y 69, incluso, 319 estudiantes (66%) de la matrícula inicial, ingresaron con notas del
examen de ingreso en Matemática para acceder a la Universidad, por debajo de 80 puntos.
200
180
Rendimiento académico
160
41
140
120 57
40
100
80 61
39
60
40 91 19 41
20 51
29 9
0 7
Entre 60 y 69 Entre 70 y 79 Entre 80 y 89 Entre 90 y 100
Rango de nota en el examen de ingreso en Matemática
Bajo Medio Alto
Figura 20. Gráfico del resultado de la tabulación cruzada entre el rango de NEIM y el
RAMP en el primer año de la carrera
Nota: El RAMP se consideró alto si tiene todas las asignaturas aprobadas, medio si
tiene 1 o 2 asignaturas suspensas y bajo si suspende 3 o más asignaturas
De los 172 estudiantes que tienen NEIM por debajo de 70 puntos, 91 estudiantes (52%)
presentan bajo RAMP al culminar el primer año de estudios. Mientras 41 estudiantes (72%)
que tienen NEIM por encima de 90 puntos, presentan un alto RAMP, o sea, todas las
asignaturas aprobadas.
Con respecto a la hipótesis H3 que relaciona las variables RAMP y la deserción
estudiantil, se puede apreciar en la Figura 21, que 93 estudiantes (52%) de bajo RAMP causan
baja durante el primer año, mientras que 85 estudiantes (48%) repiten el año académico. Los
127
93 estudiantes que causaron baja y tienen bajo rendimiento, representan el 52% de los que
tienen bajo RAMP y el 96% de los que desertaron.

Situación escolar al concluir el primer año
3
Baja 93
1
Repitente 85 4
Promovido 100 199
0 50 100 150 200 250 300 350

Rendimiento académico en Matemática y Programación
Bajo Medio Alto
Figura 21. Gráfico del resultado de la tabulación cruzada entre el RAMP y la Deserción
Estudiantil (Situación escolar al concluir el primer año)
La correlación permite concluir que, en la medida que aumenta el rendimiento
académico, disminuye la deserción estudiantil, ya que se obtiene una correlación negativa
considerable de Spearman rs(8)= -,873**, p<,01 y N= 485 (Hernández Sampieri et al., 2014,
p.305).
La hipótesis H4 relaciona la repitencia de un año académico y la deserción estudiantil
en carreras de Ingeniería Informática. De la tabulación cruzada de los datos, se infiere que de
los 485 estudiantes que ingresaron en el curso 2013-2014, 89 repitieron en primer año
académico. De estos 89 estudiantes, 36 (40%) causaron baja durante el curso 2014-2015, o
128
se cambiaron de carrera y 53 promovieron al segundo año. Asimismo, se comprueba que no
existe relación entre dichas variables pues rs(1)=,052 , p>,05.
Del análisis anterior se puede concluir que la provincia de procedencia, la opción en
que solicitó la carrera, la NEIM y el RAMP, son factores que inciden en la deserción
estudiantil. Para identificar cuáles de los indicadores de estos factores son los predictivos, se
describen a continuación, los resultados de un análisis de regresión logística.
6.2. Descripción y resultados del análisis de Regresión Logística
La descripción del análisis de regresión logística (RL) se presenta por hipótesis. Se
utilizó la RL binaria para las hipótesis H1, H3 y H4, pues la variable dependiente deserción
es dicotómica. En el caso de la H2 se ha utilizado RL multivariada, pues la variable
dependiente RAMP no es dicotómica, toma tres valores: alto, medio o bajo.
En la Tabla 11 se muestran los resultados que contienen los coeficientes de RL binaria
para H1 que permiten obtener la función lineal del modelo de RL (Berlanga-Silvente & Vilà-
Baños, 2014)
Y=β0 +β1 *X1 +…+βk *Xk (1)
!! # !" son los coeficientes y X1…Xk las variables predictivas.
Luego se obtiene la función logística para el cálculo de la probabilidad de que un
sujeto pertenezca a una de las dos categorías binarias de la variable dependiente. En este caso,
deserción o permanencia.
1
p= 1+e-Y (2)
129
Tabla 11. Resultado de regresión logística de las variables género, opción de carrera,
fuente de ingreso, provincia de procedencia con la variable dependiente deserción
estudiantil con el SPSS
Variables en la ecuación
Error
B estándar gl Sig.
NotadeEIM ,067 ,014 1 ,000
Opcióncarrera ,101 ,059 1 ,089
Provincia 14 ,019
Provincia(1) -1,633 ,691 1 ,018
Provincia(2) -,863 ,776 1 ,266
Provincia(3) -1,860 ,644 1 ,004
Provincia(4) -1,792 ,642 1 ,005
Provincia(5) -,948 ,650 1 ,145
Provincia(6) -,430 ,729 1 ,555
Provincia(7) -,531 ,675 1 ,432
Provincia(8) -2,136 ,545 1 ,000
Provincia(9) -,987 ,622 1 ,112
Provincia(10) -,389 ,613 1 ,526
Provincia(11) -1,332 ,550 1 ,015
Provincia(12) -,543 ,569 1 ,340
Provincia(13) -1,203 ,525 1 ,022
Provincia(14) -,606 ,526 1 ,249
Sexo(1) ,357 ,268 1 ,183
Fuentedeingreso 3 ,335
Fuentedeingreso(1) ,116 ,684 1 ,866
Fuentedeingreso(2) 1,374 ,904 1 ,128
Fuentedeingreso(3) -,068 ,475 1 ,886
Constante -3,097 1,305 1 ,018
Los resultados del cálculo descrito en la ecuación (1) y obtenidos para la H1, teniendo
en cuenta que estas son las variables con un nivel de significación por debajo de p<,05, son
los siguientes:
130
$ = −3,097 + ,067 (/012) − 1,633(56789:;9< 1) − 1,860(56789:;9< 3) −
1,792(56789:;9< 4) − 2,136(56789:;9< 8) − 1,332(56789:;9< 11) −
1,203(56789:;9< 13) (3)
Las variables predictivas identificadas son: la NEIM y que procedan de alguna de las
provincias enumeradas como Las Tunas, Ciego de Ávila, Sancti Spíritu, Villa Clara, Pinar
del Rio y Camagüey. De donde, al sustituir en la función logística dada por la ecuación (2) el
valor de la ecuación (3).
Se obtiene que la mayor probabilidad para que un estudiante cause baja es que tenga
60 puntos en la NEIM y sea de la provincia Camagüey. Con esta ecuación se clasifica
correctamente el 80% de los estudiantes.
Se profundizó en el análisis de las provincias que resultaron predictivas, agrupándolas
según los siguientes criterios: (i) larga o corta trayectoria universitaria, (ii) cercana o lejana
a La Habana (zona occidental de Cuba frente a zonas central y oriental), (iii) si la provincia
contiene un polo turístico de Cuba y por tanto, ofrece más oportunidades laborales a los
estudiantes provenientes de allí.
Excluyendo a la provincia de La Habana del análisis, los resultados muestran que el
66% de las bajas se dan en provincias alejadas a la capital (zona central y oriental de Cuba)
y el 68% en provincias con una corta trayectoria universitaria (universidades con menos de
50 años). Las bajas, sin embargo, estaban más equilibradas entre provincias con polos
turísticos (54%) o sin polos turísticos (46%); si bien cuatro de las seis provincias predictivas
contienen polos turísticos, habiendo siete provincias de esa naturaleza, sin contar a La
Habana. Estos resultados nos hacen reflexionar sobre limitaciones y acciones futuras que se
exponen en la sección 6.5.
131
Por otra parte, con la ecuación obtenida se puede determinar la probabilidad de que
un estudiante cause baja de la carrera al culminar el primer año, teniendo en cuenta las
variables predictivas NEIM y provincia de procedencia. Se obtuvo que las variables género,
la opción en que solicitó la carrera y fuente de ingreso, no son predictivas para la deserción
estudiantil.
En el caso de la hipótesis H2 se ha utilizado RL multivariada, pues la variable
dependiente RAMP no es dicotómica, sino que, como ya se había explicado en otro momento,
se expresa en tres rangos: alto, medio y bajo. En este análisis se obtuvieron los resultados
que se muestran en la Tabla 12; que el RAMP bajo (Yb) y medio (Ym) se pueden predecir a
partir de la NEIM.
Tabla 12. Resultados de la regresión logística entre las variables NEIM y RAMP con SPSS
Estimaciones de parámetro
Error g
Rendimiento académico B estándar Wald l Sig.
B Interceptación 1,603 ,262 37,457 1 ,000
Bajo
Nota_Mat -,820 ,116 49,617 1 ,000
M Interceptación ,558 ,294 3,597 1 ,058
Medio
Nota_Mat -,530 ,124 18,126 1 ,000
Las funciones lineales de los modelos de regresión logística obtenidos son:
Yb =1,603-0,820(Rango de NEIM) (4)
Ym =0,558-0,530(Rango de NEIM) (5)
Al sustituir en la ecuación (2) el valor de Yb, se infiere que la mayor probabilidad para
que un estudiante tenga bajo rendimiento es que tenga la NEIM en el rango de 60 a 69, y es
de p=,83.
132
En el análisis de la hipótesis H3, donde se relaciona el RAMP con la deserción, 93
estudiantes que causaron baja tuvieron bajo RAMP. Este resultado representa el 52% de los
estudiantes que tienen bajo rendimiento y el 96% de los que causaron baja. El resultado
obtenido del análisis con el SPSS se muestra en la Tabla 13, donde la variable RAMP es
predictiva para la deserción. La probabilidad de que un estudiante deserte o cause baja
cuando su RAMP es bajo, es p=,99.
Tabla 13. Regresión logística entre RAMP y deserción estudiantil

Variables en la ecuación
B
Error g
B estándar Wald l Sig.
Rendimiento (Alto) 62,108 ,000
2
Rendimiento (Bajo) -5,383 1,014 28,203 ,000
1
Rendimiento (Medio) -1,748 1,161 2,266 ,132
1
Constante 5,293 1,003 27,879 ,000
1
La función de regresión para esta variable es:
$ = 5,293 − 5,383(E<F7 6G:H9I9G:J7 <;<HéI9;7 G: 2<J # 567L) (6)
En el caso de hipótesis H4, las variables repitencia del primer año y la deserción
estudiantil, del apartado anterior se obtuvo que no existe correlación entre estas. En
correspondencia con ello, el análisis de regresión entre dichas variables (β=20,077, p>,05),
indica con claridad, que no es predictiva la variable repitencia del primer año para la
deserción estudiantil. Esto implica que debe ser rechazada la hipótesis H4.
El análisis de regresión realizado permitió identificar como variables predictivas de
deserción estudiantil en el primer año de carreras de perfil Ingeniería Informática, el RAMP,
la NEIM y la provincia de procedencia. Asimismo, se infiere que la NEIM puede predecir el
RAMP al culminar el primer año.
133
6.3. Descripción y resultados del Análisis Discriminante
El análisis discriminante se realizó con dos objetivos: (i) identificar las variables que
discriminan o diferencian los estudiantes que desertan de la carrera, repiten el primer año
académico o promueven, (ii) determinar la función discriminante capaz de clasificar de forma
más precisa a los estudiantes en estos tres grupos, a partir de conocer los datos de las variables
discriminantes: X1=NEIM, X2=opción en que solicitó la carrera y X3=RAMP.
Primeramente, como muestra la Tabla 14, se cumple que los rangos y logaritmos
naturales de los determinantes de cada grupo son cercanos entre sí.
Tabla 14. Valores de los rangos y logaritmos naturales de los determinantes de cada grupo
Log determinante
Determinante
Rango de SE 15-16 Rango de logaritmo
Baja 3 10,656
Repitentes 3 11,817
Promovido 3 12,212
Dentro de grupos combinados 3 11,457
Asimismo, se debe considerar que la prueba de igualdad de medias de grupos es
significativa con p<,05 para las tres variables discriminantes, por lo que se infiere que existe
diferencia entre los grupos y es posible clasificar los estudiantes en los diferentes grupos de
baja, repitentes y promovidos, según la situación escolar en el curso 14-15.
La matriz de estructuras, en la Tabla 15, muestra una alta correlación dentro de grupos
combinados entre las variables y funciones discriminantes canónicas estandarizadas, siendo
la mayor correlación de ,995 entre el RAMP y la función discriminante 1.
134
Tabla 15. Correlación entre variables y funciones discriminantes

Matriz de estructuras obtenida con SPSS
Función
1 2
*
RAMP ,995 -,098
Opción carrera ,006 ,875*
NEIM ,134 -,635*
*. La mayor correlación absoluta entre cada variable y cualquier función discriminante
Se proponen dos funciones discriminantes canónicas. En el resumen de éstas, se
puede apreciar, en las Tablas 16 y 17, que la correlación canónica de la función 1 es muy alta
,923 y la prueba Lambda de Wilks está más cercana a cero ,146. Ello indica que las variables
discriminantes permiten diferenciar entre los grupos y dicha función es capaz de separar
mejor los datos. La función 1 es capaz de explicar el 99,9% de la varianza de los datos, y el
valor de chi cuadrado indica que es significativa X2(6, N=485) = 924,334, p<,01.
Tabla 16. Resumen de funciones discriminantes canónicas (Autovalores)

Función Autovalor % de varianza % acumulado Correlación canónica
1 5,789a 99,9 99,9 ,923
a
2 ,006 ,1 100,0 ,080
a. Se utilizaron las primeras 2 funciones discriminantes canónicas en el análisis.
Tabla 17. Resumen de funciones discriminantes canónicas (Lambda de Wilks)

Lambda de
Prueba de funciones Wilks Chi-cuadrado gl Sig.
1a2 ,146 924,334 6 ,000
2 ,994 3,103 2 ,212
Se decide escoger los coeficientes aportados para la función 1, lo cual se puede
corroborar en la gráfica de la Figura 22, donde se aprecia el poder de clasificación de los tres
grupos de estudiantes para dicha función, que se encuentra representada en el eje de las
135
abscisas. Para la función 1, los centroides de cada grupo están más alejados, mientras que por
la función 2, están los tres muy cerca de cero.
Figura 22. Representación del diagrama de dispersión de las Funciones Discriminantes 1 y

2 por grupos de clasificación
Se obtiene entonces la función discriminante utilizando los coeficientes aportados
para la función 1 con la siguiente combinación lineal:
D= -5,114-0,004(X1 )+0,035(X2 )+0,076(X3 )
Finalmente, en base a los resultados de clasificación en la Tabla 18, se puede concluir
que el análisis discriminante realizado permite clasificar el 91,5% de los casos correctamente.
Tabla 18. Clasificación pronosticada respecto a las variables de clasificación

SE al cerrar primer curso Pertenencia a grupos pronosticada Total
136
Promovido Repitente Baja

Promovido 299 0 0 299
Recuento Repitente 4 64 21 89
Baja 4 12 81 97
Promovido 100 0 0 100
% Repitente 4,5 71,9 23,6 100
Baja 4,1 12,4 83,5 100
En la Tabla 19, la exhaustividad indica que se pueden predecir el 81% de los casos
de deserción.
Tabla 19. Valor de Exactitud (accuracy), Exhaustividad (recall), Precisión (precision) y el

valor F (f-measure) de los casos clasificados como deserción
Medidas Resultados
Exactitud (accuracy) ,91
Exhaustividad (recall) ,81
Precisión (precisión) ,78
Valor F (f-measure) ,79
De los casos clasificados como deserción, el 78% son efectivamente estudiantes que
desertan. Los falsos positivos y negativos requieren un estudio más pormenorizado pues se
ha detectado que algunos de ellos se deben a traslados a otras universidades y no a abandono
de los estudios universitarios.
6.4. Descripción y resultados del estudio de clasificación automática
Es preciso recordar que se emplea una muestra de datos institucionales
correspondientes a N=485 estudiantes. En este caso se realizan varios experimentos,
incluidos tres clases (promueve, repite y abandona) y dos clases (promueve, no promueve).
Se han empleado, para capacitación y pruebas mediante las técnicas: Árboles de Decisión y
Redes Neuronales, una combinación de características de clasificación.
137
Las características incluyen información que se puede obtener en tres momentos: al
momento de la inscripción, después del primer semestre y después del primer año académico.
Los objetivos fundamentales de la clasificación automática, además de aportar mayor rigor
al análisis estadístico, consiste en:
• Detectar el máximo número de estudiantes en riesgo de no promover: el
propósito no es solamente alcanzar el máximo de exactitud (accuracy) global,
sino que los mejores resultados para este estudio serían los que tengan una
mayor exhaustividad (recall) en la clase no promueve. Esto significa que se
identifique el mayor número posible de los estudiantes en peligro de no
promover, aunque su precisión (precision) no sea la más alta, o sea, aunque se
etiqueten como no promovidos a estudiantes que después promueven.
También interesan los estudiantes que alcanzan la mayor precisión de los promovidos;
es decir, que no se considere erróneamente a un alumno en riesgo de abandono como
promovido, aunque su exhaustividad no sea el mayor, o sea, aunque no se identifique como
tales a todos los promovidos. La idea es, por tanto, ayudar al mayor número posible de
estudiantes en riesgo de no promover, aunque se ofrezca “innecesariamente” ayuda a
estudiantes que en realidad van a promover.
• Realizar la detección lo más temprano posible: para ello se ha considerado
tres análisis: (i) utilizando solo las características de preinscripción, (ii)
utilizando solo las características del primer semestre y (iii) utilizando todas las
características al primer año. Cada grupo comprende los anteriores, es decir, las
características del primer año comprenden las características de preinscripción y
primer semestre y agrega nuevas características relacionadas con el segundo
138
semestre; mientras que las características del primer semestre comprenden las
características de admisión y las características relacionadas con el primer
semestre.
Las características propuestas son aquellas a las que se tuvo acceso en la base de datos
institucional y se corresponden con las variables definidas en la Sección 5.2. Las
características se han codificado en la Tabla 20 para ser utilizadas en el software Weka y se
han organizado en tres grupos: características de pre-registro, características del primer
semestre y características del primer año. Cada grupo comprende los anteriores, es decir, las
características del primer año comprenden las características de admisión y primer semestre
y agregan nuevas características relacionadas con el segundo semestre; mientras que las
características del primer semestre comprenden las características de admisión y
características relacionadas con el primer semestre.
Las características de preinscripción utilizadas son similares a estudios previos (Nagy
y Molontay, 2018), pero adaptadas a las variables accesibles en el contexto cubano. Es
preciso aclarar que para este estudio de clasificación automática tuvimos que ajustar la
codificación de algunas variables.
Por ejemplo, la provincia de origen: los estudiantes de todas las provincias cubanas
tienen acceso al título de Ingeniería en Ciencias Informáticas. Las 15 provincias del país se
codificaron de la siguiente forma: (1) Las Tunas, (2) Guantánamo, (3) Ciego de Ávila, (4)
Sancti Spíritus, (5) Santiago de Cuba, (6) Mayabeque, (7) Artemisa, (8) Villa Clara, (9)
Holguín, (10) Cienfuegos, (11) Pinar del Río, (12) Granma, (13) Camagüey, (14) Matanzas,
y (15) La Habana.
La fuente de ingreso no resultó predictiva en el análisis anterior, por lo que decidimos
codificarla de forma dicotómica teniendo en cuenta que la mayoría de los estudiantes
139
proceden de los institutos preuniversitarios urbanos (IPU) que existen en todas las provincias
del país, y una minoría de otro tipo de centros con formación más específica (deportes,
formación militar o técnico medio), por lo que esta característica se codificó mediante dos
valores: (1) IPU y (2) otras.
Se incluye el índice académico previo a la admisión: es importante tener en cuenta
los resultados obtenidos por los estudiantes durante el nivel preuniversitario. Este índice se
calcula promediando el resultado de todas las materias recibidas en esa etapa. Su valor es un
número de 60 a 100 (cuanto más alto, mejor), pues todos los que logran ingresar a la
Universidad requieren más de 60.
Tabla 20. Clasificación de las características analizadas por grupo, tipo de variable y
código utilizado
Grupo Factores Tipo Código
Género Dicotómica Género
Provincia Nominal Provincia
Fuente de ingreso Dicotómica FuenteIngreso
Previas al
Índice académico previo Ordinal IndAcPrev
ingreso
Nota en el examen de ingreso de
Intervalo NEIM
Matemática
Opción en que solicitó la carrera Ordinal Opción
Todos los factores previos al ingreso - -
Nota de la asignatura Matemática
Intervalo MDI
Discreta I
Nota de la asignatura Matemática I Intervalo MI
Nota de la asignatura Álgebra Lineal Intervalo AL
Nota de la asignatura Introducción a las
Primer Intervalo NotaICI
Ciencias Informáticas
semestre
Nota de la asignatura Introducción a la
Intervalo IP
Programación
Porcentaje aprobado en el primer
Ratio PorcMatSem1
semestre en Matemática.
Ratio PorcProgSem1
semestre en Programación.
140
Grupo Factores Tipo Código

Ratio PorcMyPSem1
semestre en total.
Todos los factores anteriores - -
Nota de la asignatura Matemática
Intervalo MDII
Discreta II
Nota de la asignatura Matemática II Intervalo MII
Nota de la asignatura Programación I Intervalo PI
Porcentaje aprobado en el segundo
Ratio PorcMatSem2
semestre en Matemática.
Primer Porcentaje aprobado en el segundo
Ratio PorcProgSem2
año semestre en Programación.
Porcentaje aprobado en el segundo
Ratio PorcMyPSem2
semestre en total.
Porcentaje aprobado en el primer año en
Ratio PorcMatTotal
Matemática.
Ratio PorcProgTotal
Programación.
Ratio RAMP
total que coincide con el RAMP.
Para cada conjunto de experimentos empleamos un Árbol de Decisión J48 y una Red
Neuronal Perceptrón Multicapa (MLP por sus siglas en inglés). Para todos los experimentos
se utilizó un método de validación cruzada de 5 iteraciones. Así que todos los datos se utilizan
para entrenamiento y prueba.
De la muestra total N= 485 estudiantes, lo que ocurre realmente es que el 62% (299)
promueve, 18% (89) repite el primer año y 20% (97) causa baja. De aquí se puede decir
entonces la clasificación con dos clases: promueve el 62% de los estudiantes (299) y no
promueven el 38% (186).
6.4.1. Estudio con tres clases
Los resultados de las tres clases se resumen en la Tabla 21. En todos los casos los
mejores resultados se obtienen mediante el método J48.
Tabla 21. Valor de Exactitud, Exhaustividad, Precisión y el valor F utilizando tres clases
(promoción, repitencia y deserción)
141
Caracterís- Método Exactitud Precisión Exhaustividad Valor Clase

ticas F
Previas al 0,370 0,309 0,337 Deserta

acceso
0,250 0,146 0,184 Repite
J48 56,91%
0,662 0,779 0,716 Promueve
0,528 0,569 0,543 Media

ponderada
0,329 0,268 0,295 Deserta
0,184 0,101 0,130 Repite

MLP 56,08% Promueve
0,664 0,793 0,723
0,509 0,561 0,528 Media
ponderada
Primer 0,733 0,794 0,762 Deserta

semestre
0,746 0,528 0,618 Repite
J48 86,80% 0,937 0,993 0,964 Promueve
Media
0,861 0,868 0,818 ponderada
0,713 0,742 0,727 Deserta
0,608 0,506 0,552 Repite

MLP 83,30% 0,926 0,960 0,943 Promueve
Media
0,825 0,833 0,828 ponderada
Primer año 0,774 0,845 0,808 Deserta
0,836 0,685 0,753 Repite

J48 90,93% 0,974 0,997 0,985 Promueve
Media
0,908 0,909 0,907 ponderada
0,780 0,804 0,792 Deserta

MLP 89,90%
0,785 0,697 0,738 Repite
142
Caracterís- Método Exactitud Precisión Exhaustividad Valor Clase

ticas F
0,967 0,990 0,979 Promueve
Media
0,896 0,899 0,897 ponderada
Cuando se usan solo los datos correspondientes a las características de preinscripción,
es difícil predecir si los estudiantes abandonarán o repetirán. Sin embargo, la mayor
exactitud es 56,91. Solo se clasifica correctamente el 30,90% y el 14,60% de los estudiantes
que van a abandonar o repetir, respectivamente. La clase que mejor clasifica son los que
promueven con una exhaustividad del 79%, pero una precisión de los que van a promover
del 66,20%. Esto indica que la mayoría de los estudiantes que promueven están clasificados
correctamente (233 de 299), pero un número considerable de estudiantes que no promueven
se clasifican como promovidos (119). Esto da una idea de que la clasificación aprendida es
similar a una función que clasifica a todos los estudiantes como promovidos. Esto puede
explicarse por el desequilibrio natural de las categorías, ya que siempre habrá más personas
en la categoría de los que promueven y, por lo tanto, los algoritmos aprenden que clasificar
siempre a un estudiante como que promueve ya logra una alta exactitud.
Teniendo en cuenta también las características del primer semestre, la mayor
exactitud es del 86,8%. Es posible predecir el 79,4% de los casos de deserción y el 52,8% de
los estudiantes que repiten, con una precisión de los estudiantes promovidos del 93,7%. Por
lo tanto, en comparación con el escenario en el que solo se usaron las características de pre-
registro, hay menos estudiantes clasificados erróneamente como promovidos (20/299) y más
clasificados correctamente como abandonos (77/97) o repitentes (47/89). Además, las
143
confusiones para estas dos clases están principalmente entre ellas (clasificando a un
estudiante que repite como abandono escolar y viceversa) y no con la clase promovidos.
Al tomar en cuenta todas las características (correspondientes a todo el primer curso),
de igual forma el método J48 obtiene los mejores resultados con una exactitud del 90,96% y
la exhaustividad de los que abandonan y repiten es de 85,50% y 68,50%, respectivamente.
El enfoque más conveniente para el objetivo de este estudio sería poder predecir
estudiantes no promovidos antes de que finalice el primer año (no más que el primer
semestre) para poder accionar y minimizar la deserción. Además, aunque todos los errores
de clasificación tuvieron el mismo impacto en la exactitud reflejada en la Tabla 21, no todos
tienen el mismo impacto para quienes toman las decisiones, ya que clasificar a un estudiante
en riesgo de abandono como promovido es peor que clasificarlo como posible repitente, en
términos de la ayuda personalizada que se le podría proporcionar. Ésta es la razón por la que
realizamos un segundo grupo de experimentos en los que las clases de abandono y repitencia
se agruparon en una sola categoría de estudiantes que no promueven.
6.4.2. Estudio con dos clases
Los resultados de la clasificación con dos clases (promueven y no promueven) se
muestran en la Tabla 22.
Tabla 22. Valor de Exactitud, Exhaustividad, Precisión y el valor F utilizando dos clases
(promueve y no promueve)
Caracterís- Método Exactitud Precisión Exhaus- Valor Clase

ticas tividad F
Previas al J48 64,95% 0,553 0,446 0,494 No Promueve
acceso
0,693 0,776 0,732 Promueve
0,639 0,649 0,641 Media ponderada
144
Caracterís- Método Exactitud Precisión Exhaus- Valor Clase

ticas tividad F
MLP 63,51% 0,522 0,575 0,547 No Promueve
0,718 0,672 0,694 Promueve
Primer J48 95,46% 0,988 0,892 0,938 No Promueve

semestre
0,937 0,993 0,964 Promueve
MLP 92,16% 0,902 0,892 0,897 No Promueve
0,934 0,940 0,937 Promueve
Primer año J48 97,73% 0,989 0,952 0,970 No Promueve
0,971 0,993 0,982 Promueve
MLP 96,08% 0,951 0,946 0,949 No Promueve
0,967 0,970 0,968 Promueve
Utilizando solo las características de preinscripción, la exactitud es casi coincidente
en ambos métodos, con una diferencia de tan solo 1,44 puntos porcentuales. Sin embargo, el
MLP aporta mejores resultados, con 63,51% de exactitud, pues se puede predecir el 57,50%
de los que no promueven con una precisión de los que promueven del 71,80%. Por lo tanto,
considerando solo 2 clases, podemos clasificar correctamente 107 estudiantes que no van a
promover, mientras que con tres clases se clasifican 67. Como solo estamos considerando
sus características antes del inicio de sus estudios universitarios, este enfoque de clasificación
ayudaría a adoptar medidas tempranas para evitar el abandono.
145
Teniendo en cuenta también los datos del primer semestre, la mejor alternativa se
obtiene con el método J48, ya que la exactitud es mayor (95,46%), con una precisión del
93,70% de los estudiantes que promueven y una exhaustividad del 89,20% de los estudiantes
que no promueven.
Al tomar en cuenta todas las características (también el segundo semestre), el mejor
resultado se logra con J48; con una exactitud de 97,73% (mucho más alto en comparación
con 64,95% solo con datos de preinscripción y 95,46% con los datos solo hasta el primer
semestre). Sin embargo, los atributos que determinan estos resultados se obtienen después
del final del primer año y, por lo tanto, no permiten una intervención lo suficientemente
temprana.
En tal sentido, para obtener una perspectiva más cercana de la clasificación,
realizamos un análisis de los árboles de decisión (Figura 23) obtenidos para la clasificación
de dos clases (promoción y no promoción).
Figura 23. Árbol de decisión correspondiente a todas las características y dos clases
En este árbol es posible clasificar inmediatamente 177 casos (el 95% de los
estudiantes que no promueven) solo con la característica que considera el RAMP.
146
Desafortunadamente, esta información solo está disponible al final del año académico,
cuando es demasiado tarde para proporcionar mecanismos de prevención adecuados.
Al considerar las características solo hasta el primer semestre, el árbol resultante se
muestra en la Figura 24.
Figura 24. Árbol de decisión correspondiente a las características del primer semestre y dos
clases
El resultado solo considera la característica que corresponde al número promedio de
materias de Matemáticas y Programación aprobadas en el primer semestre, que clasifica
correctamente el 95,5% de los casos. Esto significa que, si el estudiante suspende tres o más
de las cinco asignaturas de Matemáticas y Programación que recibe en el primer semestre,
tiene un alto riesgo de no promover.
A pesar de la alta tasa de clasificación alcanzada, este resultado implica que se
desarrolle un trabajo intensivo de estudiantes en riesgo y profesores durante el segundo
semestre, pues quedaría muy poco tiempo para accionar sobre esta causa.
La Figura 25 muestra el árbol de decisiones con solo las características antes de la
inscripción. Se ratifica que, de las variables previas al acceso a la Universidad, la provincia
de procedencia y la NEIM, son variables predictivas.
147
Figura 25. Árbol de decisión correspondiente a las características de preinscripción con do
148
Se considera un buen resultado, teniendo en cuenta que el 65% de los casos (315
estudiantes) se clasifican correctamente considerando solo las características previas al
ingreso a la Universidad. La mayoría de los estudiantes que no promueven tienen la NEIM
más baja (<= 63) y no son de la provincia La Habana.
6.5. Conclusiones del estudio cuantitativo
En este capítulo se ha dado cumplimiento al objetivo de investigación I.3 y se ha
analizado la aceptación o no, de las cuatro hipótesis correlacionales.
De las cuatro hipótesis de investigación planteadas en relación con la predicción de
la deserción, se ha aceptado parcialmente la primera, se han aceptado totalmente la segunda
y tercera, y se ha rechazado la cuarta.
En concreto, para la hipótesis H1, se obtuvo como resultado de la correlación y la
regresión logística que las variables previas al ingreso: provincia de procedencia, fuente de
ingreso y NEIM son predictivas de la deserción estudiantil, no siendo así, el género y la
opción en la que se solicita la carrera.
Asimismo, para la hipótesis H2, se obtuvo que la NEIM se relaciona directamente con
el RAMP y, que el RAMP bajo y medio se puede predecir a partir de la NEIM.
En el caso de la hipótesis H3, existe una fuerte relación inversa entre el RAMP y la
deserción en carreras de perfil Ingeniería Informática. Mientras más bajo es el rendimiento
académico, más alta es la deserción y, en los casos donde más alto es el rendimiento, más
baja la deserción.
149
La hipótesis H4 se rechaza, el nivel de correlación entre la repitencia y la deserción
es bajo y no significativo en esta cohorte; esto se evidencia posteriormente en el análisis
predictivo. No obstante, para el trabajo futuro, sería interesante probarla en otras cohortes.
La regresión logística permitió identificar como factores predictivos de deserción
estudiantil en el primer año de carreras de perfil Ingeniería Informática, en orden
descendente, el RAMP, la NEIM y la provincia de procedencia y se obtuvieron funciones
logísticas para predecir la deserción a partir de dichos factores. Asimismo, se identificó que
la NEIM puede predecir el RAMP bajo o medio, al concluir el primer año.
Mediante el análisis discriminante se comprobó que el RAMP, la NEIM y la opción
en que solicitó la carrera pueden predecir si un estudiante es probable que abandone, repita
el primer año académico, o promueva a segundo año.
Asimismo, se obtuvo una función discriminante que permite clasificar los estudiantes
en cualquiera de las tres categorías, clasificando correctamente al 91,5% de casos agrupados
originales. En tal sentido, se reserva para futuras tareas investigativas incrementar las
variables, ampliar la muestra incluyendo otras cohortes y hacer un análisis comparativo para
mejorar el valor predictivo de las funciones obtenidas.
Este estudio en el contexto cubano corrobora algunos resultados de estudios previos
y también arroja resultados novedosos. Con respecto a la variable NEIM el resultado indica
que esta es una variable muy importante tanto para el RAMP en primer año como para la
deserción. Coincidiendo con los resultados obtenidos por diversos autores en otros
contextos; que han estudiado estas variables, acompañadas de otras como la situación
financiera, motivacional, expectativas, entre otras (Graffigna et al., 2014; Heublein &
150
Wolter, 2011; Kori et al., 2018; Niitsoo et al., 2014; Paivi, 2012; Salazar-Fernandez et al.,
2019; Van Den Broeck et al., 2017).
La variable género no resultó predictiva de la deserción en el contexto cubano, lo que
no coincide con el resultado de (Miliszewska et al., 2006) en el contexto australiano. Igual
ocurre en el caso de la provincia de residencia como factor predictivo. Esta variable fue
estudiada por (Lacave et al., 2018) y no resultó predictiva dentro del perfil de deserción
obtenido.
Los resultados experimentales de clasificación automática muestran un rendimiento
considerable con dos clases que utilizan todas las características (97,7% de precisión), donde
las variables relacionadas con los resultados académicos son los más relevantes.
Además, al usar solo las características disponibles al momento de la inscripción y
después del primer semestre, también se obtuvieron resultados muy positivos (65% y 95%
de exactitud) respectivamente, con una alta exhaustividad de los estudiantes que no
promueven. Ello demuestra que es posible obtener una evaluación temprana de los
estudiantes en riesgo de deserción estudiantil, lo que puede ayudar a definir mecanismos de
prevención más exitosos en el contexto cubano.
Este estudio permitirá aportar acciones que, desde la institución y en el proceso
docente educativo, se pueden realizar para atender estos factores. Se espera que este estudio
y los resultados que de él se derivan, sirvan de referencia a otros investigadores preocupados
por esta temática, pues aporta resultados que no tienen precedencia en este contexto.
151
152
CAPÍTULO 7: ANÁLISIS Y DISCUSIÓN DE RESULTADOS DE LA INVESTIGACIÓN CUALITATIVA
CAPÍTULO 7: ANÁLISIS Y DISCUSIÓN DE
RESULTADOS DE LA INVESTIGACIÓN
CUALITATIVA
Como se explicó en la Sección 5.4 se realizaron entrevistas semiestructuradas a estudiantes
que causaron baja de la carrera ICI con el objetivo de describir los factores que incidieron en
la deserción de estudiantes en carreras de perfil Ingeniería Informática, mediante entrevistas
a una muestra de los mismos. En este capítulo se describen y analizan los resultados de la
aplicación de las entrevistas y se realiza el análisis de contenidos de las entrevistas, a nivel
individual y por provincias, identificando las causas más frecuentes planteadas por los
estudiantes y otras emergentes, que no fueron analizas en el estudio cuantitativo por su
elevado grado de subjetividad.
7.1. Descripción y resultados de la aplicación de la entrevista semiestructurada
Se aplicó una entrevista semiestructurada (personal o telefónica) a estudiantes que
causaron baja con el objetivo de describir el proceso de deserción, sus causas e implicaciones
para los sujetos, desde el punto de vista de los entrevistados. Estas se procesaron utilizando
el software NVivo para realizar el análisis de sus contenidos.
La realización de las entrevistas y su posterior análisis se corresponde con el objetivo
I.4 de la investigación, consistente en: Describir los factores que incidieron en la deserción
de estudiantes en carreras de perfil Ingeniería Informática en Cuba mediante entrevistas a
una muestra de los mismos.
153
Se logró contactar a través de la vía telefónica a 51 de los 97 estudiantes que causaron
baja de la carrera, de los cuales 30 accedieron a participar en el estudio, los que representan
la sub-muestra para el estudio cualitativo. De ellos, doce se realizaron por telefonía fija,
nueve por teléfono móvil, tres fueron personales y seis por WhatsApp.
La distribución de los entrevistados por provincias se muestra en la Tabla 23; de los
30, 17 son del género femenino y 13 masculino. En los Anexos 2 y 3 se muestran la entrevista
semiestructurada y la transcripción de las respuestas a la entrevista, respectivamente.
Tabla 23. Número de entrevistados por provincias

Número de
Provincias entrevistados
Granma 4
Holguín 2
Habana 6
Pinar del Río 3
Matanzas 3
Las Tunas 4
Camagüey 2
Sancti Spíritus 2
Artemisa 2
Villa Clara 2
Total 30
Los entrevistados se clasifican con códigos según provincia, identificador y género,
para garantizar la confidencialidad pactada previamente con los entrevistados. La
codificación de cada caso (estudiante que desertó) entrevistado se realiza mediante letras y
números que tienen el siguiente orden y significado:
Iniciales de la provincia donde vive-Número de entrevista consecutivo-S (de
género): F (si es femenino) o M (si es masculino) -Identificador: (número del identificador
de la base de datos).
154
Por ejemplo, la codificación: Caso: G1 S: M ID: 261 corresponde con un
entrevistado de la provincia (G) Granma, siendo la primera entrevista realizada (1), (S)
género (M) masculino y su (ID) identificador se corresponde en la base de datos con el 261.
Se incluye en la codificación la provincia y el género (variables que aparecen en la
base de datos) pues interesa también hacer el análisis de contenidos individual y por grupos;
seleccionando dos tipos de grupos: por provincias y por género. Es objeto de atención
conocer si las causas de deserción se relacionan o no, dentro de cada grupo.
Se tiene en cuenta en el análisis que este es un método que sirve para explorar y
comprender el significado que los individuos o grupos atribuyen a un problema social o
humano como se plantea en (Creswell, 2014, p.32).
En el desarrollo de las entrevistas, se pudo identificar que, de los factores predictivos
de deserción identificados en el análisis cuantitativo anterior, se manifiestan por los
estudiantes con gran intensidad, causas académicas como el RAM, RAP y RAMP.
Se describen también causas que no se han analizado anteriormente, pero se pueden
relacionar con la NEIM como la base previa en Matemática. Asimismo, se menciona la
incapacidad de llevar el régimen de estudios que se requiere. Éstas son causas emergentes y
los entrevistados se refieren a la mala base en Matemática y al régimen de estudios.
En la Figura 26 se muestran los nodos conglomerados por similitud de palabras que
demuestra una mayor frecuencia de aparición de los factores académicos.
155
Figura 26. Nodos conglomerados por similitud de la palabra “entrevista”

Para conocer las causas de deserción percibidas por los entrevistados se incluyó en la
entrevista la pregunta 1: ¿Cuáles son las razones por las que causaste baja de la Universidad?
Se presenta en la Figura 27 el nodo obtenido.
156
Figura 27. Nodos conglomerados por similitud de palabras “Pregunta 1”

Emergen otras causas con una menor frecuencia como son: adaptación, problemas
de salud, familiares, económicos, lejanía, alimentación, ausentismo, embarazo y
desconocimiento sobre la carrera. Resulta interesante que, en dos casos, se menciona el poco
uso de las computadoras en primer año.
También se obtienen en las entrevistas causas motivacionales, como por ejemplo la
opción de carrera y se aprecia con frecuencia la palabra desmotivación. Una evidencia de
ello se puede observar en la Figura 28, los nodos conglomerados por similitud de palabras,
para la palabra “motivación”.
Figura 28. Nodos conglomerados por similitud de palabras “motivación”

En cuanto a la continuidad de estudios o no de los entrevistados, se pudo conocer que
11 estudian, nueve trabajan, ocho estudian y trabajan y dos ni estudian ni trabajan; o sea, 19
de los entrevistados han continuado estudiando de alguna manera.
157
En las siguientes secciones se describen las principales conclusiones del análisis de
contenidos de las respuestas dadas por los estudiantes que desertaron de la carrera.
7.2. Análisis de contenidos de las entrevistas a estudiantes que causaron baja
Para el análisis de contenidos se adaptó el procedimiento propuesto por Porta y Silva
(2003), del que se seleccionaron siete acciones, explicadas en la Sección 5.4.
Teniendo en cuenta este procedimiento, se realiza a continuación, el análisis de
contenidos de las respuestas de los entrevistados:
I. Determinar los objetivos que se pretenden alcanzar
El análisis de estos contenidos se corresponde con el Objetivo I.4 de la investigación.
II. Definición del universo que se pretende estudiar
De 485 estudiantes que ingresaron a la carrera ICI en el curso 2013-2014, 97 causaron
baja. Se logró contactar a través de la vía telefónica a 51 estudiantes de los 97 que causaron
baja de la carrera, de los cuales, accedieron a participar en el estudio 30, los que representan
la sub-muestra para el estudio cualitativo.
III. Elección de documentos a analizar
Se seleccionaron como unidades de contenidos a analizar, las respuestas de los
estudiantes que causaron baja de la carrera a las preguntas de la entrevista semiestructurada.
Se realizaron cuatro preguntas estructuradas y todas aquellas que surgieron de la
conversación, y estaban relacionadas con el tema. Las preguntas estructuradas fueron:
1. ¿Cuáles son las razones por las que causaste baja de la Universidad?
158
Se le solicita al final y con carácter opcional, que agregue alguna(s) sugerencia(s)
que contribuyan a retener los estudiantes en su actividad de estudios superiores.
IV. Definición de las finalidades centrales que persigue la investigación
La finalidad central de esta parte cualitativa es describir las causas por las que los
entrevistados perciben que causaron baja de la Universidad, a partir de las respuestas a la
pregunta 1 de la entrevista.
Las preguntas 2 y 3 definen el nivel de interés y motivación que tienen los
entrevistados por la carrera ICI. En este caso, se desea describir aquellas variables que se
relacionan con la motivación profesional.
A partir de las respuestas a la pregunta 4, se puede conocer si los estudiantes que
desertaron de dicha carrera han continuado estudiando, o trabajando en el mismo perfil o no
de la Informática. En tal sentido, se pretende descubrir las implicaciones que para los
desertores ha significado, el hecho de causar baja de la carrera.
Otro propósito de esta investigación es comparar los resultados de frecuencia de
algunas variables en el estudio cualitativo, con el valor predictivo de las mismas, en el estudio
cuantitativo.
V. Elaboración de indicadores o definición de unidades de análisis
Los nodos que dan significado a esta investigación se corresponden en su mayoría a
los factores analizados en la parte cuantitativa. Se muestran en la Figura 29 y se resumen a
continuación.
Se seleccionaron de los indicadores del estudio cuantitativo, todos los que fueran
mencionados por al menos uno de los entrevistados, tales como:
159
• Provincia
• Género
• Opción en que solicitó la carrera
• Fuente de ingreso
• NEIM
• Rendimiento académico en Matemática (RAM)
• Rendimiento académico en Programación (RAP)
• RAMP
• Repitencia
También se seleccionaron todos aquellos que estuvieran relacionados con los factores
determinados en el modelo teórico presentado en el Capítulo 4, y fueran mencionados por, al
menos, un entrevistado.
Sobre la posibilidad de continuidad de estudios, trabajo o no, se incluyen otros
indicadores tales como:
• Continúa estudiando en el mismo perfil
• Continúa estudiando otro perfil
• Está trabajando en el perfil
• Está trabajando otro perfil
• Estudia y trabaja
• No estudia ni trabaja
160
•Previas al acceso •Opción de

(EIM y Opción de carrera
carrera) •Motivación
•Posteriores (RAM, •Desmotivación
RAP, RAMP y
Repitencia)
Causas de Causas de
abandono abandono
académicas motivacionales
Actuación Datos de
después del contexto
abandono
•Estudia •Provincia
•Trabaja •Sexo
•Ambas
•Ninguna
Figura 29. Unidades de análisis y codificación

Se detectaron 21 códigos o nodos de la categoría causas de deserción. Se clasificaron
cinco como causas académicas, dos causas motivacionales y 14 causas emergentes. Dentro
de las emergentes hay causas académicas de base previa al ingreso y habilidades de estudios,
también personales como problemas de salud, familiares y vocacionales.
De la categoría actuación después del abandono, se obtuvo que en 19 casos (63,33%)
continúan estudiando, de ellos siete lo hacen en el mismo perfil de la Informática y cuatro en
carreras de su perfil motivacional. Solo nueve casos (30%) se mantienen vinculados al perfil
de la Informática mediante estudio y/o trabajo.
Estos resultados, que se muestran en la Tabla 24, coinciden con las perspectivas de
Tinto (1989) al definir la deserción desde el punto de vista del estudiante y de la institución.
Teniendo en cuenta que para los estudiantes que han continuado estudiando, trabajando o
ambas inclusive en el perfil que los motiva, la deserción no es un problema sino un beneficio.
161
Tabla 24. Frecuencia de los nodos de la categoría actuación después del abandono
Nodos Frecuencia valor Frecuencia valor
absoluto porcentual
Continúa estudiando 11 36,67

Continúa estudiando el
4 13,33
perfil de la Informática
Continúa estudiando el
2 6,67
perfil que le motiva
Está trabajando 9 30,00
Está trabajando en el perfil
2 6,67
de la Informática
Está trabajando en el perfil
1 3,33
que le motiva
Estudia y trabaja 8 26,67
Estudia y trabaja en el perfil

de la Informática 3 10,00
Estudia y trabaja en el perfil

2 6,67
que le motiva
Ni estudia ni trabaja 2 6,67
Total 30 100,00
VI. Reglas de numeración o recuento
Las reglas utilizadas fueron: presencia, frecuencia, intensidad, densidad y
concentración. Los resultados del recuento de estas reglas se describen a continuación.
• La presencia o ausencia de los códigos de forma individual, por provincias y por
género aparece en la Tabla 25.
162
Tabla 25. Presencia de nodos por casos, provincias y género

Categorías Nodos Presencia Provincias
de nodos G H Hab PR M LT Cam S
por casos
Causas RAM 16 2 2 4 2 2 2 1
académicas RAP 8 1 1 2 1 1 1
RAMP 11 2 1 3 2 1 1
Repitencia 5 1 2 1
NEIM 1 1
Causas Opción de carrera 7 1 1 3 1
Motivacionales Desmotivación 12 2 1 2 1 2 1 1
Causas Mala base en 2 2
Emergentes en Matemática
más de un caso Régimen de estudios 7 1 1 1 1 1 1
Adaptación 3 1 1 1
Lejanía 3 1 1 1
P. salud 2 1 1
P. familiares 3 2 1
Ausentismo 2 1 1
Desconocimiento 2 1
sobre la carrera
Causas Beca 2 2
emergentes en Profesores 2 2
un solo caso Alimentación 1 1
Económicos 1 1
Poco uso PC 1 1
Embarazo 1
Total de nodos por provincia 87 18 7 20 7 7 8 5 6
Se identificaron 21 nodos o códigos, reconocidos por los estudiantes como causa por
la que abandonaron los estudios. El número total de presencia de dichos nodos, en todos los
casos entrevistados, es 87. El género femenino plantea más causas de deserción, o sea, tiene
mayor presencia de nodos que el masculino. Las provincias con mayor presencia de nodos
son La Habana y Granma. Los nodos que tienen una mayor presencia (más de 10 veces) son:
el RAM, RAMP y la Desmotivación.
• La frecuencia de los códigos o nodos en valor absoluto y porcentual total y por
género se indica en la Tabla 26.
La frecuencia absoluta de todos los nodos es 143, correspondiendo la mayor
frecuencia con los tres nodos que tienen la mayor presencia: el RAM, RAMP y la
Desmotivación. Llaman la atención los nodos: régimen de estudios y opción de carrera que
tienen una frecuencia absoluta mayor de 10. De nuevo, la frecuencia de los nodos planteados
por las mujeres casi duplica la de los hombres.
164
Tabla 26. Frecuencia de los nodos total y por género en valor absoluto y porcentual
Frecuencia total Frecuencia género
femenino
Categorías Nodos valor valor valor valor
absoluto porcentual absoluto porcentual a
Causas RAM 26 18,18 12 2,77
académicas RAP 8 5,59 5 5,32
RAMP 21 14,69 18 9,15
Repitencia
6 4,20 3 3,09
NEIM. 1 0,70 1 1,06
Causas Opción de carrera 11 7,69 10 10,64

motivacionales
Desmotivación 17 11,89 13 13,83
Causas Mala base en Matemática 8 5,59 5 5,32
emergentes en
más de un caso Régimen de estudios 12 8,39 3 3,19
Adaptación 8 5,59 7 7,45
Lejanía 5 3,50 2 2,13
P. salud 3 2,10 1 1,06
P. familiares 3 2,10 3 3,19
Ausentismo 2 1,40 2 2,13
Desconocimiento sobre la carrera 3 2,10 2 2,13
Beca 2 1,40 2 2,13

Frecuencia total Frecuencia género

femenino
Categorías Nodos valor valor valor valor
absoluto porcentual absoluto porcentual a
Causas Profesores 4 2,80 4 4,26
emergentes en Alimentación. 1 0,70 1 1,06
un solo caso Económicos 2 1,40 0 -
Poco uso PC 3 2,10 0 -
Embarazo 3 2,10 3 3,19
143 100,00 94 100,00
166
• Intensidad o frecuencia de aparición de un código en la misma entrevista y
según la modalidad de expresión: provincia y género. Se aprecia que las
categorías con mayor intensidad también son variables predictivas de deserción.
En las Tablas 27 y 28 aparece el valor de la intensidad de cada nodo de forma
individual, por provincias y total. La mayor intensidad de los nodos se presentó en las
provincias de La Habana, Pinar del Río, Granma, Holguín y Las Tunas.
Los tres casos que presentaron mayor intensidad en el total de nodos descritos fueron:
el Caso G3 S: F, el Caso G1 S: F y el Caso Hab10 S: F.
El género femenino fue el que presentó mayor intensidad en total como se aprecia en
las Tablas 29 y 30. Los nodos que presentaron mayor intensidad para los entrevistados del
género femenino fueron: el RAMP en la categoría causas académicas, la desmotivación y la
opción de carrera entre las causas motivacionales. Mientras que para los del género
masculino resultaron el RAM y el régimen de estudios.
167
Tabla 27. Valor de la intensidad de cada nodo (causas académicas y motivacionales) de forma individual,
Causas académicas Causas m
Provincia Caso Sexo
RAM RAP RAMP Repitencia EIM Opción de carr
1 f 1 2
2 f 1
3 f 1
4 m 3 1
Granma Subtotal 4 1 3 0 0 1
5 f 2 1 2
6 m 3 1 2
Holguín Subtotal 5 1 1 2 0 2
7 f
8 f 1 1 1 1
9 m 1 1
10 f 3 1 1 1 4
16 m
20 f 1 1
Habana Subtotal 6 2 3 0 1 6
11 f 1 6 1
12 f 4 1
Pinar del 13 f 1 1
Río Subtotal 2 1 10 2 0 0
14 m 2 1
15 m 1
17 f 1
Matanzas Subtotal 3 1 0 0 1
168
Causas académicas Causas m

Provincia Caso Sexo
RAM RAP RAMP Repitencia EIM Opción de carr
18 m 2
21 m
23 m
26 m 2 1 1 1
Las Tunas Subtotal 4 1 1 1 0 0
19 f 2
28 m
Camagüey Subtotal 0 0 2 0 0 0
22 m 1
Sancti 24 m
Spíritus Subtotal 1 0 0 0 0 0
25 f
27 f 1 1
Artemisa Subtotal 0 0 1 1 0 0
29 f
30 f 1 1 1
Villa Clara Subtotal 1 1 0 0 0 1
Intensidad Total 26 8 21 6 1 11
Tabla 28. Valor de la intensidad de cada nodo (causas emergentes) de forma individual, por prov
Causas Emergentes
Mala base Régimen
Problemas Problemas
Provincia Caso en de Adaptación Lejanía Ausenti
de salud familiares
Matemática estudios
1 5 1
2 1 1
3 6 2 1
4 3
Granma Subtotal 8 1 6 2 1 2 0
5
6 2
Holguín Subtotal 0 2 0 0 0 0 0
7 1
8
9
10
16
20
Habana Subtotal 0 0 0 0 0 0 1
11
12 1 1
13
Pinar del Río Subtotal 0 0 0 0 0 1 1
14
15 4
17
Matanzas Subtotal 0 4 0 0 0 0 0
170
Causas Emergentes
Mala base Régimen
Problemas Problemas
Provincia Caso en de Adaptación Lejanía Ausenti
de salud familiares
18
21 1 2
23
26
Las Tunas Subtotal 0 1 0 0 2 0 0
19 1 1
28 2
Camagüey Subtotal 0 1 1 2 0 0 0
22
24 2 1 1
Sancti Spíritus Subtotal 0 2 1 1 0 0 0
25
27 1
Artemisa Subtotal 0 1 0 0 0 0 0
29
30
Villa Clara Subtotal 0 0 0 0 0 0 0
Intensidad Total 8 12 8 5 3 3 2
Tabla 29. Valor de la intensidad de cada nodo (causas académicas y motivacionales) de forma indivi
Causas académicas Caus

Caso Sexo Repitencia Opción
RAM RAP RAMP NEIM.
carrer
1 f 1 2
2 f 1
3 f 1
5 f 2 1 2
7 f
8 f 1 1 1 1
10 f 3 1 1 1 4
20 f 1 1
11 f 1 6 1
12 f 4 1
13 f 1 1
17 f 1
19 f 2
25 f
27 f 1 1
29 f
30 f 1 1 1
17 Subtotal 12 5 18 3 1 10
4 m 3 1
6 m 3 1 2
9 m 1 1
16 m
14 m 2 1
15 m 1
18 m 2
172
Causas académicas Caus

Caso Sexo Repitencia Opción
RAM RAP RAMP NEIM.
carrer
21 m
23 m
26 m 2 1 1 1
28 m
22 m 1
24 m
13 Subtotal 14 3 3 3 0 1
30 Total 26 8 21 6 1 11
Tabla 30. Valor de la intensidad de cada nodo (causas emergentes) de forma individual y po
Causas Emergentes
Mala base Régimen
Caso Sexo Problemas Problemas
en de Adaptación Lejanía Ausent
de salud familiares
1 f 5 1
2 f 1 1
3 f 6 2 1
5 f
7 f 1
8 f
10 f
20 f
11 f
12 f 1 1
13 f
Causas Emergentes
Mala base Régimen
Caso Sexo Problemas Problemas
en de Adaptación Lejanía Ausent
de salud familiares
17 f
19 f 1 1
25 f
27 f 1
29 f
30 f
17 Subtotal 5 3 7 2 1 3 2
4 m 3
6 m 2
9 m
16 m
14 m
15 m 4
18 m
21 m 1 2
23 m
26 m
28 m 2
22 m
24 m 2 1 1
13 Subtotal 3 9 1 3 2 0 0
30 Total 8 12 8 5 3 3 2
174
• La densidad y concentración de las entrevistas por género se muestra en la Tabla
31.
Tabla 31. Nivel de densidad y concentración de las entrevistas por género

Presencia Cantidad de
Caso Sexo Intensidad Concentración Densidad
de nodos palabras
1 13 6 46,15 254 5,12
2 3 3 100,00 94 3,19
3 13 6 46,15 249 5,22
5 6 4 66,67 161 3,73
7 4 4 100,00 74 5,41
8 5 5 100,00 72 6,94
10 11 6 54,55 189 5,82
20 3 3 100,00 37 8,11
11 femenino 7 2 28,57 77 9,09
12 6 3 50,00 74 8,11
13 2 2 100,00 31 6,45
17 3 2 66,67 82 3,66
19 6 4 66,67 73 8,22
25 3 1 33,33 58 5,17
27 4 3 75,00 59 6,78
29 2 1 50,00 60 3,33
30 4 4 100,00 72 5,56
Subtotal 17 95 59 62,11 1716 5,54
4 7 3 42,86 147 4,76
6 6 3 50,00 165 3,64
9 2 2 100,00 44 4,55
16 2 1 50,00 75 2,67
14 3 2 66,67 122 2,46
15 6 3 50,00 160 3,75
18 masculino 2 1 50,00 84 2,38
21 4 3 75,00 62 6,45
23 2 1 50,00 60 3,33
26 4 3 75,00 58 6,90
28 2 1 50,00 56 3,57
22 4 2 50,00 64 6,25
24 5 4 80,00 57 8,77
Subtotal 13 49 29 59,18 1154 4,25
Total 30 144 88 61,11 2870 5,02
175
De estos valores, lo que más llama la atención son los casos que son capaces de, en
la menor cantidad de palabras posible, referir la mayor cantidad de nodos, o sea, explicar de
forma concreta y directa las causas que propiciaron su separación de los estudios. Solo cinco
de los 30 casos tienen el máximo de concentración (mencionan sus causas de deserción una
sola vez en la entrevista) y además la mayor densidad, o sea, en la menor cantidad de palabras
posible, expresan las causas de deserción. El género femenino tuvo los mayores valores de
densidad y concentración, con valores de 5,54 y 62,11 respectivamente.
• El orden de aparición de los códigos se presenta en la Tabla 32, con los nodos
que aparecen en los tres primeros lugares. Los códigos que se mencionan con
mayor frecuencia en primer lugar son: el RAM y la opción de carrera.
Tabla 32. Orden de aparición de los nodos

Categorías Nodos primer segundo tercer
lugar lugar lugar
Causas RAM 7 6 3
académicas RAP 1 3 1
RAMP 3 1 2
Repitencia 1 1 2
NEIM. 1 1
Causas Opción de carrera 6
motivacionales Desmotivación 1 5 5
Causas Mala base en Matemática 1 1
emergentes en Régimen de estudios 2 1
más de un caso Adaptación
Lejanía 2 1 1
Problemas de salud 1
Problemas familiares 2
Ausentismo 2
Desconocimiento sobre la 2
carrera
176
Categorías Nodos primer segundo tercer

lugar lugar lugar
Causas Beca
emergentes en Profesores 1
un solo caso Alimentación. 1
Económicos 1
Poco uso de la PC 1
Embarazo 1
Total 30 23 14
VII. La categorización
Al analizar las unidades de registro (entrevistas) se organizaron los mensajes por
provincia y género, para diferenciar por cada una de ellas las causas de deserción.
Para la categorización se tuvieron en cuenta causas académicas, causas
motivacionales y causas emergentes. Dentro de las causas académicas están los siguientes
nodos o indicadores: RAM, RAP, RAMP, Repitencia y NEIM. Para categorizarlas se
incluyeron todas las consideraciones que dieran a entender malos resultados académicos en
las asignaturas de las disciplinas Matemática y/o Programación, el hecho de tener que repetir
el primer año y que la calificación obtenida en el examen de ingreso a la Universidad en la
asignatura Matemática, son causas para abandonar la carrera.
Entre las causas motivacionales se incluyeron la opción en que solicitó la carrera y
desmotivación, incluyendo en esta última, todas aquellas expresiones relacionadas con la
falta de interés o deseo, insatisfacción o desmotivación por estudiar la carrera.
Se excluyó de la categorización la fuente de ingreso pues no fue mencionada por
ningún entrevistado.
177
En la categoría emergentes se incluyen aquellas que no se analizaron en el estudio
cuantitativo y fueron mencionadas por al menos un estudiante, tales como: mala base en
Matemática, régimen de estudios, adaptación, lejanía, problemas de salud, problemas
familiares, ausentismo y desconocimiento sobre la carrera, profesores, alimentación,
económicos, poco uso de la PC y embarazo. La categorización de los nodos emergentes se
realizó siguiendo el significado que se muestra por cada una en la siguiente Tabla 33.
Tabla 33. Significado de los nodos de la categoría causas emergentes

Categorías Nodos Significado
Causas Mala base en Aquellos planteamientos que expresen tener

Emergentes Matemática dificultades en la Matemática Básica
Régimen de Los que consideran muy riguroso el proceso docente
estudios o se sienten incapaces de llevar el régimen de
estudios que se requiere
Adaptación Expresiones de sentirse mal, solo, o de no tener
amistades
Lejanía Consideraciones de lejanía de la casa o de la familia
Ausentismo Aquellas que relacionan las ausencias con la
deserción
Desconocimiento Incluyen las expresiones de rechazo por no saber
sobre la carrera con anterioridad la carrera que estaban matriculando
Beca Se incluyen los que mencionan que el hecho de estar
becado es una razón para abandonar
Profesores Quienes consideran que los profesores fueron
responsables por su salida
Alimentación. Expresa que la alimentación de la universidad fue la
causa de la deserción
Económicos Expresa que abandona por necesidades económicas
178
Categorías Nodos Significado

Poco uso de la Manifiesta que el hecho de utilizar poco la
PC computadora en primer año fue razón para irse
Embarazo Salida por embarazo
Para la codificación utilizando el software NVivo, se tuvieron en cuenta las respuestas
de los estudiantes a todas las preguntas y que estuvieran relacionadas con los nodos
establecidos. Por ejemplo, como se aprecia en la Figura 30, en el Caso M15 S: M, se codificó,
de las respuestas a las preguntas 1 y 2, unidades de significado relacionadas con causas
motivacionales, ya sean del nodo opción en que solicitó la carrera o desmotivación.
Figura 30. Codificación con NVivo de las respuestas de un entrevistado

Se codificaron las unidades de registro según las unidades de significados por nodos,
y se realizó el inventario de los nodos que aparece en la Tabla 34.
179
Tabla 34. Categorización de las causas de deserción descritas por entrevistados

Categoría Subcategoría Unidades de significados por entrevistados
de análisis (nodos)
Causas de RAM …la dificultad que tuve con la Matemática… Caso G1 S: F;
deserción …el estudiante que vaya a entrar tiene que ser bueno en Matemática … es u
académicas más fuertes que se da allí… Caso G4 S: M;
…Me daba duro las Matemáticas ... Las Matemáticas no se me dan muy bie
...siempre me gustó la Matemática, pero en la Universidad es muy fuerte ...
...Me golpearon más las asignaturas de Matemática. Caso Hab8 S: F;
Producto a que suspendí las Matemática... Caso Hab9 S: M;
...no salí bien en Matemática, no me gustaba, bueno no me gusta... Caso Ha
...los cálculos me resultaban un poco difíciles... Caso PR11 S: F;
...los cálculos eran muy difíciles... Caso PR13 S: F;
... La Matemática...era muy fuertes y suspendí el primer año... Caso M14 S:
...al suspender la asignatura de Matemática y llevarla para mundial... Caso M
...me resultó muy difícil la Matemática... había suspendido las Matemáticas.
Me cuestan mucho trabajo las ciencias y en especial las Matemáticas Caso H
...tiene mucha Matemática... Caso SS22 S: M;
...no pude con Matemática... suspendí como seis asignaturas en primer año c
Matemáticas... Caso LT26 S: M
...Suspendí todo de Matemática... Caso VC30 S: F
180

RAP ...a mí lo que dio trabajo fue la Programación. Caso G2 S: F;
…repetí primer año por Programación… Caso H6 S: M;
...la Programación no la entendía…Caso Hab10 S: F;
…La Programación y …eran muy difíciles…Caso PR13 S: F;
...pensé que era...algo básico de temas de cacharrear una computadora…de
computadora y cuando llegué asignaturas muy fuertes que no era lo que yo t
vocación es algo más fácil con la Informática, no es algo tan duro, tan intens
...pensaba que tenía más vinculación con la PC desde que empezara. En prim
mucho la computadora... Caso SS22 S: M;
...Estudié muchísimo pero no pude con... y Programación... Caso LT24 S: M
Suspendí todo de... y Programación... Caso VC 30 S: F
RAMP ...entonces comencé desaprobando... después de haber terminado con muy m
G1 S: F;
…Las notas de todas las asignaturas del segundo semestre… Caso Hab8 S:
…no tenía buenos resultados, tuve que llevar mundiales y suspendí… Caso
…suspendí el primer año... Caso M14 S: M;
...suspendí como seis asignaturas en primer año... Caso LT26 S: M;
...suspendí las asignaturas del segundo semestre... Caso A27 S: F;
...Suspendí todo... Caso VC30 S: F.

Repitencia …repetí primer año…cuando estaba repitiendo volví a suspender…Caso H6
…tuve que repetir un año… Caso PR11 S: F
…tenía que repetir y decidí no seguir cursando la carrera… Caso PR12 S: F
…podía repetir, pero decidí regresar a mi provincia… Caso LT26 S:M
…Tuve que repetir, pero no terminé… Caso Art27 S:F
NEIM … Pero en las pruebas de ingreso no salí bien en Matemática… Caso Hab1
Causas de Opción de ...Al no llegarle la carrera que pidió en primera opción se sintió muy decepc
deserción carrera que más deseaba… Caso G3 S: F;
motivaciona ...Yo no quería esa carrera, la pedí en quinta opción. Como no llegaron las c
les bueno... para no quedarme sin carrera al final... Caso H5 S: F;
...No la había solicitado, en la primera vuelta no me llegó ninguna de las que
ofertaron en segunda vuelta. Caso Hab8 S: F;
... Yo creo que una de las razones fue la falta de orientación para llenar las b
pone la opción de carrera) ... no me gustaba, bueno no me gusta. Me dieron
gustaba...hay poca orientación sobre cómo llenar las boletas... Caso Hab10
…Mi vocación es algo más fácil con la Informática, no es algo tan duro, tan
primera, después de todo fue por embullo de mis amistades y... mis compañ
Caso M15 S: M;
182

Desmotivación ...ya que no pude estudiar verdaderamente lo que yo quería... Caso M17 S:
...Esto fue lo que me llegó, pero no me gusta la carrera... Caso VC30 S: F;
...comencé desaprobando, desmotivándome de la carrera que yo pensé que
no me sentí bien y dejé la carrera... Caso G1 S: F;
...Yo no quería esa carrera, ... Cuando llegué que va, no me gustó... Caso H
...Siempre me gustaron mucho las letras...Me dieron esa carrera y no me gu
S: F;
...El programa de estudios de ahí no era lo yo tenía pensado, pesé que era alg
M15 S:M;
...ya que no pude estudiar verdaderamente lo que yo quería... Caso M17 S:
... lo que quería realmente es Medicina... Caso LT21 S: M;
...lo que me gusta es periodismo, yo entré en la UCI porque fue lo que me ll
S:M;
...Me fui, porque no me gustaba la carrera... Caso SS24 S:M;
... Escogí mal, la Carrera no era lo que yo pensaba... Caso A27 S: F;
... Esto fue lo que me llegó pero no me gusta la carrera... Caso VC30 S:F
Causas Mala base en Para mí, lo fundamental para abandonar mis estudios fue la dificultad que tu
emergentes Matemática Matemática, porque no tenía buena base...nunca tuvimos así la preparación
las nuevas asignaturas, fue difícil y no me sentí preparada… Caso G1 S: F;
…La preparación que llevamos de acá es muy floja, para el nivel que se exig
forma general...el estudiante que vaya a entrar tiene que ser bueno en Matem
S:M;
... en las pruebas de ingreso no salí bien en Matemática... Caso Hab10 S:F

Régimen de …en la Universidad es muy fuerte…tuvimos que dejar la carrera por eso, fa
estudios aprendizaje… Caso H6 S:M;
…El programa de estudios de ahí no era lo yo tenía pensado, pensé que era
Caso M15 S:M;
…por dedicar largas horas al estudio… Caso LT21 S: M;
...estudiar lo que a uno le gusta, de lo contrario no quieres estudiar... Caso L
...No me gustaba el régimen de estudio. Caso SS24 S: M
Adaptación … al enfrentar eso fuera de los padres de la familia, ella empezó a sentirse m
amistades, pero se quedaba sola los fines de semana, le costó trabajo adapta
… no me gustaba, me sentía mal ahí… Caso Cam19 S: F
…no me gustaba la carrera ni la Universidad, estaba muy lejos de mi casa y
Caso SS24 S:M
Problemas de Lo principal fueron problemas de salud… Tengo antecedentes de <enfermed
salud comencé con una <enfermedad_anonimizada> … Caso LT21 S:M
Problemas …necesidad de buscar trabajo constante… Caso Hab16 S:M

económicos
Problemas Por problemas personales familiares. Caso G2 S: F
familiares Ella es muy apegada a la familia, yo en ese tiempo no me sentía bien, debuté
<enfermedad_anonimizada> y otros problemas de salud y ella… me dijo qu
G3 S: F
…presenté problemas familiares y tuve mucha incongruencia… Caso PR12
184

Ausentismo …faltaba mucho... Caso PR12 S: F
… como vivo en La Habana, venía a mi casa… Caso Hab7 S:F
Lejanía de la …al enfrentar eso fuera de los padres de la familia, … Ella es muy apegada
casa dijo que quería venir… Caso G3 S: F
…estaba muy lejos de mi casa… Caso SS24 S:M
Siempre quise estudiar Informática, pero en mi provincia…así que cuando t
con más de 4 de promedio, pedí el traslado para mi provincia Caso Cam28
Poco uso PC …pensaba que tenía más vinculación con la PC desde que empezara. En pri
mucho la computadora… Caso SS22 S:M
Desconocimien- El programa de estudios de ahí no era lo yo tenía pensado, pensé que era a
to sobre la básico de temas de cacharrear una computadora… Caso M15 S:M
carrera …la Carrera no era lo que yo pensaba. Lo que me gusta es instalar program
desarrollarlos… Caso A27 S:F
Beca …como vivo en La Habana, venía a mi casa…no podía verlas (las tareas) c
tenía…Caso Hab7 S: F
…no quería estudiar becada… Caso Hab8 S:F
Alimentación Producto a la alimentación que no era buena… Caso Hab7 S:F
Embarazo Salí embarazada … a las 21 semanas de embarazo salí de licencia de matrí

De los códigos clasificados como causas académicas las de mayor intensidad son el
RAM y el RAMP. De los clasificados como causas motivacionales, con mayor intensidad se
menciona la desmotivación.
Se detectan códigos en algunas unidades de registro (entrevistas) que aparecen
relacionados con otros. Por ejemplo, la desmotivación se relaciona con el rendimiento
académico en Matemática y/o en Programación, la mala base en Matemática, la lejanía de
la familia o el régimen de estudios:
“…la dificultad que tuve con la Matemática, porque no tenía buena base, … entonces
comencé desaprobando, desmotivándome de la carrera…” Caso G1 S: F.
“Me fui porque no me gustaba la carrera ni la Universidad, estaba muy lejos de mi
casa y me sentía solo. No me gustaba el régimen de estudio.” Caso SS24 S: M.
Dentro de las causas motivacionales se incluye la opción en que se solicitó la carrera,
porque algunos entrevistados las relacionan en sus respuestas:
“Yo no quería esa carrera, la pedí en quinta opción. Como no llegaron las carreras
que más pedí, bueno, opté por esa que es una de las que más llegaba para no quedarme
sin carrera al final, ve. Cuando llegué que va, no me gustó, no” Caso H5 S: F.
“Yo creo que una de las razones fue la falta de orientación para llenar las boletas…
Me dieron esa carrera y no me gustaba, la Programación no la entendía, … yo
solicité la baja” Caso Hab10 S: M.
Las nubes de palabras generadas con NVivo, a partir de las respuestas a la entrevista,
dan una idea de la frecuencia e intensidad de los nodos en las unidades de registro; mientras
mayor es el tamaño de la letra, mayor es la frecuencia e intensidad de los nodos. Por ejemplo,
186
en el Caso PR12 S: F que se muestra en la Figura 31, es evidente que la razón fundamental
para abandonar es el RAMP.
Figura 31. Nube de palabras generada a partir de las respuestas del caso PR12 S: F
En la Figura 32 se muestra la nube de palabras generada con todas las respuestas a
la Pregunta 1, donde se excluyeron todas las palabras vacías.
187
Figura 32. Nube de palabras generada a partir de las respuestas de todos los entrevistados a
la Pregunta 1
Se puede apreciar que, por el tema que se aborda, la palabra que más resalta es
“carrera”. Luego, en orden de tamaño descendente, las palabras “Matemática”
“Programación”, “asignaturas”, “suspendí”, “fuertes”, “difíciles”, “problemas” y
“decepcionada”. La imagen representa las respuestas a la pregunta relacionada con las causas
de deserción que registran los entrevistados. Se puede apreciar la intensidad con que el RAMP
incide en la deserción.
188
7.3. Conclusiones del estudio cualitativo
El estudio cualitativo permitió describir las causas de deserción en palabras de los
estudiantes que abandonaron. Se entrevistaron 30 estudiantes que representa el 31% del total
de bajas de la muestra inicial.
Las causas de la deserción que, con mayor intensidad, mencionaron los exestudiantes
de la carrera de ICI, en orden de frecuencia descendente son las siguientes: el RAM, el RAMP,
la desmotivación por la carrera, el régimen de estudios y la opción en que solicitaron la
carrera.
Las categorías que con mayor frecuencia se mencionaron en primer lugar por los
entrevistados fueron: el RAM y la opción de carrera; en segundo lugar, fueron: el RAM y la
desmotivación; en tercer lugar: la desmotivación y el RAM.
El RAM es también una categoría predictiva y además que coincide con resultados de
otros estudios para carreras de Informática (Canedo et al., 2018; Heublein y Wolter, 2011).
Cuando se analizan los resultados por género se aprecia una mayor frecuencia en los
hombres de los códigos RAM y régimen de estudios, mientras que las mujeres hacen
referencia al RAMP, la desmotivación y la opción de carrera. Estos resultados concuerdan
con los de (Miliszewska et al., 2006); sin embargo, son contradictorios con nuestro propio
análisis cuantitativo donde el género no resultó una variable predictiva.
Con respecto a la intensidad, es mayor en las mujeres (casi el doble) que en los
hombres. Esto significa que, al expresar las causas de deserción, las mujeres mencionan los
nodos (causas) con una mayor frecuencia que los hombres.
189
En el análisis por provincias, es de destacar que la categoría emergente mala base en
Matemática se menciona solo por dos casos (de ambos géneros) de la provincia Granma, con
una alta intensidad.
La mayor intensidad se obtiene en la provincia de Pinar del Río para el nodo RAMP.
Las provincias en las que con mayor intensidad se plantea el RAM son La Habana, Holguín,
Granma y Las Tunas, de mayor a menor intensidad. En La Habana, la mayor intensidad se
alcanza para los nodos RAM y opción de carrera.
El nivel de concentración de todas las entrevistas fue de un 61,11%, obteniendo seis
casos femeninos y un caso masculino, una concentración del 100%. La concentración
representa la relación porcentual entre la presencia y la intensidad de los nodos en una unidad
de registro, en este caso, las respuestas de los entrevistados.
El estudio cualitativo realizado corrobora los factores predictivos de deserción
identificados en la fase cuantitativa. Las variables RAMP y opción de carrera tuvieron
presencia de forma frecuente en las entrevistas. La variable NEIM, solo fue expresada
literalmente por uno de los casos, pero hubo otros que expresaron presentar dificultades en
la base previa en Matemáticas.
La variable provincia de procedencia también es predictiva de la deserción, y se
corrobora al encontrar que el 50% de las provincias con mayor presencia e intensidad de
nodos, coincide con provincias predictivas como Las Tunas, Pinar del Río y Granma.
Este estudio, también garantiza validez y fiabilidad a la investigación, mediante la
triangulación metodológica que se presenta a continuación.
190
CAPÍTULO 8: TRIANGULACIÓN METODOLÓGICA DE LOS RESULTADOS
CAPÍTULO 8: TRIANGULACIÓN
METODOLÓGICA DE LOS RESULTADOS

En este capítulo, se analizan de manera conjunta los resultados obtenidos en el estudio
cuantitativo y cualitativo mediante las diferentes técnicas de recogida y análisis de datos. Se
comparan los factores predictivos de deserción con las causas de deserción descritas por los
estudiantes que causaron baja mediante una triangulación metodológica.
En esta investigación, los datos para el análisis cuantitativo se obtuvieron del Sistema
de Gestión Universitaria y para el análisis cualitativo de la entrevista semiestructurada
realizada a una muestra de los estudiantes que causaron baja de la carrera.
8.1. Triangulación metodológica de los resultados
Las técnicas utilizadas en el estudio cuantitativo fueron regresión logística y análisis
discriminante que permitieron detectar los factores predictivos de deserción. De forma
concurrente (aunque temporalmente más prolongada) se realizan las entrevistas
semiestructuradas y el análisis de contenidos de las mismas.
Se emplea una triangulación intra-métodos cuantitativos para “analizar el nivel de
influencia que tienen las variables en relación a un determinado objeto de estudio” (Alzás,
2015, p.80). En este caso, constituye la comparación de los valores de Exactitud,
Exhaustividad, Precisión y el valor F de los casos clasificados como deserción, mediante las
técnicas: Análisis Discriminante, Árboles de Decisión y Redes Neuronales. En estas dos
últimas considerando todos los datos y tres clases. En la Tabla 35 se muestran los resultados,
donde se aprecia una coherencia casi perfecta en los mismos. Con los tres métodos se
clasifican correctamente el 90% o más de los casos.
191
Tabla 35. Valores de Exactitud, Exhaustividad, Precisión y el valor F de los casos

clasificados como deserción, mediante las técnicas de análisis discriminante, árboles de
decisión y redes neuronales
Árbol de Red
Valor de las Análisis
decisión neuronal
medidas Discriminante
J48 MLP
Exactitud ,91 ,91 ,90
Exhaustividad ,81 ,85 ,80
Precisión ,78 ,77 ,78

Valor F ,79 ,81 ,79
Para la triangulación extra-métodos, es preciso recordar que, en el análisis de
correlación se obtuvo para la H1 que la provincia de procedencia, la opción en que solicitó
la carrera y la NEIM son variables que correlacionan con la deserción. Para la H2 se obtuvo
que el RAMP tiene una alta correlación inversa con la deserción.
También se obtuvo que la fuente de ingreso y el género no se correlacionan con la
deserción. Coincidiendo con este resultado la no codificación de la variable fuente de ingreso
en el análisis de contenidos por no tener presencia en ninguna de las entrevistas.
Aunque el género no es una variable predictiva, en el análisis de contenidos, la
presencia e intensidad de los nodos en el género femenino duplica la cantidad que la del
género masculino. Existe diferencia también entre los nodos con alta presencia en ambos
géneros; en el masculino es el régimen de estudios y en el femenino es la desmotivación y
opción de la carrera.
En la Tabla 36, se presenta la triangulación metodológica de los resultados,
relacionando las variables predictivas coincidentes con nodos, a través de las técnicas
cuantitativas y cualitativas, respectivamente.
192
CAPÍTULO 8: TRIANGULACIÓN METODO
Tabla 36. Triangulación de los resultados mediante métodos cuantitativos y cualitativ

Variable Método cuantitativo Método cualitativo
Correla- Regresión Análisis Mejor Entrevista (presencia y frecuencia)
ción logística discriminante clasificador
automático
RAM, Coefi- Β=-5,383 exactitud ,91 Posterior al Mayor presencia 35 de 92 y mayor fre
RAP y ciente p<,01 precisión ,78 ingreso J48 38,2%
RAMP -,873 Β=0,076 exactitud ...entonces comencé desaprobando... d
p<,01 p<,01 ,91 haber terminado con muy malas notas
precisión G1 S: F
,77 …Las notas de todas las asignaturas d
semestre… Caso Hab8 S: F
…no tenía buenos resultados, tuve qu
mundiales y suspendí… Caso PR12 S
…suspendí el primer año... Caso M14
...suspendí como seis asignaturas en p
año... Caso LT26 S: M
...suspendí las asignaturas del segundo
semestre... Caso A27 S: F
...Suspendí todo... Caso VC30 S: F.
Producto a que suspendí las Matemáti
Hab9 S: M
...no salí bien en Matemática, no me g
bueno no me gusta... Caso Hab10 S:
...los cálculos me resultaban un poco
Caso PR11 S: F
...los cálculos eran muy difíciles... Ca
S:F

automático
... La Matemática...era muy fuertes y
primer año... Caso M14 S:M
...al suspender la asignatura de Matem
llevarla para mundial... Caso M17 S:
Opción Coefi- Β=,101 exactitud ,91 Previas al Presencia 19 de 92 y frecuencia 19,5%
de ciente p=,089 precisión ,78 ingreso ...Al no llegarle la carrera que pidió en
carrera -,094 Β=0,035 (MLP) opción se sintió muy decepcionada...p
p<,05 p<,01 exactitud lo que más deseaba… Caso G3 S: F;
64%
...Yo no quería esa carrera, la pedí en
Precisión
de opción. Como no llegaron las carreras
promovidos pedí, bueno, ... para no quedarme sin
,72 final... Caso H5 S: F;
Exhaustivi- ...No la había solicitado, en la primera
dad de no me llegó ninguna de las que pedí, así
promovidos ofertaron en segunda vuelta. Caso Ha
,67
... Yo creo que una de las razones fue
orientación para llenar las boletas (en
se pone la opción de carrera) ...no me
bueno no me gusta. Me dieron esa car
me gustaba...hay poca orientación sob
llenar las boletas... Caso Hab10 S: F;
...La pedí en primera, después de todo
embullo de mis amistades y... mis com
de la escuela... Caso M15 S: M;
194
CAPÍTULO 8: TRIANGULACIÓN METODO

automático
NEIM Coefi- Β=,067 exactitud ,91 Presencia 11 y frecuencia 10,29
ciente p<,01 precisión ,78 … Pero en las pruebas de ingreso no s
,228 Β=-0,004 Matemática… Caso Hab10 S: M
p<,01 p<,01 …la dificultad que tuve con la Matem
porque no tenía buena base...nunca tu
la preparación necesaria para asumir l
asignaturas, fue difícil y no me sentí p
Caso G1 S: F;
…La preparación que llevamos de acá
floja para el nivel que se exige allá. L
forma general...el estudiante que vaya
tiene que ser bueno en Matemática... C
S:M;
…Las Matemáticas no se me dan muy
definitivamente, nada que ver… Caso
Me cuestan mucho trabajo las ciencia
especial las Matemáticas Caso H20 S
Provincia Coefi- Las Tunas, Provincias de mayor presencia de nod
ciente Ciego de orden descendente: La Habana, Granm
,191 Ávila, Sancti Tunas, Pinar del Río y Holguín.
p<,01 Spíritus, Las de mayor intensidad: Granma, La
Villa Clara, Pinar del Río, Holguín, Las Tunas y M
Pinar del Río
y Camagüey
La lejanía de su casa y padres se plant
p<,05 casos con una doble intensidad.
8.2. Principales conclusiones del estudio de triangulación
Se puede concluir de la triangulación entre métodos que las variables RAM, RAP,
RAMP, o cualquiera de sus combinaciones, son variables predictivas de deserción en carreras
del perfil de Ingeniería Informática en Cuba, resultado que coincide con estudios analizados
en la revisión sistemática correspondientes a otros países (Allen et al., 2008; Amaya et al.,
2015; Araque et al., 2009; Canedo et al., 2018; Lacave et al., 2018; Niitsoo et al., 2014).
La variable opción de carrera se relaciona con los nodos clasificados como causas
motivacionales. Es una variable predictiva ya que, de cuatro técnicas cuantitativas, en tres
resulta predictiva y en la entrevista constituye uno de los nodos de mayor presencia total y
en los tres primeros lugares de referencia. Este resultado concuerda con los hallazgos de
(Lacave et al., 2018; Meyer y Fang, 2019; Paimin et al., 2017).
La variable EIM, es definitivamente una variable predictiva y se corrobora en la
triangulación. Es de las más importantes a tener en cuenta porque incluso, al analizar la H2,
se puede inferir su valor predictivo sobre el rendimiento académico. Varios autores, que han
tenido en cuenta estas variables en sus estudios han encontrado resultados similares
(Fernández y Domínguez, 2011; Salazar-Fernandez et al., 2019). Es también importante,
porque es una variable previa al ingreso y se puede atender desde los inicios de la matrícula.
La provincia de procedencia se considera también predictiva, sobre todo, para las
provincias alejadas de La Habana, pues existe una coincidencia en el 50% de las que
resultaron predictivas en el análisis de regresión logística y las que presentan mayor presencia
e intensidad en los nodos del análisis de contenidos. Lacave et al. (2018) y Vila et al. (2019)
también le dan importancia a esta variable.
196
CAPÍTULO 8: TRIANGULACIÓN METODOLÓGICA DE LOS RESULTADOS
Por último, las causas emergentes que resultaron con baja presencia e intensidad en
las unidades de registros no fueron analizadas en el estudio cuantitativo por no tener acceso
a los datos; pero merecen una mirada en el trabajo futuro, pues algunas se relacionan en el
modelo teórico propuesto en el Capítulo 4. Tal es el caso del régimen y hábitos de estudios,
el uso frecuente de las computadoras desde primer año y el desconocimiento sobre la carrera.
Son variables susceptibles de ser atendidas y se tendrán en cuenta en la propuesta de acciones.
197
198
PARTE IV: LA ACCIÓN TUTORIAL CON TIC
ATENDIENDO A FACTORES PREDICTIVOS DE
DESERCIÓN
199
200
CAPÍTULO 9: ESTUDIO TEÓRICO Y METODOLÓGICO SOBRE LAS ESTRATEGIAS DE RETENCIÓN DE
ESTUDIANTES
CAPÍTULO 9: ESTUDIO TEÓRICO Y
METODOLÓGICO SOBRE LAS ESTRATEGIAS
DE RETENCIÓN DE ESTUDIANTES
En este capítulo se recogen propuestas para minimizar la deserción, primeramente de carácter
general, o sea, dirigidas al entorno universitario en cualquier tipo de carreras; luego, a partir
del estudio de revisiones sistemáticas de estrategias de retención así como y de los estudios
de abandono que fueron abordados en los capítulos 2 y 3, se seleccionan las propuestas para
carreras de perfil Ingeniería Informática. Por último, se identifican fortalezas y debilidades
para el diseño didáctico de las acciones tutoriales planteadas en las investigaciones
seleccionadas, que serán tenidas en cuenta al realizar una propuesta que se ajuste a la
Universidad de las Ciencias Informáticas de Cuba.
Con este capítulo, se da cumplimiento al Objetivo II.1 consistente en realizar un
estudio teórico y metodológico sobre las fortalezas y debilidades de las estrategias de tutoría
propuestas utilizando las TIC y la acción tutorial para atender factores predictivos de la
deserción analizados en la fase I.
9.1. Estrategias de retención de estudiantes en la Universidad
Ante la problemática de la deserción estudiantil, el abandono o el fracaso en la ES,
las instituciones educativas proponen diversas estrategias de intervención y de integración.
En el análisis de la bibliografía efectuado se identifican diversos modelos de
orientación e intervención psicopedagógica propuestos en la últimas décadas del siglo XX.
201
Entre ellos, cabe destacar los “Modelos de orientación educativa y profesional en el siglo
XX” resumidos por Rodríguez y Gil (1983); las tipologías aportadas por Velaz y Ureta (1998)
y los tipos de modelos de intervención y organizativos aportados por Bisquerra y Álvarez
(1998); todos citados por Bauselas (2004). Aunque ninguno de ellos fue diseñado
específicamente para atender la deserción, profundizan en el modelo de intervención por
programas y ponen varios ejemplos dirigidos a la orientación vocacional y profesional
(Bauselas, 2004, p.213).
También se han demostrado los efectos positivos en la persistencia y rendimiento
académico de los estudiantes a través del uso de estrategias de aprendizaje cooperativo en el
aula (Tinto, 1997).
En el siglo XXI, la mayoría de las propuestas están relacionadas con el desarrollo de
acciones de tutoría de diferentes tipos, actualización de los métodos de enseñanza-
aprendizaje y el incremento del uso de las TIC.
En el entorno europeo, varias investigaciones refieren la importancia de que el
profesorado universitario implemente estrategias de enseñanza que desarrollen el aprendizaje
activo, el trabajo en equipos, habilidades de estudio y competencias profesionales, entre otras
(Cabrera et al., 2006).
Como se explicó anteriormente, Vincent Tinto es uno de los autores más reconocidos
en el estudio de la deserción y las políticas institucionales de retención; al respecto, reconoce
cuatro condiciones institucionales asociadas con la retención estudiantil: expectativas, apoyo,
retroalimentación y participación (Tinto, 2010). Sin embargo, deja la interrogante sobre el
papel del uso de las tecnologías para la integración académica y social de los estudiantes en
las IES.
202
ESTUDIANTES
Generalmente, las propuestas están precedidas de una exploración, caracterización o
identificación de factores de deserción. Suárez-Montes y Díaz-Subieta (2015) además de una
revisión sistemática sobre la deserción, reseñan algunas experiencias de retención. Entre ellas
destacan las de asistencia académica, de apoyo económico y psicológico, y de orientación a
estudiantes de nuevo ingreso y sus padres; todas con el objetivo de superar las características
previas al ingreso, mejorar el rendimiento académico y elevar la autoestima, motivación y
permanencia.
Desde las instituciones se proponen cursos de acogida y recibimiento, programas de
orientación vocacional-ocupacional y talleres con prácticas educativas relacionadas con las
carreras específicas (Aguilar-Rivera, 2005).
En estudios de la UNESCO se resumen algunas de las acciones nacionales o
institucionales para disminuir la deserción. Entre las estrategias se proponen: fortalecer los
Sistemas de Educación nacionales facilitando la articulación entre todos los niveles
educativos, reforzar los servicios de orientación vocacional y formación profesional, mejorar
los sistemas y pruebas de selección; facilitar la movilidad institucional;, crear fondos y becas
para estudiantes de bajos ingresos o indígenas, entre otras (de Escobar, Delgado, Fruto, y
Hernández, 2005; IESALC-UNESCO, 2007).
Asimismo, se han desarrollado acciones gubernamentales como es el Sistema Integral
de Permanencia Estudiantil, que permitió la aplicación de un “Modelo de Atención Integral
al Estudiante” en las universidades de Colombia (Aparicio-Gómez y Peralta, 2011).
El proyecto GUIA, abordado en el Capítulo 2, también brindó seguimiento a las
acciones que realizaron las instituciones que participaron en el mismo. Se solicitaron
informes a las instituciones, donde debían comunicar acciones realizadas en cuanto a las
203
temáticas: reformas curriculares, enseñanza de habilidades, estrategias de motivación,
transferencia de créditos, servicios formales de apoyo al aprendizaje y uso de tecnologías
de la información y el cómputo en el abandono y la retención de los estudiantes, con el
objetivo de explorar qué prácticas realizan las instituciones, sus características; así como, las
evidencias de su efectividad. De los 21 países que participaron, 18 proporcionaron su
informe, cuatro de Europa y 14 de Latinoamérica. A continuación, se resumen las más
recurrentes por temáticas (Proyecto ALFA GUIA DCI-ALA/2010/94, 2013a, p.9).
• Reformas curriculares: se coincide en la realización de actividades profesionales,
la depuración de contenidos y disminución de asignaturas en los primeros
semestres; la extensión de los programas de algunas asignaturas y facilidades de
horarios, o créditos a rendir para los estudiantes que trabajan. Se suman en los
países de Latinoamérica la introducción de cursos de nivelación y salidas
intermedias con diplomas técnicos. En instituciones que contienen carreras de
Ingeniería, se incluyen cursos básicos de Pre-Cálculo y de nivelación en
Matemáticas.
• Enseñanza de habilidades: se incorpora el desarrollo de habilidades de
comunicación oral y escrita, búsqueda y análisis de información, organización y
planificación, aprendizaje independiente y trabajo en equipo; se promueve el
aprendizaje cooperativo y cursos sobre métodos de estudio en los primeros años.
Resulta interesante para esta investigación, que algunas instituciones incluyen el
desarrollo de habilidades y de competencias lógico-matemáticas, para potenciar
la capacidad de resolución de problemas.
204
ESTUDIANTES
• Estrategias de motivación: aproximación al campo laboral mediante
conferencias; visitas y encuentros con empleadores; vinculación estudio trabajo;
formación en emprendimiento; sensibilización para la responsabilidad social;
cursos de orientación vocacional; apoyo psicopedagógico; actividades de
integración para los estudiantes de nuevo ingreso; actividades de promoción
cultural expresiones artísticas, festivales y actividades deportivas; actividades
investigativas y productivas entre otras. También algunas instituciones ofertan
becas y ayudas económicas. Vale destacar que siete de las instituciones, no
reportan acciones planificadas en esta temática.
• Transferencia de créditos: Todas las instituciones europeas utilizan un sistema de
créditos que permite la movilidad estudiantil dentro de las instituciones; así como,
desde y hacia otras instituciones europeas. Sin embargo, las instituciones
latinoamericanas no cuentan con un sistema similar, en su mayoría, ni con un
sistema nacional por lo que cada institución tiene su propio sistema para admitir
estudiantes de otras instituciones y solo dos reportan iniciativas al respecto con
otras instituciones.
• Servicios formales de apoyo al aprendizaje: existen grupos de trabajo; secretarías
o direcciones que organizan tutorías; seminarios de aprendizaje y de orientación
en el estudio; talleres para fomentar técnicas y métodos de aprendizaje; programas
de nivelación en ciencias básicas y horas de consulta adicionales a la clase. Cinco
instituciones no reportaron acciones en esta temática.
• Uso de tecnologías de la información y el cómputo: en todas se utilizan campus
virtuales mediante el uso de la plataforma educativa Moodle con herramientas
205
para facilitar la labor y comunicación del profesor con sus estudiantes. Algunas
reportan el uso de laboratorios de computación para los estudiantes, el acceso a
Internet y el uso de aulas virtuales como complemento a sus clases presenciales.
La mayoría de las instituciones no reportaron en este informe resultados del impacto
de las acciones anteriores en el abandono y la retención de los estudiantes, y otras pocas,
declaran acceso restringido a estos resultados (Proyecto ALFA GUIA DCI-ALA/2010/94,
2013a).
Varios autores realizan revisiones sistemáticas sobre estrategias de retención en el
contexto latinoamericano (Donoso, Donoso, y Arias, 2010; Fernández de Morgado, 2009;
Munizaga et al., 2018; Torres Guevara, 2012). Se ha seleccionado aquellos que se relacionan
con carreras de perfil Ingeniería Informática.
Donoso et al. (2010) resumen políticas nacionales e institucionales para prevenir la
deserción. Dentro de las políticas nacionales destacan: provisión de recursos significativos
para proporcionar soporte académico y financiero a los estudiantes y a las instituciones;
programas sistemáticos y secuenciales desde la enseñanza secundaria hasta los primeros dos
años de la ES. Se destacan en las propuestas institucionales: cursos de apoyo en habilidades
cognitivas, sociales y afectivas básicas; talleres de técnicas de estudio, tutorías, cursos de
nivelación y apoyo psicológico, entre otros.
La revisión sistemática realizada en (Munizaga et al., 2018) de 81 artículos que
abordan el tema de la deserción-retención en América Latina y el Caribe, se clasifican por
niveles de investigación del problema: exploración, caracterización, identificación de
factores, intervención y evaluación de la intervención. En nueve de ellos se realizan o
206
ESTUDIANTES
analizan propuestas para la retención y, solo dos, están relacionados con Ingeniería
Informática:
• Uzuriaga-López, Posso-Agudelo, y Martínez-Acosta (2013) proponen un curso
de Matemática Básica para las Ingenierías, lo que se considera insuficiente pues
no se refleja el uso de las TIC.
• Vargas-C, Bustos-Rios, y Moreno-Laverde (2005) proponen la creación de
prácticas de laboratorios para las asignaturas que más afectan la retención en el
programa Ingeniería de Sistemas y Computación, Matemática y Programación,
sin incluir la didáctica de estas actividades u orientaciones metodológicas para su
realización.
Los estudios de (Suárez-Montes y Díaz-Subieta, 2015; Torres, 2012) recogen 10
modelos de retención, en la mayoría, se incorporan de una manera u otra acciones de tutoría.
Entre ellos:
• Modelo de instrucción suplementaria: en vez de estudiantes en riesgo, identifica
clases en riesgo y hacía ahí dirige la acción, propicia la interacción estudiantil y
el apoyo mutuo.
• Modelo del componente co-curricular: definido por actividades extracurriculares,
deportivas, culturales, puede incluir grupos de estudio, asesorías y tutorías.
• Modelo de programa tutorial: consiste en asesoría y tutoría en el primer año de
estudios.
• Modelo para el mejoramiento del compromiso, la integración y la persistencia
de los no graduados: incluye programas de orientación, seminarios de verano y
comunidades de aprendizaje.
207
• Modelo de los atributos personales: las acciones se dirigen a características
personales como la autoeficacia, la motivación académica y las expectativas de
los resultados.
• Modelo de apoyo de la familia y de la institución para el éxito de los estudiantes
universitarios de primera generación: se basa en facilitar la transición del
estudiante a la universidad mediante técnicas de estudios, estrategias de
comunicación, orientación a los padres sobre la vida universitaria y condiciones
para éxito en ella, y asignar tutores a los estudiantes.
Constituye una propuesta de referencia para esta investigación, un plan de retención
estudiantil para las universidades colombianas, que se obtuvo tras una revisión de los estudios
de retención. Su diseño se resume en la Figura 33. Nótese cómo se incluyen acciones para
medir e identificar las causas de deserción, para evaluar y potenciar programas de apoyo y
para desarrollar y articular nuevas estrategias de retención de forma cíclica (Torres, 2012).
208
ESTUDIANTES
Figura 33. Diseño de un Plan de retención para universidades colombianas

Fuente: (Torres, 2012, p.156)
Otras estrategias se dirigen a las competencias de trabajo en equipo y cómo el
desarrollo de estas competencias influye en evitar el fracaso. Estos autores apuntan al hecho
de que existe una correlación entre el perfil de motivación de los estudiantes y su percepción
de la competencia, pues los estudiantes con mayor miedo al fracaso obtienen peores
resultados. Los estudiantes motivados por tener éxito en el aprendizaje obtienen mejores
notas. Los estudiantes con una autopercepción académica inferior, tienen una mayor
motivación para evitar el fracaso (García-Martín, Pérez-Martínez, y Sierra-Alonso, 2015).
209
De aquí se desprende la importancia de concientizar a los estudiantes en cuanto a sus
dificultades.
En 2015, en charla sostenida con representantes de diversas universidades de Chile,
Tinto exhortaba a dirigir los esfuerzos para evitar la deserción, fundamentalmente en el
primer semestre de estudios, en el salón de clases, y mediante un acompañamiento
contextualizado (Tinto, 2015).
Al evaluar la efectividad del Programa de Acompañamiento Académico desarrollado
por la Universidad de San Sebastián, que beneficia a los estudiantes con la Beca de
Nivelación Académica otorgada por el Ministerio de Educación de Chile, reconocen en sus
proyecciones futuras, la necesidad de un programa de nivelación académica específico en
Cálculo (Micin, Farías, Carreño, y Urzúa, 2015).
La actualización del programa descrito en el párrafo anterior fue analizada
recientemente en el Foro Internacional sobre Inclusión y Equidad en la Educación organizado
por la UNESCO, el Programa de Acompañamiento y Acceso Efectivo a la Educación
Superior, financiado por el estado chileno desde el año 2014, y que pretende extenderse en
el año 2020 a todo el país. Concibe acciones previas al ingreso, de acompañamiento en el
proceso de acceso y durante toda la ES mediante tutorías, talleres y asesorías (Gil, 2019).
Esto constituye un ejemplo de actuación estatal para atender la problemática de la deserción,
aunque solo se ofrece a estudiantes de alto rendimiento académico en la enseñanza media
que proceden de sectores de bajos ingresos.
Un punto en común de las diferentes propuestas para la retención de estudiantes es la
orientación y tutoría individual o grupal con disímiles objetivos, las cuales serán abordadas
en el siguiente apartado. Igualmente, cuando se estudian los reportes de investigación y
210
ESTUDIANTES
artículos relacionados con la tutoría universitaria, generalmente está asociado a la deserción
o abandono de los estudiantes.
Algunas instituciones también han experimentado la tutoría de pares con buenos
resultados (Abedini, Mortazavi, Javadinia, y Moonaghi, 2013; Arco-Tirado, Fernández-
Martín, y Fernández-Balboa, 2011; Boyle, 2014), por lo que esta variante también se ha
considerado en la propuesta que se realiza como fruto de la presente investigación.
Varios países e instituciones han publicado normativas respecto a la acción tutorial y
la preparación del tutor para el desarrollo de la tutoría (Jiménez, 2015; Pinacho, 2018;
Rodríguez, 2012; Romo, 2011). En el marco del EEES evolucionaron los planes de acción
tutorial desde la concepción en la década de los 70 como acciones de orientación al
estudiantado, hasta la acción tutorial para el desarrollo de competencias profesionales
(Romero, 2009).
El informe presentado por la representación cubana en el proyecto Alfa GUIA,
investigadores del Instituto Superior Politécnico “José Antonio Echevarría” (CUJAE) sobre
las acciones realizadas para retener los estudiantes, plantea que las carreras deben concebir
una estrategia de permanencia y que:
“resulta necesario que las indicaciones generales de cómo abordar esta estrategia,
en cada una de las carreras en que ello se requiera, se incorpore …, como un
documento más del plan de estudios, después de las indicaciones metodológicas y
de organización de la carrera” (Proyecto ALFA GUIA DCI-ALA/2010/94, 2013a,
p.36).
La carrera ICI de la UCI en Cuba, realiza acciones dispersas para la retención de
estudiantes, pero no cuenta con una estrategia de permanencia con dichas indicaciones. En
211
el Capítulo 10 se realiza una propuesta de estrategia de retención de estudiantes de primer
año mediante la acción tutorial que contiene indicaciones metodológicas y didácticas para
que los tutores, profesores y personal de apoyo educativo puedan atender a tiempo los
factores que se identifiquen en los estudiantes en riesgo de deserción.
9.2. Estrategias de retención de estudiantes en Ingeniería
En la sistematización de los 48 estudios de deserción en carreras de Ingeniería, 31
proponen acciones para la retención. La Tabla 37 resume las propuestas, clasificadas en:
académicas, institucionales, motivacionales, psicológicas, económicas y las relacionadas con
la orientación y tutoría.
Tabla 37. Propuestas de acciones para la retención de estudiantes de Ingeniería

Tipo de Propuesta de acciones Referencias
propuesta
Académicas Curso de Matemática Básica (Meyer, 2019)
Métodos de enseñanza activos, aprendizaje (Canedo, 2018)
cooperado. Estrategias para mejorar el (Badr, 2016)
aprendizaje
(Tinto 1997)
Proporcionar retroalimentación académica (Paimin, et al., 2017)
constructiva (Kuirakose, 2017)
Programa de desarrollo de habilidades de (Prifti, 2017)
estudio Derr et al. (2012)
Autoevaluación en línea, materiales de apoyo y
tutoriales en Matemáticas
Curriculares Modificación de planes de estudios, (Dapozo, 2010)
disminución de asignaturas en primer año o la (Oloriz, 2007)
posibilidad que el alumno escoja
Institucionales Nombrar profesores bien preparados. (Ullah et al., 2019)
Incrementar la calidad de los laboratorios.
Mejorar los servicios de comedores, biblioteca
y actividades extra-curriculares
212
ESTUDIANTES
Tipo de Propuesta de acciones Referencias

propuesta
Económicas Mayor oferta de becas. Facilitar trabajos dentro (Vilwock, 2015)
del campus (Nandeshwar, 2011)
Facilidades de comedor universitario. Paquetes
de ayuda financiera
Psicológicas Sesiones psicopedagógicas exploratorias para (Teixeira, 2015)
brindar asesorías (Alkan, 2014)
Acciones psicopedagógicas
Motivacionales Garantizar el empleo después de la graduación (Bean, 1980)
Orientación vocacional en el bachillerato (Soistak, 2018)
Insertar acciones de trabajo en el campo de las (Kori et al, 2015)
TIC. (Nazeema, 2015)
Puertas abiertas y mejor difusión de los
programas de estudios
Orientación y Sistema de tutoría para la integración social y (Allen, 2008; Elster,
tutoría académica 2014; Graffigna, et
Programa de tutoría de pares al., 2014)
Proyecto Apoyo, mediante tutorías (Araque, et al., 2009)
Sistema de tutores personales (Dapozo, 2010)
Apoyo a estudiantes de primer año (Fernández y
Asistentes para el aprendizaje Dapozo, 2011)
(Zehetmeier, 2015)
(Alzen, 2018)
Se ha identificado que es frecuente la propuesta de prácticas de tutoría y apoyo para
potenciar la permanencia (Alzen et al., 2018; Araque et al., 2009; Elster, 2014; Graffigna et
al., 2014). Otros autores proponen el uso de metodologías de enseñanza activas (Canedo et
al., 2018; Paimin et al., 2017; Zehetmeier et al., 2015).
Un tercer grupo de autores valoran la importancia del uso de las TIC y las prácticas
de laboratorio (Külli Kori et al., 2015; Soistak et al., 2018). Incluso, hay autores que proponen
acciones de apoyo psicológico (Ahmed et al., 2015; Mello et al., 2015).
Derr et al. (2012) en Alemania proponen un sistema de autoevaluación de Matemática
en línea para los futuros estudiantes de Ingeniería, según los resultados, los alumnos reciben
213
comentarios electrónicos y deciden en qué temas profundizar. Para ello, cuentan con módulos
de aprendizaje en los que pueden trabajar y tutoriales adicionales. El material de aprendizaje
contiene diez módulos sobre los temas básicos de las Matemáticas superiores, tales como:
aritmética, ecuaciones, potencias, raíces, logaritmos, funciones, geometría, trigonometría,
vectores y álgebra lineal, lógica, límites y continuidad.
En relación con las habilidades de estudio como causa de deserción, Prifti, Heininger,
y Utesch (2017) después de investigar diez programas diferentes para mejorar las habilidades
de estudio en las universidades alemanas, aportan un programa de mejores prácticas de
acuerdo con cinco habilidades de estudio: gestión del tiempo, métodos de ciencias, trabajo
en equipo, competencias profesionales propias y una idea clara de los estudios en la
universidad.
Como se puede apreciar, varias investigaciones proponen la tutoría como estrategia
de adaptación, persistencia y retención; sin embargo, hay evidencias de que se necesita
fortalecer el componente didáctico en las acciones tutoriales que se desarrollen, dirigidas a
atender los factores que más inciden en la deserción (Graffigna et al., 2014; Wilson, 2015).
En el entorno Latinoamericano existen varias experiencias. Tal es el caso del
“Programa de Excelencia y Supervivencia Académica” de la Facultad Regional Buenos Aires
de la Universidad Tecnológica Nacional, en el que la tutoría constituye la principal acción
(Albione, et al., 2005). Sin embargo, no se incluyen acciones de integración académica-
laboral-investigativa.
En un estudio donde se analizan varias propuestas de retención para la Licenciatura
en Sistemas de Información de la Universidad Nacional del Nordeste (UNNE) de Argentina,
se incluyen acciones de articulación entre el nivel medio y la Universidad; así como, de
214
ESTUDIANTES
acompañamiento a los alumnos del primer año mediante las tutorías (Dapozo, Greiner, y
Godoy, 2011). En las propuestas no se incluye el trabajo en equipo y aprendizaje cooperativo.
Se amplió la búsqueda con el fin de incorporar análisis de propuestas ya
implementadas y evaluadas. La Tabla 38 contiene el nombre de la propuesta y su referencia,
el lugar donde se aplicó, sus principales ideas, así como sus fortalezas y debilidades. Las
fortalezas y debilidades detectadas en cuanto al diseño didáctico de las acciones se han tenido
en cuenta en la propuesta que acompaña a esta investigación en el próximo capítulo.
Tabla 38. Fortalezas y debilidades en el diseño de acciones para la retención

Estrategia/ lugar/ Principales Fortaleza Debilidad Referencia
ideas
Programa de Excelencia y Incluye diversas No incluye (Albione,
Supervivencia Académica/ Facultad acciones para el acciones de et al.,
Regional Buenos Aires de la desarrollo de integración 2005)
Universidad Tecnológica Nacional/ hábitos y académica-
Implementación de la tutoría para el habilidades de laboral-
seguimiento individual y grupal en estudio investigativa
el proceso de formación integral y
el desarrollo de habilidades y
destrezas en los estudiantes.
Modelo de Asistente de Se potencia el Solo se declara el (Alzen, et

Aprendizaje (LA) en los cursos trabajo en uso de tutoriales al., 2018)
introductorios de STEM/ equipos. Se en Física
Universidad de Colorado Boulder/ dedica tiempo
Utilizan estrategias de instrucción adicional al
basadas en la investigación, trabajo en
diseñadas para alentar la equipos con el
participación activa y provocar el apoyo de LA
pensamiento de los estudiantes en
cursos introductorios de Química,
Cálculo y Física.
215

ideas
Programa de mejores prácticas para Contribuye al No aborda (Prifti et
promover las habilidades de desarrollo de aspectos al., 2017)
estudio/ Universidades Alemanas/ habilidades de relacionados con
Aporta un programa de mejores estudio. Propicia los conflictos
prácticas de acuerdo con las cinco la vinculación de psicológicos que
habilidades de estudio: gestión del lo formativo- se pueden
tiempo, métodos científicos, trabajo investigativo y presentar en la
en equipo, competencias laboral, así como etapa inicial
profesionales propias y una idea el uso de las
clara de los estudios en la tecnologías
universidad.
El Programa de Acompañamiento y Utilizan la Sólo se ofrece a (Gil, 2019)

Acceso Efectivo a la Educación tecnología para estudiantes
Superior (PACE)/ Universidades ofrecer académicamente
Chilenas/ Ofrece acceso directo a la materiales de destacados en la
educación superior a estudiantes autoaprendizaje. enseñanza media
académicamente destacados de la de sectores de
enseñanza media que son de bajos ingresos
sectores potencialmente excluibles.
Concibe acciones previas al acceso
y acompañamiento en el proceso de
acceso y durante toda la ES
mediante tutorías, talleres y
asesorías
216
ESTUDIANTES

ideas
Diseño de materiales didácticos Desarrolla No reconoce el (Uzuriaga-
fundamentados en el aprendizaje estrategias de uso de las TIC. López et
desarrollador para la enseñanza del aprendizaje al., 2013)
curso de Fundamentos en
Matemáticas de la Universidad
Tecnológica de Pereira/ Colombia/
El curso Fundamentos en
Matemáticas tienes los objetivos:
Desarrollar estrategias de
aprendizaje que permita a los
alumnos afrontar con éxito los otros
cursos universitarios.
Complementar y nivelar la
formación con que el estudiante
llega a la universidad.
Prácticas de laboratorio para las Inclusión de las No declara la (Vargas-C

asignaturas de Matemática y TIC, trabajo profesionalización et al.,
Programación en el programa cooperativo y la de las tareas, 2005)
Ingeniería de Sistemas y inclusión de una vinculación de los
Computación/ Universidad nueva forma ejercicios con el
Tecnológica de Pereira/ Colombia/ organizativa perfil profesional
Se desarrollará en forma intensiva
un trabajo basado en ejercicios,
ensayos, e investigaciones sobre los
temas impartidos en las asignaturas
217

ideas
Programa de Acompañamiento Desarrollo de No especifica la (Micin et
Académico desarrollado por la estrategias de utilización de las al., 2015)
Universidad San Sebastián durante aprendizaje TIC, solo se
los años 2012 y 2013 en el marco contextualizadas aplica en una
de la adjudicación de la Beca y vinculadas carrera y a
Nivelación Académica (BNA) estrechamente estudiantes de alto
otorgada por el Ministerio de con la profesión. rendimiento en la
Educación de Chile/ Tiene como Previa enseñanza
objetivo reforzar y/o nivelar capacitación en precedente.
posibles deficiencias conceptuales estrategias de Necesidad de un
de una asignatura con alta aprendizaje para programa de
reprobación y el acompañamiento docentes y nivelación
continuo mediante un modelo de tutores. académica
tutorías de pares y sesiones específico en
individuales de atención Cálculo.
psicoeducativa con profesionales
capacitados
Desarrollo de objetos virtuales de Equipos En el formato (Pascuas

aprendizaje (OVA) como estrategia multidisciplinario propuesto no se Rengifo et
para fomentar la permanencia para el diseño declara el objetivo al., 2015)
estudiantil en la educación superior/ didáctico de los que se persigue
Universidad de la Amazonia/ OVA, el uso de con la actividad
Colombia/ Aporta una herramienta las TIC
informática para la gestión y
presentación de OVA para
contribuir a la permanencia
Retención de alumnos y Diagnóstico y No se incluye la (Dapozo,

culminación de estudios. Análisis y acciones de integración Greiner, &
propuestas para la Licenciatura en hábitos de académica- Godoy,
Sistemas de Información de la estudio. laboral- 2011)
UNNE/ Argentina/ Proyecto Capacitación investigativa
Apoyo: Mecanismos de sobre el sistema
acompañamiento a los alumnos del de gestión
primer año, mediante las tutorías. académica
218
ESTUDIANTES

ideas
Retención de alumnos y Talleres de No incluye el (Dapozo,
culminación de estudios. Análisis y introducción a la trabajo en equipos Greiner, &
propuestas para la Licenciatura en lógica, y aprendizaje Godoy,
Sistemas de Información de la interpretación de cooperado 2011)
UNNE/ Argentina/ Proyecto "La códigos y
Lógica UNNE niveles y permite resolución de
resolver problemas": pretende la problemas
articulación entre el nivel medio y
la Universidad
Teniendo en cuenta el perfil de carreras de Ingeniería Informática, involucrar el uso
de las tecnologías en las estrategias de retención es vital. Al respecto, Ramírez et al. (2016)
referencian cinco propuestas que tienen en común el uso de plataformas para la formación y
el aprendizaje semipresencial para la enseñanza universitaria (en inglés, blended learning o
b-learning) (Hrastinski, 2019; VanDerLinden, 2014), especialmente para el desarrollo de
acciones tutoriales. Asimismo, proponen una estrategia para abordar la problemática de la
deserción estudiantil en los pregrados de las universidades en Colombia, mediante el uso de
las TIC.
Otros autores proponen el uso de OVA y clases de laboratorios para la retención en
Informática (Pascuas Rengifo et al., 2015; Vargas-C et al., 2005). También se ha
experimentado con éxito el uso de Facebook como herramienta tecnológica-pedagógica para
elevar el rendimiento y motivación en el aprendizaje de la Matemática Computacional (Salas-
Rueda, Pozos-Cuéllar, y Calvo-Palmerín, 2018). Se ha propuesto además el diseño de agentes
conversacionales pedagógicos que puedan mantener una interacción más natural con los
estudiantes mediante el uso del lenguaje natural (Tamayo-Moreno y Pérez-Marín, 2020;
Ocaña et al., 2019; Griol, Molina y Callejas, 2017).
219
Resulta interesante un modelo teórico para la preparación de los profesores en el uso
de las tecnologías para la enseñanza. En dicho modelo se plantea que vincular la teoría con
la práctica, contar con modelos a seguir y realizar prácticas de colaboración con profesores
de experiencia en la enseñanza con tecnologías; son factores decisivos para la preparación de
profesores noveles en este tema (Tondeur et al., 2012).
En el entorno cubano, luego de identificar que a pesar de que los profesores tienen la
intención de utilizar los recursos educativos abiertos (REA) no todos los usan en su práctica
pedagógica, se recomienda a las instituciones: “…elaborar estrategias educativas
innovadoras que contemplen la adopción de REA por el profesorado” (Rodríguez, 2019,
p.268).
En el contexto de la UCI, se han realizado algunas propuestas relacionadas con el uso
de las TIC en el proceso de enseñanza aprendizaje de la informática:
• Repositorio de recursos educativos para las instituciones de Educación Superior
(Cañizares, 2012).
• Ambiente de trabajo para la producción de objetos de aprendizaje en la
Educación Superior (Colomé, 2013).
• Modelo didáctico para el uso de comunidades virtuales en el proceso de
enseñanza aprendizaje de la Disciplina Ingeniería y Gestión de Software en la
Universidad de las Ciencias Informáticas (Granda, 2013).
• Apuntes para la enseñanza de la Ingeniería y Gestión de Software, libro
derivado de su tesis doctoral (Ciudad, 2019).
Los dos primeros resultados están relacionados con la producción y utilización de
recursos educativos en la ES. Los dos últimos, específicamente para mejorar la enseñanza de
220
ESTUDIANTES
la disciplina Ingeniería y Gestión de Software en las carreras de Informática. Ninguna de sus
materias se imparte en el primer año, aunque sirven de referencia para nuestra propuesta que
va dirigida al estudiante de primer año.
Relacionado directamente con el primer año de la carrera ICI en la UCI, se estudiaron
los factores que inciden en el compromiso (engagement) de los estudiantes, en el aprendizaje
de las asignaturas de Matemáticas Discretas (MD), y uno de sus resultados relaciona
directamente el uso de tecnologías para aprender MD con el compromiso y rendimiento
académico en las asignaturas (González-Ramírez y García-Hernández, 2020).
En el marco de esta investigación y como profesora de Matemática de la UCI, al
encontrar la evidencia científica que permite afirmar que el rendimiento académico en
Matemática es un factor predictivo de deserción, se propusieron transformaciones en el
proceso de enseñanza aprendizaje de las asignaturas Matemática I y Álgebra Lineal. Se aplicó
una estrategia didáctica mediante la producción y utilización de videos tutoriales donde se
desarrollaron acciones tutoriales a pequeños grupos, que dieron como resultado un mayor
rendimiento académico, compromiso y retención de los estudiantes (Lázaro Alvarez, 2020).
Esta experiencia se ha considerado para posibilitar que la acción tutorial se convierta en uno
de los pilares básicos de la acción formativa para la permanencia de los estudiantes.
En Cuba, el uso de la AT y el papel activo del tutor para estudiantes de primer año se
potencian con mayor énfasis en cursos de educación a distancia y en los denominados cursos
por encuentro. En la modalidad presencial del Curso Regular Diurno, que constituye el
contexto de esta propuesta, el tutor suele jugar un papel activo en los últimos años de la
carrera y, sobre todo, en la etapa de desarrollo de la práctica profesional y tesis de grado. Por
este motivo, la propuesta que se realiza, dirigida al primer año de la carrera ICI en el curso
221
regular diurno, constituye una gran contribución para minimizar el riesgo de deserción
estudiantil.
9.3. Conclusiones del capítulo
Tras analizar las diferentes propuestas para la retención de los estudiantes en las
universidades, primero de forma general y después, específicamente en carreras de
Informática, se identifican las fortalezas y debilidades en cuanto al diseño de las mismas,
dando cumplimiento al Objetivo II.1.
La Tabla 39 muestra el resumen de las fortalezas y debilidades identificadas. Se ha
tenido en cuenta algunos componentes didácticos, tales como: personal actuante en el diseño
y desarrollo de las acciones, contenidos abordados, formas organizativas asumidas, métodos
utilizados y el uso de las tecnologías.
Tabla 39. Resumen de las fortalezas y debilidades identificadas en el diseño y desarrollo de

las acciones propuestas y estudiadas
Componentes Fortalezas Debilidades

Generalmente son equipos No siempre se concibe la
multidisciplinares, formados preparación del profesorado u
por profesores, tutores y orientadores para el desarrollo
orientadores de las acciones
Componentes psicopedagógicos
En pocos se utiliza la ayuda de
personales
pares
Algunos ofrecen el servicio

solo a un sector de los
estudiantes
Habilidades de estudio Insuficiente vinculación de lo
Contenidos académico-laboral-
abordados Cursos básicos de Pre-cálculo investigativo
Nivelación en Matemáticas.
222
ESTUDIANTES
Falta de vinculación del

Comunicación oral y escrita
contenido de las acciones con
Búsqueda y análisis de el perfil profesional
información
Son pocas las acciones de
Competencias lógico- concientización y
matemáticas retroalimentación de los
estudiantes sobre sus
Resolución de problemas dificultades
Orientación vocacional
Apoyo psicopedagógico
Estrategias de aprendizaje
Becas y ayudas económicas

Tutorías académicas Desconocimiento de los tipos
de tutoría y de metodologías
Formas Conferencias, visitas y para el diseño y desarrollo de la
organizativas encuentros con empleadores AT por parte de algunos
asumidas profesores
Seminarios
Talleres
Algunos trabajos indican: La mayoría no indican los
o Trabajo en equipos y métodos necesarios para el
aprendizaje cooperativo desarrollo de las acciones
Métodos utilizados
o Vinculación estudio
trabajo
o Métodos activos
Uso de la plataforma No se concibe la preparación
educativa Moodle del docente, tutor u orientador
en el uso de las tecnologías y
Laboratorios de computación herramientas a utilizar
Uso de las TIC
para los estudiantes
Acceso a Internet
Aulas virtuales
Se puede concluir que existe preocupación por parte de los gobiernos e instituciones
educativas por plantear y poner en marcha acciones para minimizar la deserción para lo que
223
se han propuesto programas, estrategias y/o proyectos con ese fin. Sin embargo, aún son
pocos los estudios para evaluar el impacto de las mismas; son escasas las propuestas
integrales e insuficientes las dirigidas a carreras del perfil Ingeniería Informática.
224
CAPÍTULO 10: DISEÑO DIDÁCTICO Y ESTRATEGIA PARA LA PUESTA EN PRÁCTICA DE ACCIONES
TUTORIALES CON TIC PARA ATENDER LA DESERCIÓN
CAPÍTULO 10: DISEÑO DIDÁCTICO Y
ESTRATEGIA PARA LA PUESTA EN PRÁCTICA
DE ACCIONES TUTORIALES CON TIC PARA
ATENDER LA DESERCIÓN
En el presente capítulo se exponen los elementos estructurales y de contenido a considerar
para el diseño didáctico y la puesta en práctica de las acciones tutoriales para atender factores
predictivos de deserción.
Mediante las acciones tutoriales, se debe garantizar el acompañamiento al estudiante
en las primeras etapas de inserción en la Universidad, proporcionar orientación sobre los
procesos involucrados en la integración a la vida universitaria, desarrollar en éste las
habilidades de estudio, de comunicación y de uso de tecnologías; así como actitudes
autónomas con respecto a la toma de decisiones relacionadas con su proyecto de vida.
A continuación, se conceptualiza una estrategia para la puesta en práctica de dichas
acciones, así como la estructuración y contenidos de la misma dirigidos a contribuir a reducir
la deserción.
Este capítulo da cumplimiento al Objetivo III.1 consistente en determinar los
elementos estructurales y de contenido que deben formar parte del diseño didáctico y la
puesta en práctica de acciones tutoriales con TIC dirigidas a atender factores predictivos de
la deserción en carreras de Ingeniería Informática.
225
10.1. Diseño didáctico de acciones tutoriales
La acción tutorial forma parte del propio desempeño educativo del docente y es
inseparable del proceso de enseñanza aprendizaje. Dicha acción forma parte de esa labor
pedagógica del sujeto que enseña, y está encaminada al acompañamiento y seguimiento de
los estudiantes con la intención de que el proceso educativo se desarrolle en las condiciones
más favorables posible.
Gairín, Feixas, Guillamón, y Quinquer (2004) diferencian los conceptos de acción
tutorial y acción docente; entendiendo la primera como el proceso de orientación y la segunda
como el proceso de enseñanza-aprendizaje. Ambas acciones tienen en común, su desarrollo
conjunto entre profesores y estudiantes favoreciendo la construcción del conocimiento para
llevar a feliz término la carrera universitaria.
La acción tutorial debe ser entendida como una tarea de todo profesor. Hay que
destacar que muchos profesores entienden la tutoría como las horas dedicadas a explicar
dudas a sus estudiantes de la materia impartida. Sin embargo, la tutoría no sólo involucra las
tareas que realiza cada profesor dentro de su asignatura en función del proceso de aprendizaje
de cada uno de sus estudiantes; sino que también constituye un instrumento de ayuda al
estudiante en los planos profesional, motivacional y actitudinal, contribuyendo al desarrollo
personal, social, afectivo, cognitivo y académico de los mismos.
Vélaz-de-Medrano, González-Benito, y López-Martín (2018) definen la acción
tutorial como:
…la actividad orientadora que corresponde al profesorado y que… contribuye a
favorecer una educación integral en los ámbitos personal, académico, social, y
profesional, a planificar un acompañamiento continuo y una enseñanza personalizada
226
a cada alumno y grupo de alumnos, así como a fomentar la interacción adecuada entre
sus miembros. (p.109)
Varias instituciones desarrollan planes de acción tutorial para facilitar el tránsito de
los estudiantes por los estudios universitarios (Álvarez Pérez, 2020; Jiménez coord., 2015;
Pinacho, 2018; Rodríguez, coord., 2012).
Actualmente las tecnologías son cada vez más utilizadas en el ámbito educativo, con
lo que la acción tutorial que involucra el uso de las TIC es una variable que debe tenerse en
cuenta para guiar, apoyar, facilitar y orientar el proceso continuo de inserción del estudiante
en el medio universitario.
Además de las evidencias obtenidas en los estudios valorados en el capítulo anterior
dirigidos a la Ingeniería Informática, otros resultados de aplicación de la acción tutorial y las
TIC para la retención y la evaluación de planes de acción tutorial, reafirman y avalan la
importancia de la acción tutorial con TIC para lograr retención y persistencia en los
estudiantes con riesgo de abandono (Alonso-García et al., 2018; Cabrero et al., 2016a;
Castaño, Blanco, y Asensio, 2012; Conde et al., 2017; González y Achiong, 2015; González
y Justel, 2015; Lilian y Camargo, 2013; Lorenzo-Lledó, Lledó, Lorenzo, y Arráez, 2017;
Martínez, 2016a; O´Reilly, Cabrera, García, y Clavero, 2019; Reyes y Izquierdo, 2012;
Torres, 2013).
También se revisaron los documentos normativos establecidos por el Ministerio de
Educación Superior y por la UCI en relación con la labor del tutor y para el desarrollo de la
acción tutorial. El Reglamento para el trabajo docente y metodológico de la ES en Cuba
define en su Artículo 153 la tutoría como una forma organizativa del trabajo docente:
227
Artículo 153: La tutoría es la forma organizativa del trabajo docente que tiene como
objetivo asesorar y guiar al estudiante durante sus estudios, para contribuir a su
formación integral, que se concreta mediante la atención personalizada y sistemática
a un estudiante o a un grupo muy reducido. Esta atención se realizará con encuentros
planificados en el horario docente y otros adicionales, de acuerdo con las necesidades
de los estudiantes y de los tutores. Deberá lograrse que el tutor sea el mismo desde el
inicio de la carrera hasta que concluya sus estudios.
(…)
En las acciones que realice el tutor para favorecer la formación profesional del
estudiante, debe hacer énfasis en el proceso de gestión de la información y el
conocimiento, así como en el empleo de recursos tecnológicos y otras habilidades
necesarias para el desarrollo de un aprendizaje autónomo. (Ministerio de Educación
Superior, 2018b, p. 691-692)
También se define la consulta como otra forma organizativa del trabajo del profesor,
relacionada con la atención a las necesidades académicas del estudiante en la asignatura que
imparte (Ministerio de Educación Superior, 2018b, p. 691).
Se describen en la Tabla 40, las características propias de la tutoría, la consulta y,
además la orientación, como modelos para la intervención pedagógica que benefician el
proceso de inserción del estudiante en el medio universitario (Pinacho, 2018).
228
Tabla 40. Características de la tutoría, la consulta y la orientación como modelos para la

intervención pedagógica
Tutoría Consulta Orientación
Organización Estructurada: en No suele ser Estructurada y
espacios y estructurada generalmente
tiempos definidos Ocurre a solicitud especializada a
y con determinada del estudiante, o través de estrategias
periodicidad juicio del profesor grupales o de
atención
individualizada
Temática Abarca temas Se da en torno a Específica, mediante
muy diversos temas específicos apoyos profesionales
relacionados con de la especialidad para garantizar una
la vida del alumno del profesor trayectoria exitosa,
una madurez
personal y/o solución
de conflictos
Duración A lo largo de la Se prolonga a lo Es puntual, dirigida
trayectoria del largo del programa al crecimiento
estudiante por la de una asignatura personal del
universidad. estudiante
Centro de Acciones Acciones centradas Acciones de
Atención educativas en los programas orientación centradas
centradas en el de estudio en la persona del
estudiante estudiante
Características Supone No requiere A veces supone
del entorno confidencialidad o confidencialidad confidencialidad.
pequeño grupo Puede también ser
desarrollada de
manera grupal.
229
Tutoría Consulta Orientación

Lugar En espacios Se desarrolla en el Espacios con
reducidos, área de trabajo del condiciones
privados, como asesor o en un aula específicas
gabinetes o o laboratorio según
pequeños la cantidad de
cubículos personas y
objetivos
Actores Profesor tutor Profesor de Psicólogo,
Estudiante tutor asignatura Pedagogo, Instructor
o alumno educativo,
ayudante Personal de salud
entre otros
Periodicidad Al menos una Al menos una Cuantas veces sea
mensual quincenal necesario
En nuestro trabajo consideramos que la Acción Tutorial (en este caso para el primer
año de la carrera), debe ser entendida de una forma más amplia como: la acción orientadora
que corresponde al profesor tutor para guiar, apoyar, facilitar y orientar el proceso continuo
de inserción del estudiante tutorizado en el medio universitario, con el objetivo de favorecer
el desarrollo de los modos de actuación personal, académico, social y profesional; para lo
que necesita conocer su caracterización y mantener una correcta comunicación e
interacción con los estudiantes, el grupo, el colectivo pedagógico y personal de apoyo
educativo.
El fortalecimiento de la atención personalizada de los estudiantes en la etapa inicial
de inserción en la vida universitaria es una importante vía para lograr un proceso de transición
exitoso, que contribuya a evitar la deserción por causas que pueden ser atendidas.
En este contexto, una relevante significación le corresponde a la figura del tutor, no
asociada a la asistencia científico-metodológica en determinado campo del conocimiento
230
para la tesis de fin de grado (ejercicio de culminación de estudios en Cuba) de los estudiantes,
sino con una concepción y práctica pedagógica renovadora, en la que se potencia su trabajo
de formación, el sistema de relaciones e intercambio permanente y la atención educativa
individualizada en función de las necesidades y posibilidades de cada estudiante.
En Cuba, la definición del profesor tutor se inserta en el Colectivo de Año. Dicho
colectivo está formado por todos los profesores que imparten docencia en el año académico,
los profesores guías, tutores y una representación de la organización estudiantil, dirigidos
metodológicamente por un Profesor Principal de Año Académico (PPAA). El Colectivo de
Año tiene la responsabilidad de darle cumplimiento a la Estrategia Educativa y plan de
trabajo metodológico del año.
El Reglamento de Trabajo Docente y Metodológico de la Educación Superior estipula
que:
Para que el trabajo del tutor resulte efectivo, además de ostentar una adecuada
formación científica y profesional, debe poseer una preparación psicopedagógica que
le permita identificar las necesidades académicas y educativas de los estudiantes que
atiende y realizar las acciones personalizadas que correspondan. (Ministerio de
Educación Superior, 2018b, p. 665)
Es pertinente por tanto que el tutor adquiera habilidades que le permitan el desarrollo
con éxito de la acción tutorial, como la empatía y la apertura para escuchar los problemas de
sus tutorados, la presentación clara de las ideas y el conocimiento del funcionamiento
institucional, sus reglamentos y normas, entre otras. Consideramos que se torna
imprescindible agregar a lo ya expuesto como funciones del tutor de primer año, las
siguientes:
231
• Contribuir a la integración del estudiante al grupo y a la institución.
• Asesorar a los estudiantes en el desarrollo de habilidades básicas de estudio, de
investigación y del empleo de recursos tecnológicos.
• Favorecer la orientación vocacional y formación profesional de los estudiantes.
• Coordinar la orientación especializada para la solución de problemas
psicológicos, físicos, personales o de otra índole.
• Favorecer la participación activa de los estudiantes en actividades
extracurriculares que contribuyan a su formación integral.
• Tutorar la preparación y participación de los estudiantes en eventos científico-
estudiantiles.
En el análisis documental realizado se pudo constatar que la mayoría de los trabajos
consultados que abordan la tutoría en Cuba están relacionados con carreras de Enfermería
(Gónzalez et al., 2016; Puerto, Izquierdo, Lamanier, y Vargas, 2018) o de Pedagogía (Alfaro,
Hernández, y Ruiz, 2017; González y Achiong, 2015; Torres, Patterson, y Pérez, 2016). En
todos ellos se hace énfasis en la preparación del tutor para el desarrollo con éxito de las
acciones tutoriales en los contextos específicos de dichas carreras.
Teniendo en cuenta estos elementos, a continuación, se proponen los elementos de
estructura y contenidos a considerar para el diseño didáctico de acciones tutoriales dirigidas
a atender factores predictivos de deserción en el primer año en carreras de perfil Ingeniería
Informática en Cuba. Posteriormente se propone una estrategia de retención de estudiantes
de primer año mediante la acción tutorial que contiene indicaciones metodológicas.
232
10.1.1. Elementos estructurales para el diseño didáctico de la acción tutorial
Dentro de los elementos estructurales para el desarrollo de la acción tutorial se
consideran: los componentes personales; el organigrama para el desarrollo de la misma; los
tipos de acción tutorial que se asumen; los recursos necesarios donde se incluyen las
herramientas tecnológicas y los procedimientos para proyectar la acción tutorial dirigida a
los factores predictivos de deserción.
La definición de acción tutorial que se propone recoge, en sí misma, los componentes
personales de este proceso de formación del profesional: el profesor en su rol de tutor y el
estudiante, el grupo de estudios formal al que pertenece el estudiante, el colectivo pedagógico
que le imparte docencia y el personal de apoyo educativo en los diferentes ámbitos
institucionales.
El organigrama que se propone para el desarrollo de la acción tutorial en la UCI,
representado en la Figura 34, contiene los ámbitos y niveles organizativos del proceso
docente educativo; así como, las funciones generales. Los ámbitos propuestos para el
desarrollo del Plan de Acción Tutorial para la Retención Estudiantil (PATRE) van desde el
institucional, hasta el estudiante y pequeños subgrupos que son atendidos por un tutor.
233
Figura 34. Organigrama para el desarrollo de la acción tutorial en la UCI
En la propuesta que se realiza se resalta para el ámbito institucional, el papel de un
grupo al que se denomina Grupo Asesor para la Retención Estudiantil (GARE). Éste debe
jugar el papel de equipo multidisciplinario que puede estar integrado por: un miembro del
Colectivo de Carrera, un PPAA de experiencia, un profesor guía y un tutor de experiencia,
un representante de la residencia estudiantil, un representante del Departamento de Bienestar
Universitario, un profesor del Centro de Innovación y Calidad de la Educación, un
especialista de Biblioteca, un especialista del Sistema de Gestión Universitaria y un miembro
del Consejo de la Federación Estudiantil Universitaria (FEU). Este grupo tiene la función de
garantizar los servicios de información, formación, asesoría, orientación, evaluación y
soporte del plan de acciones.
Existen varias formas de clasificar las tutorías, algunas de ellas son:

234
• Instrumentales, interpersonales y sistémicas (Pinacho, 2018)
• Personal, académica, vocacional, cultural, de salud corporal y mental, social y
de convivencia (Dirección de tutoría y orientación educativa. Ministerio de
Educación, 2007)
• Académico, de desarrollo personal y de desarrollo profesional (Álvarez, Marín,
y Torres, 2012)
• Tutorías de centro, de titulación, de ciclo y de cursos completos (Herrera y
Enrique, 2008)
• Personal, académica, vocacional y profesional (Gallego-Arrufat, 2007)
Los tipos de acción tutorial que se proponen están relacionados con los factores
predictivos de deserción identificados en el modelo teórico propuesto, catalogados como:
académicos, psicológicos, sociológicos, organizacionales y económicos.
En cuanto a la clasificación de la acción tutorial, coincidimos con el criterio del
modelo tutorial mixto para esta propuesta, que se organiza con el apoyo de los servicios de
orientación y atención a los estudiantes en la Universidad (Rodríguez Espinar (coord.), 2012).
Teniendo en cuenta lo anteriormente explicado, se decidió clasificar las acciones
tutoriales en: académica, personal y profesional.
• Académica: es la que se relaciona con los contenidos de las asignaturas
curriculares que recibe en el año, con el desarrollo de métodos, habilidades y
hábitos de estudio, la utilización de las tecnologías para el aprendizaje, se incluyen
además la utilización de software específicos para las asignaturas de primer año
• Personal: tiene como finalidad proporcionar al estudiante todas las ayudas y
orientaciones especializadas para la gestión de necesidades personales, la solución
235
de problemas y conflictos que se puedan presentar, el desarrollo habilidades
comunicativas y de trabajo en equipos
• Profesional: asesorar, orientar y propiciar el desarrollo de los modos de actuación
profesional al nivel de un estudiante de primer año, como son: realizar búsquedas
en Internet, integrarse al trabajo en equipos, identificación de procesos
organizativos a informatizar, propuestas para la informatización de los procesos,
desarrollar programas básicos de computación con lenguajes específicos,
identificar y utilizar tecnologías libres y de acceso abierto, mediante la realización
y participación en proyectos sencillos vinculados a la profesión
La tutoría también se puede clasificar según la figura del tutor. La puede asumir un
profesor-tutor o un estudiante con determinadas características, a esta se llama tutoría de
iguales o de pares (en inglés, peer tutoring), en el contexto cubano, alumno ayudante.
También es considerada un acompañamiento de pares o un método de enseñanza y trae
beneficios tanto para el ayudante como para el tutorado (Cabrera-Murcia, 2017; Cabrera-
Murcia, 2017).
Los recursos necesarios para echar a andar el andamiaje de la acción tutorial
mediante esta propuesta están disponibles en la institución y no requieren de una inversión
adicional. Los dividimos en recursos humanos y materiales.
En cuanto a los recursos humanos, se han mencionado dentro de los componentes
personales: el profesor en su rol de tutor, el colectivo pedagógico que le imparte docencia y
el personal de apoyo educativo en los diferentes ámbitos institucionales como, por ejemplo:
la Residencia Estudiantil, el Departamento de Bienestar Universitario, Biblioteca
Universitaria, Centro Cultural, Dirección de Deportes y otros servicios de apoyo a la
236
docencia. Todos tienen establecidas dentro de sus funciones, de una manera u otra, contribuir
a la formación integral de los estudiantes. Solo falta capacitarlos en las acciones que pueden
desarrollar para contribuir a la permanencia de los estudiantes de nuevo ingreso en el entorno
universitario, y hacerlos conscientes que, con su decidido aporte, también se garantiza la
retención.
El personal de apoyo educativo es importante considerarlo teniendo en cuenta que,
aunque no con una alta frecuencia, entre las causas de deserción que emergieron de las
entrevistas se encuentran: beca, alimentación y problemas de salud. Igualmente, estudios
consultados se han identificado factores relacionados con la satisfacción de los estudiantes
(Ullah et al., 2019; Van den Broeck et al., 2017).
Los recursos materiales necesarios para esta labor están a disposición de todos los
profesores, estudiantes y personal de apoyo, solo falta identificarlos e integrarlos con este
objetivo.
• Locales para el desarrollo de las acciones tutoriales: existen locales con
espacios reducidos, privados, como gabinetes o pequeños cubículos, estos deben
identificarse en cada edificio docente y deben ser reservados por los tutores con
antelación a la tutoría. La institución cuenta con aulas, laboratorios,
departamentos docentes donde se puede realizar la consulta. También consta con
locales especializados para la atención personalizada de instructoras educativas,
psicólogas y personal médico
• Tecnologías: El campus tiene en los edificios docentes y de servicios de apoyo
equipados con computadoras con acceso a la red institucional y a Internet. En la
web institucional se puede apreciar una vista panorámica del campus universitario
237
(Universidad de las Ciencias Informáticas, s.f.-a). La gestión de todos los
procesos institucionales está soportada en un sistema informático de gestión
académica (AKADEMOS), desarrollado por egresados de la propia institución,
un Entorno Virtual de Enseñanza Aprendizaje (EVEA), repositorio de objetos de
aprendizaje y aulas virtuales para la formación. Todos los trabajadores y
estudiantes tienen cuentas de correo institucional.
No obstante, faltan algunos recursos tecnológicos que se pueden obtener, mediante
las acciones propuestas en la Sección 10.1.2 para la puesta en práctica de las acciones
tutoriales. Lo que se necesita es integrar todas las tecnologías disponibles en función del
desarrollo de la acción tutorial atendiendo a factores predictivos de deserción, teniendo en
cuenta la importancia de considerar a los estudiantes parte del ecosistema tecnológico
desplegado (de Pablos et al., 2019).
En tal sentido, como una aplicabilidad de esta tesis a las Ciencias Técnicas, se
pretende integrar al sistema de gestión universitaria un módulo que permita identificar los
estudiantes en riesgo de deserción. Este sistema contiene toda la información de las variables
analizadas en la Fase I de esta investigación y otras que no se tuvieron en cuenta para esta
tesis. Dicho módulo constituye los resultados de una tesis de maestría que ya se encuentra en
desarrollo por un ingeniero informático graduado de la propia institución. Asimismo, es
necesario nutrir el EVEA, el repositorio de objetos de aprendizaje y el aula virtual, de
contenidos relacionados con las acciones tutoriales que puedan ser utilizados por los actores
de este proceso.
238
10.1.2. Elementos de contenido para el diseño didáctico de la acción tutorial
Los elementos de contenido para el diseño didáctico de las acciones tutoriales que el
tutor debe considerar se corresponden con los siguientes componentes: el problema
educativo, el objetivo de enseñanza, los contenidos de enseñanza, los medios y métodos de
enseñanza aprendizaje y las formas organizativas necesarios para el mejor desarrollo de la
misma.
Los problemas educativos que se pueden presentar en este contexto se corresponden
con problemas generales que el estudiante deberá resolver en la práctica de aprendizaje y se
relacionan con el perfil profesional, y aquellos a los que se enfrenta el estudiante de nuevo
ingreso en el proceso de inserción en el entorno universitario.
Estos problemas no están alejados de los factores predictivos de deserción
identificados en la primera fase de esta investigación. Por ejemplo, el RAMP fue el factor
más predictivo; muy relacionado con las posibilidades de solucionar los problemas
profesionales que se presente a los estudiantes de primer año en el proceso de aprendizaje.
Los objetivos están estrechamente relacionados con el contenido, que a su vez
incluye los conocimientos, habilidades y valores que debe poseer el profesional que se está
formando. Se pueden clasificar:
• Objetivos del saber: la adquisición de conocimientos que se concreta en el
sistema de conceptos, principios, leyes, teorías, sus relaciones y características
que se definen en los programas de las diferentes asignaturas.
• Objetivos del saber hacer: el desarrollo de habilidades profesionales, específicas
y generales definidas en el Plan de Estudios de la carrera; se incluyen aquellas
que garantizan un desempeño exitoso en el proceso de aprendizaje e integración
239
efectiva en el entorno universitario, tales como: habilidades de estudio y
comunicativas.
• Objetivos del querer hacer (objetivos de la educación integral): la formación
de valores e integral del estudiante universitario, entre las que se destacan la
responsabilidad, creatividad, solidaridad, patriotismo y consagración al trabajo.
Debe lograrse desde el primer año que los estudiantes aprendan a buscar la
información necesaria de manera independiente y que se preparen para su uso adecuado. Los
estudiantes deben conocer cómo utilizarán el contenido que deben aprender y en qué aspectos
prácticos del desempeño profesional tendrán que utilizarlo.
Se consideran tres ideas rectoras para el diseño didáctico de las acciones tutoriales:
1. La determinación y tratamiento del contenido con un enfoque profesional.
2. El trabajo con las TIC.
3. La planificación de actividades que potencien el estudio independiente, el
trabajo en equipo, la cooperación y la investigación de los estudiantes en el
proceso de enseñanza aprendizaje.
En cuanto a los contenidos asignados a la Tutoría, se pueden clasificar en:
• Contenidos Funcionales: sobre el funcionamiento, organización y dinámica
académica del centro y del grupo de estudiantes.
• Contenidos Informativos: la información al alumno de tipo académico,
profesional, reglamentario, institucional y otros.
• Contenidos Metodológicos: aquellos aspectos que facilitan y garantizan el
desarrollo de habilidades de estudio y el aprendizaje de conceptos,
procedimientos y habilidades específicas y profesionales.
240
• Contenidos Formativos u Orientadores: de tipo psicosocial, que propicien el
desarrollo de la personalidad del estudiante.
Todas las actividades que realice el tutor con los estudiantes tutorizados deben
fomentar el pensamiento reflexivo y una actitud responsable y autónoma ante sus decisiones.
Debe considerarse además que la integración académica y social del estudiante al entorno
universitario determina la permanencia en la Universidad (Canedo et al., 2018; Kori et al,
2018; Tinto, 1975). Por lo que dentro de estos contenidos se incluyen aquellos que facilitan
dicha integración.
Recordemos que en el estudio de campo cualitativo se describieron categorías
emergentes por los propios entrevistados, tales como el régimen de estudios y la adaptación
a la vida universitaria. Se listan a continuación algunos temas necesarios en las tutorías con
los estudiantes de nuevo ingreso, relacionados con aspectos que contribuyan a su integración
al entorno universitario.
• Desarrollo de habilidades de estudio.
ü Organizar y planificar el tiempo de estudio.
ü Determinar lo esencial en un contenido.
ü Hacer mapas conceptuales.
ü Leer con rapidez y profundidad.
ü Comunicarse con eficiencia.
ü Autoevaluar el desempeño como estudiante.
• Gestión de la información y el conocimiento.
• Uso de las TIC para el aprendizaje.
241
ü Uso de herramientas ofimáticas (procesadores de texto, de imágenes, de
hoja de cálculo…).
ü Uso de software educativo.
ü Búsquedas en la intranet.
ü Búsquedas en Internet.
ü Medios de comunicación virtual.
• Aprender a convivir.
• Concepción de un proyecto profesional.
• La vida universitaria y planes de estudios.
• Normativas que cumplir en la institución y reglamentos disciplinarios.
• Desarrollo de habilidades personales como la autoestima y la resiliencia.
• Estrategias de resolución de conflictos.
• La toma de decisiones.
Por otra parte, debe considerarse la preparación permanente de los tutores para el
desarrollo de las acciones tutoriales es fundamental, siempre teniendo en cuenta sus
necesidades. Los temas para la preparación permanente de los tutores se relacionan con los
temas a abordar con los estudiantes y las habilidades básicas de los tutores, tales como:
• Las funciones del tutor y la organización de un plan de acción tutorial.
• Didáctica para el diseño y desarrollo de la acción tutorial.
• Normativas en resoluciones, reglamentos y plan de estudios.
• Proceso de diagnóstico y caracterización de los estudiantes.
• Las TIC en el proceso de enseñanza aprendizaje.
ü Herramientas de comunicación.
242
ü Uso de redes sociales.
ü Herramientas colaborativas.
ü Búsqueda y publicación de información.
ü Herramientas ofimáticas
ü Actividades interactivas.
• Resolución de conflictos y convivencia.
• Intercambio con las familias.
• Metodologías activas.
ü Aprendizaje cooperativo.
ü Trabajo en equipos.
• Habilidades sociales comunicativas.
• La planificación y conducción de una sesión grupal.
En relación con los medios de enseñanza aprendizaje para el desarrollo de la acción
tutorial, además de los tradicionales en formato duro como el libro de texto, láminas,
maquetas, pizarrones, entre otros; se tienen en cuenta, obligatoriamente, las TIC. En este
contexto, se otorga gran importancia a las TIC por la relación que tiene con el medio de
trabajo fundamental del profesional de la Informática y la necesidad de que el estudiante de
primer año interactúe con las tecnologías de diferentes maneras, para que las utilice en su
proceso de aprendizaje y gestión.
Es preciso recordar, que esta propuesta se hace para la carrera ICI impartida en la
modalidad presencial, por lo que las TIC se utilizan como medio de enseñanza aprendizaje;
como medio de comunicación entre el tutor y los estudiantes y entre los propios estudiantes;
como repositorio de objetos de aprendizaje, recursos educativos digitales y herramientas de
243
comunicación; y también, como una forma de combinar la enseñanza presencial con la
soportada por las redes o blended learning.
Es muy efectivo poner al estudiante en un entorno de trabajo que coincida o simule
el entorno profesional del informático (Kori et al, 2015). El no poseer habilidades en el uso
de las tecnologías en carreras de Informática constituye también un factor predictivo de
deserción (Xenos et al., 202; Zehetmeier et al., 2015). Asimismo, entre las causas emergentes
en nuestro estudio cualitativo, aunque no con una alta frecuencia, se planteó el poco uso de
la tecnología. De ahí la importancia para este estudio, de incluir las TIC en los elementos a
considerar con gran énfasis en esta propuesta.
Los recursos educativos digitales, o sea, materiales digitales con una intencionalidad
educativa, se utilizan con uno o varios objetivos: transmitir información sobre un tema,
apoyar la asimilación de contenidos, sistematizar una materia, reforzar el aprendizaje,
transformar una situación desfavorable, favorecer el desarrollo de una determinada habilidad,
evaluar conocimientos, entre otras (Marín-Suelves, et al., 2019). Entre los recursos
educativos digitales más utilizados se tienen: las imágenes, textos, tutoriales, videos, audios,
mapas conceptuales, mapas mentales, laboratorios virtuales, simulaciones, sitios web y otros.
Los docentes deben mantener una comunicación didáctica con sus estudiantes, tanto
en entornos presenciales como virtuales (Gallego-Arrufat, 2008; Gutiérrez-Santiuste y
Gallego-Arrufat, 2017). Teniendo en cuenta las posibilidades tecnológicas de la institución,
se pueden considerar las herramientas de comunicación para desarrollar la acción tutorial de
forma virtual y se describen las principales en la Tabla 41; pueden ser síncronas (instantáneas,
como en una llamada telefónica) o asíncronas (que no coinciden en el tiempo).
244
Tabla 41. Herramientas para la comunicación síncrona y asíncrona

Síncronas Asíncronas
Chat: conversación escrita en tiempo real, Correo electrónico: funciona como el
servicio de mensajería instantánea y correo tradicional mediante el uso de
requiere del uso de Internet mediante Internet. Tanto estudiantes como
Hangouts, WhatsApp y Telegram, entre profesores tienen cuenta de correo
otros. institucional.
Videoconferencia: comunicación a Foro: Interacción entre un grupo de
distancia y en tiempo real donde los personas mediante el debate u opiniones en
participantes pueden verse, hablar y torno a un tema común. Generalmente
escuchar. moderado por un experto y con el objetivo
de esclarecer o ampliar conceptos.
Pizarra compartida: es un espacio de Blogs: son sitios web para publicar
trabajo compartido donde varias personas información personal, educativa,
pueden escribir, dibujar, graficar. corporativa o periodística. Los contenidos
se organizan cronológicamente.
Wiki: sitio web para la creación de
contenidos de forma colaborativa. Desde la
didáctica una sencilla y potente
herramienta para el aprendizaje
colaborativo.
También se pueden utilizar herramientas para el aprendizaje colaborativo como las
WebQuest, Exelearning y Kahoot!, entre otras (Herrero, s.f.; Quintana e Higueras, 2009).
• Las WebQuest se definen como actividades de investigación, mediante la
búsqueda en Internet de la información y recursos que los estudiantes van a
utilizar para resolver el problema de aprendizaje. Constituyen una forma amena
y colaborativa de aprender a hacer búsquedas en Internet.
• Exelerning es un editor de recursos educativos interactivos de una manera
sencilla; es gratuito, multiplataforma y de código abierto.
• Kahoot! es una herramienta web que permite crear presentaciones y juegos
interactivos en los que pueden participar dos personas o más a través de
dispositivos electrónicos. Permite realizar cuestionarios o discusiones sobre
245
temas específicos de forma competitiva con la combinación de textos, imágenes
y sonidos.
Existen también, otras herramientas que el tutor puede emplear para el diseño o
reutilización de recursos educativos digitales, tales como: Procesadores de texto (Microsoft
Word, OpenOffice Writer), hoja de cálculo (Microsoft Excel, OpenOffice Calc);
presentaciones de diapositivas como Microsoft Power Point y Prezi; también, editores de
imagen y sonido como Paint, Camtasia Studio, Gimp, VLC, mundos virtuales (Griol et al.,
2012), desarrollo de aplicaciones para dispositivos móviles (Griol, Molina, y Callejas, 2017),
realidad aumentada (Griol y Callejas, 2017), tecnologías asistivas (Torrado, Gómez y
Montoro, 2020), desarrollo de cursos MOOC (Montoro et al., 2017) y muchas otras de
tecnología libre, disponibles en Internet como los denominados Recursos Educativos en
Abierto (Open Educational Resources).
De los componentes de la didáctica, solo falta precisar los métodos de enseñanza
aconsejables para el desarrollo de la acción tutorial que contribuyan a la retención de los
estudiantes en las carreras de Informática. Los métodos de aprendizaje activo y colaborativos,
así como modelos de aprendizaje abierto y autorregulado han sido probados con éxito
(Canedo, et al., 2018; Kori y Pedaste, 2019 y Paimin, et al., 2017).
Vigotsky considera el desarrollo integral de la personalidad de los estudiantes como
producto de su actividad, socialización y comunicación en el proceso de enseñanza
aprendizaje (Vigotsky, 1987). En tal sentido, se estima que la influencia del grupo es uno de
los factores más importantes en el desarrollo individual, ya sea para la integración académica
o social en la Universidad.
246
Por tanto, se recomiendan los métodos de aprendizaje basado en problemas,
aprendizaje basado en proyectos y el aprendizaje cooperativo; todos ellos organizados en
equipos y que contribuyen a integrar los componentes cognitivos, laboral e investigativos, o
sea, que el estudiante adquiera nuevos conocimientos mediante la investigación y el
desarrollo de modos de actuación del futuro profesional de la Informática.
También se recomienda en las sesiones de orientación y tutoría, hacer énfasis en la
retroalimentación del estudiante, como forma de evaluación para reforzar la comprensión
de los temas que se abordan.
Al profundizar en diferentes formas de propiciar el aprendizaje autorregulado
mediante el uso de las TIC, se pueden mencionar los siguientes modelos a considerar:
• Proporcionar retroalimentación mediante sistemas de preguntas y respuestas.
• Exploración de ejemplos resueltos.
• Autorreflexión del estudiante sobre su aprendizaje.
• Autoevaluación, coevaluación y heteroevaluación mediante diarios de
aprendizaje y rúbricas, entre otros.
• Interacción de tácticas cognitivas.
Como ejemplo de integración de estos componentes, se han desarrollado acciones
tutoriales creadas por esta autora para el desarrollo de habilidades de estudio. Se ha utilizado
Exelerning como herramienta para crear las actividades planteadas y se integra al EVEA
cuando se desarrolla con los estudiantes para la interacción; se han reutilizado recursos
educativos abiertos en el diseño de las acciones, así como imágenes y videos tutoriales.
247
Teniendo en cuenta todos los componentes expuestos en esta sección, se propone en
la Tabla 42 una guía dirigida al tutor, profesor u orientador para el diseño didáctico de las
acciones tutoriales.
Tabla 42. Guía para el diseño didáctico de acciones tutoriales

Elementos Descripción de los elementos del diseño de acciones tutoriales
Título Describe en una frase el sentido de la actividad.
Descripción Presenta una introducción a la actividad y lo que se espera

realizar en ella; el problema a resolver, su sentido en el contexto
del factor predictivo a atender.
• Objetivo Describe el propósito específico de la actividad, pudiéndose

señalar además de lo conceptual, el carácter actitudinal o
procedimental del contenido.
• Temporalización Indica el tiempo estimado para su desarrollo.
Recursos educativos Especifica todos los recursos educativos tanto digitales como en
formato duro que serán utilizados.
Herramientas Especifica todas las herramientas que se propongan, tanto para el

desarrollo de la actividad como para la comunicación.
Métodos para Declara el/los método/s de enseñanza a utilizar en la actividad.

utilizar
Actividades Es el conjunto de actividades que deben realizar el/los
participantes, las cuales son obligatorias para el logro de los
objetivos propuestos. Tipos de actividades individual y grupal.
Desde ellas se vincula al uso de recursos didácticos.
Orientaciones Se debe especificar cuáles son las acciones y las vías que se
utilizarán para la tutoría, el seguimiento, así como las vías de
comunicación entre los sujetos presencial o virtual, síncrona o
asíncrona.
Evaluación Forma en que se evaluarán las actividades, si es el caso de un

producto se especifica el mismo y los criterios de evaluación.
248
Se pretende, con estos elementos conceptuales para el diseño didáctico de la acción
tutorial, que ésta se convierta en uno de pilares básicos de la acción formativa para la
permanencia de los estudiantes de primer año en la carrera ICI.
10.2 Planeación estratégica para la puesta en práctica de las acciones tutoriales
En el curso 2007-2008 el Ministerio de Educación Superior cubano implementó una
Estrategia de retención de los estudiantes universitarios que incluyó la realización de cursos
introductorios y brindarle un mayor protagonismo a la figura del tutor en los primeros años
de la carrera. Al no obtener los resultados esperados, se reconoce la necesidad de continuar
estudiando la problemática con investigaciones rigurosas y perfeccionar el rol del tutor como
una actividad compleja que requiere de competencias académicas, didácticas y organizativas,
por lo que constituye uno de los retos de la ES cubana (Brito y Quijada, 2012).
En el caso de la investigación que se presenta, la propuesta para la puesta en práctica
de la acción tutorial se concreta en una estrategia que garantice las condiciones y la
preparación del tutor para el diseño didáctico y desarrollo de estas acciones que contribuyan
a la retención de los estudiantes.
La estrategia que se propone se diseñó teniendo en cuenta las recomendaciones
organizativas de una estrategia como aporte de la investigación educativa: “Presupone por
tanto partir de un diagnóstico en el que se evidencia un problema y la proyección y ejecución
de sistemas de acciones intermedias, progresivas y coherentes que permiten alcanzar de
forma paulatina los objetivos propuestos” (de Armas, Lorences, y Perdomo, 2012, p.10).
En sentido general y concebidas con carácter holístico, las estrategias: (i) se diseñan
para resolver problemas de la práctica y vencer dificultades con optimización de tiempo y
249
recursos, (ii) permiten proyectar un cambio cualitativo en el sistema a partir de eliminar las
contradicciones entre el estado actual y el deseado, (iii) implican un proceso de planificación
en el que se produce el establecimiento de secuencias de acciones orientadas hacia el fin a
alcanzar, (iv) interrelacionan dialécticamente en un plan global los objetivos o fines que se
persiguen y la metodología para alcanzarlos (de Armas et al., 2004).
La estrategia para la puesta en práctica de las acciones tutoriales presentada se define
como un conjunto de acciones estratégicas, ordenadas convenientemente a corto, mediano y
largo plazo, que propicia la preparación de los profesores y personal de apoyo educativo en
el diseño didáctico y desarrollo de acciones tutoriales con TIC para atender factores
predictivos de deserción estudiantil en la carrera Ingeniería en Ciencias Informáticas.
A. Diagnóstico
El proceso de formación de profesionales en la UCI se desarrolla en un diseño
curricular por objetivos definido en dos ciclos de estudio, denominados: básico y profesional.
La acción tutorial en esta universidad cubana en el ciclo profesional se desarrolla con éxito
y cuenta con todo el soporte metodológico; por lo que se considera necesario en este caso,
centrar la propuesta para el primer año del ciclo básico, donde se produce la deserción
estudiantil en mayor medida.
En la Universidad se desarrollan un grupo de acciones encaminadas a acompañar este
proceso de inserción en la llamada semana de familiarización, donde los estudiantes de nuevo
ingreso participan en un corto tiempo en un cúmulo de actividades dirigidas a conocer los
servicios que ofrece la institución, nociones del plan de estudios de la carrera que ha
matriculado, los reglamentos disciplinarios establecidos, entre otras informaciones. Los
estudiantes intercambian en su primera semana con nuevas personas, entre las que se
250
encuentran: estudiantes, profesores, directivos, personal de secretaría, instructoras
educativas, personal de servicios, entre otros.
En la UCI, 1,682 estudiantes han causado baja de la carrera ICI desde el año 2013, de
ellos, 1,117 (66,4%) en primer año, 427 en segundo, por lo que el 92% causó baja en primer
o segundo año. Se conoce la opción en que solicitaron la carrera de 1,579 estudiantes, 859
(54%) solicitaron a partir de la tercera opción.
La observación sistemática de la práctica pedagógica en la atención al primer año en
la carrera de ICI en la UCI; el intercambio con profesores guías y profesores principales del
año académico por cinco cursos consecutivos; el análisis y estudio de informes semestrales
y estrategias educativas; así como, la experiencia como profesora de primer año, en el
referido campus universitario por más de diez años y decana por tres años, han permitido
identificar regularidades en el proceso de instrucción y educación, relacionadas con el
desarrollo de la acción tutorial para la atención a factores predictivos de deserción estudiantil
en el primer año de estudios:
ü No siempre se identifican los factores predictivos de deserción estudiantil por
parte de los actores del proceso de formación, por lo que no se realizan acciones
conscientemente dirigidas a atender estos factores.
ü Es insuficiente la preparación teórico-metodológica de los profesores en relación
con el diseño didáctico y el desarrollo de la acción tutorial para atender factores
predictivos de deserción estudiantil en el primer año de estudios, a pesar de que
existe disposición de los actores del proceso de formación.
ü No existe una estrategia metodológica para la coordinación y el desarrollo
efectivo de la acción tutorial en el primer año.
251
ü Existe la necesidad de definir las modalidades de tutoría, sus objetivos, acciones
a realizar y la caracterización del tutor en el ciclo básico de la formación
profesional.
ü Desde el colectivo de año académico no se aprovechan todas las posibilidades y
potencialidades de que dispone la institución, para el desarrollo de acciones
tutoriales de forma integrada en estudiantes con riesgo de deserción.
ü Insuficiente coordinación entre el colectivo pedagógico, el personal de apoyo y
orientadoras psicoeducativas e instructoras educativas para el desarrollo de la
acción tutorial.
Estas regularidades permiten determinar la existencia de una contradicción que se
manifiesta entre la necesidad de atender los factores que inciden en la deserción de los
estudiantes y las carencias para diseñar acciones encaminadas a elevar su permanencia. En
tal sentido, se ha de trabajar en un grupo de mejoras:
ü Reconocer la figura del tutor para el primer año y que sus tareas como tal, consten
en su plan de trabajo individual.
ü Desarrollar un plan de acciones estratégicas que propicie la preparación de los
profesores, tutores y demás actores del proceso educativo para contribuir a la
retención de estudiantes mediante la acción tutorial, que neutralice la falta de
cultura tutorial en primer año.
ü Implicar a la residencia estudiantil, departamento de bienestar universitario y el
resto del personal de apoyo, para la formación profesional en las acciones de
inserción del estudiante de primer año en el entorno universitario.
252
Se desarrolló un grupo de discusión virtual con 15 profesores tutores experimentados
con el objetivo de identificar la matriz de Debilidades, Amenazas, Fortalezas y
Oportunidades (DAFO) que se presentan en la UCI, durante el proceso de diseño y desarrollo
de la Acción Tutorial para atender factores predictivos de deserción estudiantil en el primer
año.
La caracterización de los tutores participantes, por años de experiencia como
profesor, formación inicial, categoría docente y científica, se presenta en la Tabla 43 y se
corresponde con las características del claustro.
Tabla 43. Caracterización de la muestra de tutores por años de experiencia, formación

inicial, categoría docente y científica
Características Número de
profesores
Años de experiencia Menos de 5 5
Entre 5 y 15 5
Más de 15 5
Formación inicial Formación Pedagógica 6
Ingeniería Informática 9
Categoría docente Instructor 4
Asistente 5
Titular o Auxiliar 6
Categoría científica Máster 5
Doctor 4
Para la participación de los profesores se les envió un documento (Anexo 4) que
contiene el concepto que se asume de acción tutorial; el modelo teórico propuesto en el
Capítulo 4 sobre los factores predictivos de deserción en carreras de perfil Ingeniería
Informática y; los aspectos a medir para la elaboración de la matriz DAFO. La Tabla 44
resume los elementos más frecuentes planteados por los participantes.
Tabla 44. Matriz DAFO sobre el proceso de diseño y desarrollo de la acción tutorial para
atender factores predictivos de deserción estudiantil en el primer año en la UCI. Entre
253
paréntesis, el porcentaje de presencia del elemento planteado
Puntos fuertes (%) Puntos débiles (%)
Fortalezas: Condición existente en el Debilidades: Condición existente

proceso de diseño y desarrollo de la en el proceso de diseño y
acción tutorial, que favorece el logro desarrollo de la acción tutorial
de los objetivos trazados. que, de no controlarse, puede
actuar oponiéndose al logro de
los objetivos trazados.
• Variada composición del claustro: • Insuficientes acciones para

una parte experimentada y con identificar y atender los factores
formación pedagógica que le predictivos de deserción (93%)
permiten el diseño de estas acciones y • Falta de preparación para el uso
otra egresada de la propia carrera y de herramientas tecnológicas en
comprometidos con la formación de el diseño y desarrollo de la
nuevos profesionales (100%) acción tutorial (60%)
• El profesorado participa en la • Desconocimiento de los tipos de
Internos elaboración de los programas de tutoría y de metodologías para
estudio de las disciplinas y el diseño y desarrollo de la
asignaturas (73%) acción tutorial por parte de
• Experiencia en la realización de algunos profesores (100%)
tutorías académicas grupales y • Insuficientes recursos de
presenciales (consultas) (67%) aprendizaje orientados a la
• Existencia de psicólogos y atención de factores predictivos
psicopedagogos en el departamento de deserción (60%)
de bienestar universitario (60%) • Escasa planificación de la
actividad tutorial para atender
factores predictivos no
académicos (60%)
• Escaso enfoque interdisciplinar
que atenta contra la motivación
del estudiante a la actividad de
estudio (53%)
Oportunidades: Condición existente en Amenazas: Condición existente

el contexto donde se desarrolla el en el contexto donde se
Externos
proceso y que, de utilizarse, puede desarrolla el proceso y que, de no
enfrentarse, puede actuar
254
Puntos fuertes (%) Puntos débiles (%)
favorecer el logro de los objetivos oponiéndose al logro de los

trazados. objetivos trazados.
• Condiciones tecnológicas favorables • No aprovechar los espacios para

para el desarrollo del proceso la preparación de los profesores
detección de estudiantes en riesgo de (53%)
deserción (100%) • La acción tutorial no constituye
• Contar con un sistema de trabajo una prioridad del proceso de
metodológico y de superación del enseñanza aprendizaje para el
claustro que permite la inserción de primer año en la modalidad
acciones de capacitación a tutores presencial (93%)
(53%) • Escasos elementos destinados a
• La posibilidad de contar con la acción tutorial en el
información complementaria del ecosistema tecnológico de la
estudiante desde su ingreso a la UCI (60%)
carrera (73%) • Desconocimiento de las
• La Universidad cuenta con un sistema potencialidades de la acción
de atención al becario y con un tutorial en la eficacia académica
departamento de bienestar (73%)
universitario (73%) • Actitud reacia o pasiva de
• La mayoría de los profesores viven en algunos profesores en cuanto al
la Universidad, lo cual facilita la uso de las TIC en el proceso de
interacción estudiante profesor (93%) enseñanza aprendizaje (80%)
• Gran parte de los profesores son • Estudiantes de nuevo ingreso
graduados de la carrera, lo cual puede con bajos resultados en pruebas
incidir en la motivación por el estudio de ingreso de Matemática y baja
de la Informática (73%) motivación por la carrera que
• Se garantizan en la Universidad las solicitan después de la 3era
necesidades fundamentales de los opción (93%)
estudiantes (materiales docentes, • Los estudiantes de nuevo
alimentación, beca, estipendio etc.). ingreso se enfrentan a un nuevo
Esto contribuye al factor relacionado entorno de aprendizaje y sistema
con las condiciones socioeconómicas de enseñanza (73%)
(93%) • No se cuenta con un plan de
acciones para la retención (80%)
255
El objetivo de aplicar la matriz DAFO es también determinar acciones estratégicas
que contribuyan a la mejora del proceso que se evalúa, en este caso, el diseño y desarrollo de
la acción tutorial para la retención de estudiantes (de Pablos (Coord.), 2008). Las acciones
estratégicas se clasifican según la interacción de las debilidades, fortalezas, amenazas y
oportunidades en la matriz DAFO, de la forma que se muestra en la Tabla 45.
ü Las acciones estratégicas reactivas se obtienen de la interacción entre fortalezas
y amenazas. En función de maximizar las fortalezas para protegerse de las
amenazas.
ü Las acciones estratégicas de supervivencia al interactuar las debilidades y
amenazas, con el objetivo de minimizar las debilidades y posibles amenazas.
ü Las acciones proyectivas de la interacción de fortalezas y oportunidades, a fin de
aprovechar las fortalezas para maximizar las oportunidades.
ü Las acciones adaptativas en la interacción de las debilidades y oportunidades.
Tienen el objetivo de aprovechar las oportunidades para minimizar las
debilidades.
Tabla 45. Propuesta de acciones estratégicas a partir de la matriz DAFO
Acciones para hacer frente a las amenazas
Estrategias reactivas Estrategias de supervivencia

• Formar a los profesores en el desarrollo • Identificar factores predictivos de
de acciones tutoriales para atender deserción y estudiantes en riesgo de
factores predictivos de deserción. abandonar.
• Fomentar la preparación de los tutores en • Potenciar el uso del sistema de gestión
el diseño y reutilización de REA universitaria para detectar factores
relacionados con la acción tutorial. predictivos y estudiantes en riesgo.
256
• Promover el uso de las TIC en el proceso • Realizar acciones sistemáticas de

de enseñanza aprendizaje. formación del profesorado en el diseño y
• Promover el desarrollo de habilidades desarrollo de acciones tutoriales.
básicas de Matemáticas en los estudiantes • Mostrar las buenas prácticas de uso de las
con bajos resultados en el EIM. TIC en el proceso de enseñanza
• Promover el desarrollo de acciones aprendizaje y para la acción tutorial.
motivadoras por la carrera y el desarrollo • Promover el desarrollo de proyectos de
de tareas que integren la formación innovación docente sobre el uso de las
académica-laboral-investigativa. TIC y de herramientas disponibles en el
• Propiciar el desarrollo de habilidades de EVEA.
estudio en los alumnos de nuevo ingreso. • Aumentar las vías de información a los
• Proponer un plan de acciones para la docentes sobre los estudiantes en riesgo
retención de los estudiantes que involucre de deserción, sus causas y posibles
a todos los profesores y personal de apoyo acciones.
educativo. • Favorecer la implicación y compromiso
de los profesores y personal de apoyo
para una mejor actitud ante el estudiante
en riesgo de deserción.
• Favorecer la comunicación entre
profesores y estudiantes.
• Propiciar el desarrollo de tareas
integradoras.
• Información a los aspirantes y estudiantes
sobre la carrera, ofertas de proyectos y
posibilidades de empleo.
Acciones para aprovechar las oportunidades
Estrategias proyectivas Estrategias adaptativas
• Estimular el desarrollo de un módulo en el • Desarrollar estudios anuales sobre los
sistema de gestión para la detección de factores predictivos de deserción.
factores predictivos y detección de • Potenciar el desarrollo de la acción
estudiantes en riesgo de deserción. tutorial y el uso autónomo de las TIC a
• Insertar acciones que contribuyan a la través de talleres, cursos cortos y
preparación del claustro en el desarrollo de proyectos de innovación.
acciones tutoriales para la retención de • Fomentar el desarrollo de metodologías
estudiantes en los planes de trabajo de enseñanza activas como el aprendizaje
metodológico y de superación. cooperado, el trabajo en equipos y la
• Fomentar la capacitación del personal enseñanza basada en problemas o
apoyo educativo en la residencia proyectos.
257
estudiantil, el departamento de bienestar, • Propiciar el desarrollo de acciones de

la dirección de economía, la biblioteca, la orientación a los estudiantes por parte del
secretaría docente y otros, a fin de lograr personal capacitado, desde la residencia
compromiso y participación para la estudiantil, el departamento de bienestar
retención. universitario, la dirección de economía,
• Contar con un repositorio de acciones la biblioteca, la secretaría docente, entre
tutoriales dirigidos a atender los factores otros.
predictivos de deserción identificados para • Propiciar el intercambio de los egresados
la carrera. con los estudiantes de nuevo ingreso.
B. Objetivo general
La estrategia tiene como objetivo general:
Contribuir en la preparación teórica y metodológica de los profesores y personal de
apoyo educativo en la identificación de estudiantes en riesgo de deserción y sus causas; así
como en el diseño didáctico y desarrollo de acciones tutoriales para la retención e inserción
del estudiante en el medio universitario.
Como objetivos específicos de cada etapa de la estrategia:
ü Identificar los factores predictivos de deserción estudiantil por parte de los
actores del proceso de formación y los estudiantes en riesgo de deserción.
ü Entrenar a los profesores tutores en el diseño didáctico de acciones tutoriales
para atender los factores predictivos de deserción estudiantil.
ü Evaluar el desarrollo de las AT de forma sistemática para su
perfeccionamiento y actualización.
C. Planeación estratégica
La planeación estratégica que se propone contiene acciones que responden a las
interacciones de la matriz DAFO. Es una propuesta general, no es un algoritmo rígido y
258
cerrado, sino que deja abierto el espacio, para la incorporación de nuevas ideas, metodologías
y conocimientos, que puedan enriquecer y perfeccionar la propuesta.
Las acciones de la estrategia se determinan a corto, mediano y largo plazo. Las
acciones de diagnóstico a profesores y estudiantes, el procesamiento de los resultados y la
sensibilización del claustro en cuanto a la problemática de la deserción mediante un taller
inicial, son a corto plazo.
A mediano plazo se realizan las acciones de preparación al personal docente, de
demostración, control y evaluación. A largo plazo podría considerarse un Taller Científico
Metodológico de Retención Estudiantil sobre las experiencias acumuladas durante la
implementación de la estrategia.
Las acciones se dividen en tres etapas: (I) de diagnóstico, (II) de entrenamiento y
demostración y (III) de control y evaluación. En la Figura 35 se muestran los protagonistas
y resultados por etapas.
Etapa I. Diagnóstico
Estudiantes: Factores predictivos y Profesores: Necesidades para el diseño y
estudiantes en riesgo desarrollo de la acción tutorial
Etapa II. Entrenamiento y demostración

Profesores: Diseño, desarrollo y tecnologías para la acción tutorial
Etapa III. Control y evaluación
Profesores, personal de apoyo y estudiantes: Puesta en práctica de la acción tutorial
Figura 35. Etapas de la planeación estratégica
259
En las acciones de la etapa de diagnóstico se aplican la revisión documental de
informes de resultados semestrales, encuesta y entrevista a profesores para conocer sus
necesidades de superación relacionadas con el proceso de caracterización de los estudiantes
y en el diseño didáctico de acciones tutoriales tanto dentro como fuera de sus clases. Por la
importancia que reviste para la calidad del proceso docente-educativo que el profesorado
tome conciencia de sus necesidades de superación (Vallejo, & Alfajeme, 2009).
Asimismo, se aplican diagnósticos integrales a los estudiantes de nuevo ingreso con
el objetivo de conocer su caracterización, a tener en cuenta al diseñar posteriormente las
acciones tutoriales. También se deben identificar los estudiantes en riesgo de abandonar a
partir de los modelos aportados en la primera fase de esta investigación.
Durante la etapa de entrenamiento y demostración se imparten talleres de preparación
a los profesores, tutores y orientadores. Según sus necesidades individuales, sus fortalezas y
debilidades, identificadas en la primera etapa. Unos participantes asumirán el papel de
estudiantes y otros el papel de tutor en los talleres de preparación. Se escoge el taller, como
enfoque metodológico de preparación de profesores, tutores y orientadores, pues con ello se
garantiza el intercambio, la cooperación y el diálogo para la producción de materiales,
recursos y acciones tutoriales de forma conjunta. En esta etapa se propone también la
inclusión de un Plan de Acción Tutorial para la Retención Estudiantil (PATRE) en la EE de
primer año.
Durante la etapa de control y evaluación, el PPAA, los directivos y el GARE,
controlan y visitan actividades para evaluar la efectividad de las acciones tutoriales; sostienen
intercambios con los estudiantes y valoran el cumplimiento del plan de acciones. Se
recomienda la matriz DAFO, para determinar las regularidades y hacer propuestas de mejora.
260
En la Tabla 46 se presentan el plan de actividades por etapas con objetivos y
resultados esperados.
Tabla 46. Plan de actividades por etapas, objetivos y resultados esperados

Etapa de Diagnóstico y Planeación
Objetivos Acciones Resultados
específicos esperados
Identificar los • Actualización el estudio predictivo Informe de resultados
factores predictivos anualmente para ajustar los modelos del estudio que
de deserción teniendo en cuenta también los datos contenga la relación
estudiantil por parte socioeconómicos y psicológicos. nominal de
de los actores del • Concreción de modelos específicos para estudiantes en riesgo
proceso de cada facultad de la Universidad. y factores predictivos
formación y los • Aplicación del diagnóstico integral a identificados.
estudiantes en riesgo estudiantes de nuevo ingreso.
de deserción. • Tabulación y procesamiento de los
resultados obtenidos producto a la Informes de
aplicación de los instrumentos. caracterización
• Identificación de estudiantes en riesgo a individual, grupal y
partir de los datos obtenidos y los de año.
modelos propuestos.
Diagnosticar las • Desarrollo de reunión metodológica Acta de reunión

necesidades de para la información al colectivo de los metodológica.
formación de los resultados de las acciones anteriores
tutores para el diseño para sensibilizarlos a partir de las
y desarrollo de la necesidades de estudiantes y profesores. Inventario de
acción tutorial. • Detección de las necesidades que necesidades
poseen los profesores en cuanto a la declaradas por los
identificación de factores predictivos de profesores.
deserción y proceso de caracterización
de los estudiantes. Informe de resultados
• Aplicación del cuestionario para de aplicación del
diagnosticar la percepción de los instrumento.
profesores sobre el uso actual de los
recursos educativos abiertos Informe actualizado
(Rodríguez, 2019). con la matriz DAFO
• Determinación de las fortalezas y para el diseño
debilidades de los docentes en el diseño
261
didáctico de acciones tutoriales y en el didáctico de las

uso de las TIC, mediante grupos de acciones tutoriales.
discusión.
Etapa de Entrenamiento y Demostración

Entrenar a los • Creación de grupos de trabajo Una carpeta
profesores, tutores y científico-metodológico por temáticas compartida que
orientadores en el afines. contenga el diseño
diseño didáctico de • Desarrollo de talleres encaminados a didáctico de
acciones tutoriales familiarizar a los profesores, tutores y diferentes acciones
con TIC para atender orientadores en el diseño didáctico de tutoriales para
los factores acciones tutoriales para atender factores atender factores
predictivos de predictivos de deserción. predictivos de
deserción estudiantil. • Desarrollo de talleres para socializar las deserción en formato
acciones que se realizan, experiencias y duro y/o digital
sugerencias prácticas, sobre el disponible para todos
desarrollo de acciones tutoriales para los tutores.
atender factores predictivos de
deserción de diferentes tipos: Montaje en la
académicos, habilidades de estudio, plataforma y el
personales y familiares, motivacionales repositorio de RE
e institucionales. que contengan las
• Desarrollo de talleres para identificar acciones tutoriales.
las técnicas y herramientas tecnológicas
presentes en las plataformas de
aprendizaje y su utilización en el
desarrollo de acciones tutoriales para Informes de
contribuir al proceso continuo de discusión de las
inserción del estudiante en el medio actividades
universitario. demostrativa.
• Realización de actividades
demostrativas en las que se desarrolla la
acción tutorial para atender factores
predictivos de deserción dentro y fuera
de la clase.
262
Incorporar a la EE Diseño, discusión y aprobación del EE a nivel de año

de primer año un PATRE con el colectivo de profesores. con un PATRE
PATRE. incorporado.
Apoyar el desarrollo Puesta en práctica, a disposición de los Diseño de los cursos
de las acciones estudiantes de primer año, de cursos revisados y
tutoriales dirigidas al
cortos en un aula virtual sobre las aprobados por el
desarrollo de siguientes temáticas: CENED.
habilidades de • Organizar y planificar el tiempo de
estudio y de estudio.
integración a la vida• Determinar lo esencial en un
universitaria. contenido.
• Hacer mapas conceptuales.
• Leer con rapidez y profundidad.
• Comunicarse con eficiencia.
• Uso de software educativos
específicos.
• Búsquedas en Internet.
• Concepción de proyectos
profesionales.
• Habilidades comunicativas.
• Estrategias de resolución de
conflictos.
• Organización y desarrollo del trabajo
en equipos.
Etapa de Control y Evaluación
Desarrollar las • Puesta en práctica del PATRE con el Registro de
acciones del colectivo de profesores. evidencias.
PATRE. • Elaboración de registros de evidencias
del desarrollo de las acciones tutoriales.
Evaluar con métodos • Desarrollo de un taller al final de cada Informe de resultados
científicos el semestre para realizar el balance del del Taller con todas
desarrollo de las cumplimiento del PATRE y los las experiencias y
acciones tutoriales resultados cuantitativos y cualitativos. artículos científicos.
de forma sistemática • Desarrollo de visitas y controles a las
para su actividades del PATRE.
perfeccionamiento y • Desarrollo de sesiones de trabajo Informe sobre el
actualización. mensuales para analizar el desarrollo de la
263
cumplimiento del PATRE y realizar Estrategia que recoja

ajustes si fuera necesario. opiniones de tutores,
• Supervisión de los registros de orientadores y
entrenamientos relacionados con las estudiantes, nivel de
acciones de la estrategia. satisfacción,
• Intercambio con tutores y orientadores debilidades y
para evaluar el nivel de satisfacción con propuestas de
las acciones tutoriales desarrolladas. mejora.
• Intercambio con estudiantes para
evaluar nivel de satisfacción con las
acciones tutoriales recibidas.
• Aplicación de instrumento para evaluar Informe de resultados
el nivel de satisfacción de los de aplicación del
estudiantes con las acciones tutoriales. instrumento.
Presentar y publicar • Desarrollo de un Taller Científico Informe de resultados
las experiencias Metodológico de Retención Estudiantil. del Taller Científico
exitosas de acciones con todas las
para la retención de experiencias.
estudiantes.
Artículos científicos
y participación en
eventos.
El esquema de la Figura 36 muestra los elementos que componen y fundamentan la
estrategia que se propone.
264
CAPÍTULO 10: DISEÑO DIDÁCTICO Y ESTRATEGIA PARA LA PUESTA EN PRÁCTICA DE ACCIONES TUTORIALES CON TIC P
Figura 36. Esquema de los elementos que componen y fundamentan la estrategia

En la propuesta de un PATRE se debe tener en cuenta que se definen generalmente
tres etapas relevantes de permanencia del estudiante en la Universidad, durante la entrada e
incorporación en el primer año, durante el desarrollo de los estudios y al prepararse para su
inserción laboral (Sobrado, 2008).
No es objetivo de esta tesis proponer un PATRE, pero se considera conveniente
aportar algunas ideas a tener en cuenta, a partir del proceso investigativo realizado y el
contexto cubano. El PATRE tiene que estar estrechamente relacionado con la Estrategia
Educativa del año académico. Este incluye acciones para contribuir a la transición de la
Enseñanza Preuniversitaria a la Universidad, así como para acompañar, guiar, apoyar,
facilitar y orientar el proceso continuo de inserción del estudiante en el medio universitario
durante el primer año de estudios; que le permita tomar decisiones de corte académico,
profesional y social para favorecer la adaptación, el desarrollo y la finalización del primer
año de forma exitosa en la UCI. El que se propone en el plan estratégico, está dirigido a la
etapa de inserción del estudiante a la Universidad que ocurre principalmente durante el
primer año de estudios.
En tal sentido, se considera necesario incluir dentro del plan de trabajo individual del
profesor, los horarios de desarrollo de la acción tutorial, y que al igual que otra forma
organizativa del proceso de enseñanza aprendizaje, se controle y evalúe. Sus acciones y
objetivos específicos estarán dirigidos a:
• Orientar al estudiante de nuevo ingreso, brindándole estrategias de desarrollo
personal, social, académico y profesional, en su adaptación a la vida universitaria.
• Apoyar el desarrollo de habilidades de estudio e investigativas que le permitan
un mejor desempeño académico.
266
• Promover la interacción social y académica en función de su formación
profesional.
Teniendo en cuenta estos aspectos, cada colectivo de año será el encargado de diseñar,
aprobar y llevar a la práctica el PATRE.
C. Instrumentación
El sistema de acciones estratégicas que se propone para el diseño didáctico y la puesta
en práctica de acciones tutoriales con TIC atendiendo a los factores predictivos de deserción,
se complementa con el resto de las acciones que se realizan en la Universidad en la Semana
de Familiarización y las derivadas de la Estrategia Educativa. La implementación y
desarrollo de la estrategia bajo la conducción y asesoría del GARE, se recomienda durante
tres años consecutivos con un proceso de evaluación y actualización anual.
Los actores principales de la estrategia son los profesores y estudiantes de la
Universidad, incluyendo otros miembros de la comunidad universitaria que pertenecen a la
Residencia Estudiantil, Centro de Bienestar Universitario y la Biblioteca Universitaria, entre
otros, bajo la orientación del GARE.
Las acciones propuestas en cada una de las etapas tienen carácter de sistema. Su
ejecución y el cumplimiento paulatino de los objetivos por etapas contribuyen al
cumplimiento del objetivo general.
La estrategia posee tres ejes de acción que se relacionan entre sí de forma sistémica
como muestra la Figura 37. En primer lugar, la identificación de los factores predictivos de
deserción y estudiantes en riesgo; en segundo, el desarrollo de los recursos humanos para el
diseño didáctico de las acciones tutoriales; y tercero, la puesta en práctica de las acciones
tutoriales.
267
Detección de
factores predictivos
y estudiantes en
riesgo
Estrategia para
la Retención de
Estudiantes
Mediante
Acciones
Tutoriales Desarrollo de
Puesta en recursos
práctica de las humanos para
acciones la acción
tutoriales tutorial
Figura 37. Ejes de acción de la estrategia

(i) identificación de los factores predictivos de deserción y estudiantes en riesgo: se
considera necesario una actualización anual del estudio predictivo para ajustar los
modelos teniendo en cuenta además de las variables consideradas en esta tesis, otros
datos socioeconómicos y psicológicos.
(ii) desarrollo de recursos humanos en el diseño didáctico de la acción tutorial: Su
objetivo es promover el desarrollo de habilidades necesarias para el diseño y
desarrollo de la acción tutorial, monitorear el proceso de diseño y desarrollo de la
misma a través de la tecnología y la toma de decisiones por los actores del proceso.
(iii) acciones tutoriales en sí: incluye todo el proceso de interacción entre tutores y
tutorados. El trabajo de tutoría consiste en acompañar a los estudiantes de primer año
marcado por el comienzo de una nueva etapa de la vida, donde se debe hacer énfasis
268
en el proceso de gestión de la información y el conocimiento; en el empleo de recursos
tecnológicos; en el desarrollo de habilidades para un aprendizaje autónomo y en la
toma de decisiones y la creación de nuevos grupos sociales.
Para evaluar la efectividad de esta propuesta, se recomienda el empleo del método
científico cíclico de la investigación acción, este facilita la mejora continua del proceso que
se evalúa y sobre el que se actúa como se muestra en la Figura 38.
Figura 38. Método científico de investigación acción en el proceso de diseño, desarrollo y

evaluación de la acción tutorial
269
Una vez se evalúe la efectividad de la estrategia, se aspira a la unidad dialéctica entre
los tres ejes de actuación de la misma, que contribuyan a lograr una mayor permanencia y
posterior graduación de Ingenieros en Ciencias Informáticas, como indica el esquema de la
Figura 39 que integra toda la propuesta.
Finalmente, para obtener un criterio valorativo de la pertinencia de aplicación de la
propuesta para la retención estudiantil en la UCI se solicitó criterio de especialistas a cinco
directivos docentes. Todos ostentan la categoría científica de Doctor y la máxima categoría
docente que otorga el MES en Cuba, Profesor Titular. De ellos, dos son del género masculino
y tres del femenino. Todos han tenido la experiencia de ser decanos y ocupan otras
responsabilidades, tales como:
• Jefe de la Comisión Nacional de la Carrera Ingeniería en Ciencias Informática.
• Director del Centro de Innovación y Calidad de la Educación.
• Director de Formación del Profesional de pregrado.
• Director de Investigación y Postgrado.
• Vicerrector de Producción y Desarrollo de Software.
Se les solicitó su opinión a través del instrumento que se adjunta en el Anexo 5. De
lo que se obtuvo como resultado teniendo en cuenta las categorías: muy adecuado (MA),
bastante adecuado (BA), adecuado (A), poco adecuado (PA) e inadecuado (I). Los resultados
se muestran en la Tabla 47.
Tabla 47. Respuesta de los directivos docentes sobre la pertinencia de aplicación de la

propuesta en la UCI
Aspectos para evaluar MA BA A PA I
Elementos estructurales de la propuesta para el 3 2
diseño didáctico de la acción tutorial
(p.11-16).
270
Aspectos para evaluar MA BA A PA I

Elementos de contenidos de la propuesta para el 4 1
diseño didáctico de la acción tutorial
(p.16-27).
Acciones definidas para la etapa de diagnóstico de la 3 2
planeación estratégica para la puesta en práctica de
las acciones tutoriales
(p.40-47).
Acciones definidas para la etapa de entrenamiento y 2 2 1
demostración de la planeación estratégica para la
puesta en práctica de las acciones tutoriales (p.40-
47).
Acciones definidas para la etapa de control y 3 2
evaluación de la planeación estratégica para la puesta
en práctica de las acciones tutoriales (p.40-47).
Concepción general de la propuesta como vía para 3 2
favorecer la permanencia de los estudiantes.
Posibilidad de aplicación en la UCI. 2 3
Todos los directivos docentes consideran pertinente la propuesta en su estructura,
contenidos y acciones estratégicas para la retención de los estudiantes en riesgo de deserción
en la UCI. El 91,4% de los criterios evaluativos fueron evaluados como muy adecuado y
bastante adecuado. Ninguno de los aspectos evaluados resultó poco adecuado o inadecuado.
Se solicitaron además sugerencias o recomendaciones sobre la propuesta que se han
incluido en la propuesta, cuatro de los expertos propusieron las siguientes recomendaciones
que se han realizado:
Experta 1.
Muy buena propuesta, solo 2 sugerencias.
Cuando se declara el propósito de la estrategia, se hace referencia a los propósitos la
misma. Sugiero que declare en singular: Ej. El propósito de la estrategia está dirigido
271
a contribuir a reducir la deserción estudiantil, el retraso en los estudios y a mejorar el
rendimiento académico.
En los elementos estructurales de la propuesta, cuando se declaran a los recursos
humanos, se hace referencia al personal de apoyo educativo en los diferentes ámbitos
institucionales como, por ejemplo: la residencia estudiantil, el departamento de
bienestar universitario, biblioteca universitaria y otros servicios de apoyo a la
docencia. (Aquí sugiero incluir personal de Extensión universitaria: por ejemplo,
centro cultural, dirección de deportes), pienso que estos también pueden influir
positivamente.
Experta 2
Fortalecer, desde el diagnóstico y hasta la evaluación, el desarrollo de los elementos
que influyen en el nivel de satisfacción de los estudiantes con las acciones tutoriales.
Experta 3
Mejorar la redacción del objetivo final.
Experto 4
Invitar a la instructora educativa de la residencia a la discusión de este resultado puede
ser muy pertinente a partir de que hay muchos elementos que no son identificados en
el diagnóstico y sí a partir del comportamiento del estudiante en otros espacios como
la residencia estudiantil.
Teniendo en cuenta los elementos antes planteados, se considera que esta propuesta
tiene gran aplicación para las Ciencias Técnicas y las Ciencias Pedagógicas; ya que abre las
puertas a la investigación, innovación y desarrollo de aplicaciones informáticas e
innovaciones educativas que contribuyan a la retención de los estudiantes de primer año en
272
la carrera Ingeniería en Ciencias Informáticas y puede servir de modelo de actuación en otros
entornos.
La intención final con el resultado de esta propuesta es poder informatizar el proceso
de identificación de factores predictivos de deserción y estudiantes en riesgo de causar baja,
así como el sistema de alerta temprana tanto a directivos como profesores, incluso a los
propios estudiantes. Además, junto con la alerta, poder brindar de forma automática para
cada caso, un grupo de acciones tutoriales ya probadas con éxito mediante esta estrategia.
Se considera como línea de trabajo futuro ya planificada que se pueda desarrollar una
aplicación informática que incluya todo el proceso de detección de estudiantes en riesgo, las
causas fundamentales que lo determina y la toma de decisiones sobre las acciones tutoriales
convenientes, como un módulo del Sistema de Gestión Universitaria.
273
Figura 39. Esquema de los elementos que integran la propuesta
274
CAPÍTULO 11: CONCLUSIONES Y TRABAJO FUTURO
CAPÍTULO 11: CONCLUSIONES Y TRABAJO
FUTURO
En este capítulo se hace referencia a las conclusiones más relevantes de la investigación,
mediante la descripción del cumplimiento de los objetivos específicos planteados en el
Capítulo 4 y que contribuyen al cumplimiento del objetivo general; así como, una síntesis de
la validación de las hipótesis planteadas. También, se proyectan líneas de trabajo futuro a
partir de las limitaciones detectadas.
Objetivo General: Identificar los factores que determinan la deserción estudiantil
universitaria en las carreras de Ingeniería Informática y proponer elementos estructurales y
de contenido para el diseño didáctico y la puesta en práctica de acciones tutoriales con TIC
que atiendan a los factores detectados.
Se consideran logrados de forma general los objetivos planteados, aportando en
primer lugar un modelo teórico de factores predictivos de deserción estudiantil en carreras
de perfil Ingeniería Informática. Posteriormente, luego de probar mediante una metodología
mixta los factores en el contexto cubano y de estudiar en profundidad las propuestas de
solución aportada por otros investigadores; se establece el aparato conceptual relacionado
con la acción tutorial con TIC para atender factores predictivos de deserción en el primer año
de estas carreras y, además, un sistema de acciones estratégicas para la puesta en práctica de
dichas acciones.
A continuación, se retoman los objetivos específicos y se refiere en qué medida se ha
cumplido cada uno.
275
11.1 Cumplimiento del Objetivo I.1
Objetivo I.1. Estudiar desde el punto de vista teórico y metodológico los factores que
determinan la deserción estudiantil universitaria a través de la revisión bibliográfica
que aborda la temática (desarrollado en los capítulos 2 y 3).
La deserción estudiantil es un desafío muy relevante para las instituciones de
Educación Superior con importantes implicaciones en la sociedad. Existe una larga tradición
de investigación científica que aborda el tema y que ha producido modelos relevantes. Sin
embargo, los resultados prácticos en la mayoría de los casos no son replicables entre países
e instituciones.
Los modelos predictivos de deserción-retención de los estudiantes en la Universidad,
que se han revisado de forma sistemática, han seguido enfoques de tipo psicológico,
sociológico, interaccionista, organizacional y economicista para identificar variables que
permitan explicar la problemática. Estas variables pueden estar relacionadas con cuestiones
personales, familiares, institucionales y/o académicas que varían según el contexto y carrera
que se analice. Las causas más comunes son el rendimiento académico, la motivación y la
integración académica y social. Se identifica que son los estudiantes del primer año los de
mayor deserción.
La revisión sistemática de los artículos indexados en Web of Science permitió
identificar que estos estudios son escasos en carreras de Ingeniería Informática. Se analizaron
en detalle 24 estudios que sirvieron de base para seleccionar las variables a analizar en el
contexto cubano. En ellos se estudian además de los factores y variables identificados en los
modelos iniciales, factores de índole pedagógico, relacionados con el aprendizaje de la
Matemática y la Física, el desarrollo de habilidades de estudio y la introducción de
276
actividades formativas en correspondencia con los estilos de aprendizaje de los estudiantes,
para contribuir a la motivación, adaptación y, por ende, a la retención.
Como resultado de este estudio y de la tesis se obtuvo una publicación en la
Conferencia Latinoamericana sobre el Abandono en la Educación Superior, donde se
plasmaron los principales resultados de la sistematización de los estudios de deserción
abordados en los capítulos 2 y 3 (Lázaro, Callejas y Griol, 2017).
Objetivo I.2. Proponer un modelo teórico de deserción estudiantil en carreras de
perfil Ingeniería Informática.
Como resultado del estudio inicial, se obtuvo un modelo teórico de deserción
estudiantil para carreras de perfil Ingeniería Informática teniendo en cuenta factores que
ocurren previos al acceso del estudiante a la Universidad y factores posteriores al acceso,
sobre todo durante el primer año de estudios.
Los objetivos específicos para cada una de las fases de la investigación y que permiten
alcanzar gradualmente el objetivo general ya declarado son:
Objetivo I.3. Identificar los factores predictivos de la deserción en el primer año de
la carrera mediante un análisis multivariado y de minería de datos de estudiantes
matriculados en carreras de perfil Ingeniería Informática en Cuba (desarrollado en el
Capítulo 6).
277
Se ha realizado un análisis descriptivo, correlacional y predictivo con una muestra de
estudiantes de nuevo ingreso de todas las provincias cubanas a Ingeniería Informática en la
cohorte 2013-2014. Se han identificado como factores que inciden en la deserción estudiantil
la provincia de procedencia, la opción en que solicitó la carrera, la NEIM y el RAMP. Se ha
obtenido también una función discriminante capaz de clasificar correctamente el 91,5% de
los casos estudiados (Lázaro, Callejas y Griol, 2020a).
Mediante el enfoque de aprendizaje automático, se procesaron datos institucionales
para identificar las características más relevantes que pueden permitir la detección de
estudiantes en riesgo y cuán temprano es posible detectarlo. Al considerar solo las
características de preinscripción, la exactitud es del 63,51%, lo que tiene semejanza con los
resultados de la literatura; se puede predecir los que no promueven con una precisión del
71,80%; y muestra que es posible tener información sobre el riesgo de abandono al comienzo
del primer año. Cuando se consideran las variables del primer semestre, la exactitud aumenta
a 95,46%, lo cual es muy conveniente para el profesorado y los encargados de formular
políticas para adoptar medidas tempranas. Es posible determinar si un estudiante está en
riesgo de deserción después del primer año de estudios con una precisión del 97,73%.
Los resultados de este estudio constituyen nuestra publicación más reciente, donde se
expresa la importancia de predecir la deserción y estudiantes en riesgo lo más temprano
posible (Lázaro, Callejas y Griol, 2020b).
11.3.1 Síntesis del cumplimiento de las hipótesis
Hipótesis 1. El género, el lugar de procedencia, la opción de carrera, la fuente de
ingreso y la nota en el examen de ingreso en Matemáticas inciden en la deserción
278
La H1 se acepta parcialmente, pues excepto el género y la fuente de ingreso, el resto
de las variables resultan predictivas para la deserción estudiantil, o sea: la NEIM, el RAMP
y la provincia de procedencia. Con la fuente de datos utilizada, las provincias que más
inciden son Las Tunas, Ciego de Ávila, Sancti Spíritus, Villa Clara, Pinar del Río y
Camagüey, todas alejadas de La Habana, lugar donde se encuentra la institución. La mayor
probabilidad para que un estudiante cause baja es que tenga 60 puntos en el EIM y sea de la
Provincia Camagüey. Con la función obtenida, se clasifica correctamente el 80% de los
estudiantes.
Hipótesis 2. La nota de acceso en Matemática incide directamente en el rendimiento
académico en Matemática y Programación.
La Regresión Logística multivariada arrojó como resultado que el RAMP bajo y
medio se pueden predecir a partir de la NEIM. Un estudiante que obtiene como resultado en
el NEIM entre 60 y 69 puntos, tienen una probabilidad p=,83 de tener un bajo RAMP. Lo cual
constituye un resultado muy favorable para aceptar H2.
Hipótesis 3. El rendimiento académico en Matemáticas y Programación incide
inversamente en la deserción estudiantil en carreras de Ingeniería Informática.
La H3 tiene un alto nivel de certeza ya que la probabilidad de que un estudiante
deserte o cause baja, cuando su RAMP es bajo, es P=,99.
Hipótesis 4. La repitencia de un año académico incide directamente en la deserción
No se encontraron evidencias para aceptar H4. Entre las variables, repitencia del
primer año y la deserción estudiantil, no existe correlación. En correspondencia con ello, el
análisis de regresión entre dichas variables tiene un nivel de significación p>,05 por lo que
se rechaza la H4.
279
El análisis de regresión realizado permitió identificar como variables predictivas de
deserción estudiantil en el primer año de carreras de perfil Ingeniería Informática, el RAMP,
la NEIM y la provincia de procedencia. Asimismo, se infiere que la NEIM puede predecir el
RAMP al culminar el primer año. Los resultados del estudio de campo avalan con creces el
cumplimiento del objetivo I.2.
Objetivo I.4. Describir los factores que incidieron en la deserción de estudiantes en
carreras de perfil Ingeniería Informática en Cuba mediante entrevistas a una muestra
de los mismos (desarrollado en el Capítulo 7).
Para el cumplimiento de este objetivo, en el estudio cualitativo de esta investigación,
se realizaron entrevistas semiestructuradas a 30 estudiantes que causaron baja de la carrera
Ingeniería en Ciencias Informáticas. Las causas mencionadas por los entrevistados con
mayor intensidad fueron: el RAMP, la desmotivación por la carrera, el régimen de estudios
y la opción en que solicitaron la carrera. En todos los casos, excepto uno, se planteó más de
una razón para la deserción; esto corrobora que es una problemática multifactorial.
Los estudiantes del género masculino hacen un mayor énfasis en el régimen de
estudios como causa de deserción y, las del género femenino, en la falta de motivación por
la carrera. Al analizar los resultados por provincias, aunque en las entrevistas de todas se
plantea el RAMP como causa de baja, la mayor intensidad se obtiene en la provincia de Pinar
del Río. Igualmente se distingue en las entrevistas de la provincia Granma una alta intensidad
en la variable mala base en Matemática, que se asocia en este estudio, con los resultados en
el examen de ingreso en Matemáticas.
280
Un aspecto fundamental fue la triangulación metodológica de los resultados obtenidos
en el estudio mixto de cohorte, que permitió probar la validez y fiabilidad de la investigación.
Todas las variables predictivas identificadas en el estudio cuantitativo fueron descritas por
los estudiantes que causaron baja, en el estudio cualitativo. También, se detectaron variables
emergentes en las entrevistas, que no fueron analizadas en el estudio cuantitativo y serán
consideradas en el trabajo futuro; tal es el caso de: el régimen de estudios, el uso frecuente
de las computadoras en primer año y el desconocimiento de la carrera. Esto permitió
verificar la convergencia de los datos y corroborar los resultados sobre las causas de la
deserción.
11.5 Cumplimiento del Objetivo II.1
Objetivo II.1. Identificar en la bibliografía consultada, las fortalezas y debilidades de
las estrategias de tutoría propuestas utilizando las TIC y la acción tutorial para atender
factores predictivos de la deserción (desarrollado en el Capítulo 9).
En la Fase II de la investigación, con el objetivo de hacer una propuesta que permita
atender los factores predictivos de deserción, mediante el diseño didáctico de acciones
tutoriales en la carrera ICI; se realizó un estudio de los programas, proyectos y propuestas
realizadas y evaluadas en estudios similares. Esto permitió identificar un grupo de fortalezas
y debilidades que, desde la didáctica, se deben considerar para realizar una propuesta para el
contexto cubano.
Entre las fortalezas más importantes, en el tratamiento de la deserción mediante
acciones tutoriales en grados de Informática, se encontraron: la formación de equipos
multidisciplinarios; el uso de métodos activos; los contenidos concernientes con el desarrollo
281
de habilidades de estudios y nivelación en Lógica y Matemáticas; así como, el uso de las TIC
en el proceso tutorial. Las debilidades se relacionaron fundamentalmente con una insuficiente
vinculación de lo académico, laboral e investigativo que contribuye a elevar la motivación
intrínseca de los estudiantes; y la no concepción de acciones de preparación a docentes,
tutores y orientadores para una mayor efectividad de las acciones tutoriales.
11.6 Cumplimiento del Objetivo III.1
Objetivo III.1. Determinar los elementos estructurales y de contenido que deben
formar parte del diseño didáctico y la puesta en práctica de acciones tutoriales con
TIC dirigidas a atender factores predictivos de la deserción en carreras de Ingeniería
Informática (desarrollado en el Capítulo 10).
Todo el estudio realizado, permitió proponer los elementos estructurales y de
contenidos para el diseño didáctico y la puesta en práctica de acciones tutoriales con TIC
para atender los factores predictivos de deserción, en el contexto de la carrera ICI en Cuba.
Este aporte constituye una propuesta novedosa y necesaria para la institución.
Entre los elementos estructurales se proponen: el concepto de acción tutorial para
atender factores predictivos de deserción; un organigrama para el desarrollo de la acción
tutorial en la UCI, que contiene los niveles organizativos y funciones en cada uno de los
ámbitos de la institución; los tipos de acción tutorial que propicien la retención y los recursos
humanos y materiales necesarios, incluyendo las TIC.
Entre los elementos de contenidos para el diseño didáctico de las acciones tutoriales
se determinan los objetivos, contenidos, los medios y los métodos necesarios que contribuyan
al mejor desarrollo y efectividad de las mismas.
282
Se obtuvo una matriz DAFO, como resultado del diagnóstico sobre el proceso de
diseño y desarrollo de la acción tutorial para atender factores predictivos de deserción en la
UCI; que permitió identificar las acciones estratégicas a desarrollar.
Por último, para la puesta en práctica de la acción tutorial, se propone un sistema de
acciones estratégicas ordenadas convenientemente a corto, mediano y largo plazo,
propiciando la preparación de los profesores y personal de apoyo educativo en el diseño
didáctico y desarrollo de acciones tutoriales con TIC para atender factores predictivos de
deserción estudiantil en la carrera ICI. Se valoró la pertinencia de la propuesta con directivos
docentes de la UCI. Todos consideran pertinente la propuesta para la UCI, con un 91,4% de
evaluación bastante adecuado o muy adecuado, y ningún aspecto evaluado como poco
adecuado o inadecuado.
Se espera que este estudio sirva de referencia a otros investigadores preocupados por
esta temática pues aporta resultados que no tienen precedencia en este contexto.
Esta investigación tiene una vasta aplicabilidad para la academia, se manifiesta en la
comprensión del fenómeno de la deserción estudiantil; también, para los docentes y
administrativos, pues les permite tomar decisiones respecto a qué factores deben prestar más
atención para garantizar la permanencia y en qué momento. En cuanto a la actuación de las
instituciones para enfrentar la problemática de la deserción, encuentran en esta tesis un
procedimiento que incluye un conjunto de acciones estratégicas que se pueden ajustar y
desarrollar, teniendo en cuenta las características del contexto en el que se actúe.
283
11.7. Líneas de trabajo futuro
La primera línea de trabajo futuro está relacionada con la ampliación de los datos
estudiados. El estudio de campo se realizó con los datos de los estudiantes disponibles en el
momento del estudio. En tal sentido, se considera una limitación el no contar con datos que
involucren variables socioeconómicas y motivacionales. Por lo que resulta de interés, ampliar
las variables en análisis, incorporando datos socioeconómicos, aplicando instrumentos que
permitan diagnosticar la motivación profesional y las estrategias de aprendizaje, y evaluando
cómo se relacionan estos datos con la deserción.
En esta misma línea, ampliar la muestra en el estudio de campo, que involucre los
datos de estudiantes de otras cohortes puede aportar una mayor eficiencia a los modelos
matemáticos que se obtienen en el estudio cuantitativo (Vila et al, 2019; Zehetmeier et al,
2015; Bernabe y Lacave, 2015; Araque et al, 2009).
La segunda línea de trabajo está relacionada con la aplicación del método de
investigación acción para la evaluación de la propuesta en la UCI. Esto abre las puertas desde
las Ciencias Técnicas y las Ciencias de la Educación, a la investigación, innovación y
desarrollo de aplicaciones informáticas e innovaciones educativas, que contribuyan a la
retención de los estudiantes de primer año en la carrera Ingeniería en Ciencias Informáticas
y sirva de modelo de actuación en otros entornos.
Constituye la tercera línea de trabajo futuro el desarrollo de una aplicación
informática que incluya todo el proceso de detección de estudiantes en riesgo, las causas
fundamentales que lo determina y la toma de decisiones sobre las acciones tutoriales
convenientes, como un módulo del Sistema de Gestión Universitaria; para lo que se trabaja
284
en la propuesta de un proyecto de investigación, innovación y desarrollo con estudiantes de
grado y maestría de la UCI.
Teniendo en cuenta que, según Tinto (1989) la deserción estudiantil puede estar
asociada a determinados fenómenos sociales, una última línea de trabajo futuro de esta
investigación está relacionada con el estudio de los efectos que puede producir la pandemia
vivida durante la etapa de escritura de esta tesis, provocada por el virus SARC-COV-2 que
produce la COVID-19, en la deserción estudiantil.
285
286
ARTÍCULOS PUBLICADOS COMO RESULTADO DE LA TESIS
ARTÍCULOS PUBLICADOS COMO
RESULTADO DE LA TESIS
Lázaro Alvarez, N., Callejas, Z., & Griol, D. (2020). Predicting computer engineering
students’ dropout in Cuban higher education with pre-enrollment. Journal of
Technology and Science Education, 10(2), 241-258. https://doi.org/10.3926/jotse.922
Journal of Technology and Science Education es una revista internacional con proceso
de revisión externa por pares indexada en las principales bases de datos internacionales, entre
ellas Scopus y Scimago Journal & Country Rank.
Lázaro Alvarez, N., Callejas, Z., & Griol, D. (2020). Factores que inciden en la deserción
estudiantil en carreras de perfil Ingeniería Informática. Revista Fuentes, 22(1), 105-
126. https://doi.org/10.12795/revistafuentes.2020.v22.i1.09
La Revista Fuentes es una revista internacional con proceso de revisión externa por
pares indexada en las principales bases de datos internacionales, entre ellas Scopus y
Scimago Journal & Country Rank.
287
Lázaro Alvarez, N. (2020). Utilización y producción de videos tutoriales en Matemática. En
R. Flores (Ed.), Acta Latinoamericana de Matemática Educativa (33(1), pp. 106–115).
Comité Latinoamericano de Matemática Educativa, Clame A.C.
https://www.clame.org.mx/documentos/alme33_1.pdf
La Reunión Lationamericana de Matemática Educativa (RELME) es un foro para
compatir experiencias en esta área. La Revista Acta Latinomaricana de Matemática
Educativa sigue un proceso de evaluación ciega con al menos dos revisores.
Lázaro, N., Callejas, Z., Griol, D., & Durán, M. (2017). La deserción estudiantil en educación
superior: S.O.S. en carreras de Ingeniería Informática. VII CLABES.
http://revistas.utp.ac.pa/index.php/clabes/article/view/1674
Los congresos CLABES son específicos sobre abandono en la Educación Superior y
surgen de la convocatoria conjunta de veinte universidades de diez y seis países. CLABES
supone por tanto uno de los principales congresos internacionales sobre el abandono, sus
causas y las posibles iniciativas que se pueden adoptar para abordarlo.
288
REFERENCIAS
REFERENCIAS
Abadía, J. R. (2013). Predicción de las deserciones en estudiantes de primer año de
Ingeniería Informática en la Universidad de Camagüey aplicando técnicas de minería
de datos. Universidad Central “Marta Abreu” de Las Villas.
Abedini, M., Mortazavi, F., Javadinia, S. A., & Moonaghi, H. K. (2013). A New Teaching
Approach in Basic Sciences: Peer Assisted Learning. Procedia - Social and Behavioral
Sciences, 83, 39–43. https://doi.org/10.1016/j.sbspro.2013.06.008
Addine, F. (2015). Aportes e impactos obtenidos desde una sistematización en el campo de
la didáctica general y su enseñanza en la Educación Superior Pedagógica. Varona,
61(julio-diciembre), 1–10. http://www.redalyc.org/articulo.oa?id=360643422003
(Último acceso: septiembre de 2020)
Aguilar, M. del C. (2005). La transición a la vida universitaria Éxito, Fracaso, Cambio y
Abandono. IV Encuentro Nacional de Docentes Universitarios Católicos, 1–10.
http://www.alfaguia.org/alfaguia/files/1319733023_12.pdf (Último acceso: septiembre
de 2020)
Ahmed, N., Kloot, B., & Collier-Reed, B. I. (2015). Why students leave engineering and built
environment programmes when they are academically eligible to continue. European
Journal of Engineering Education, 40(2), 128–144.
https://doi.org/10.1080/03043797.2014.928670
Albacete-Maza, J., & Fernández-Cano, A. (2019). De lo trágico en las canciones populares
infantiles españolas: un análisis de contenido con metodología mixta. Pedagogía social.
Revista universitaria, 34, 149-161.
Albione, Gregoret, A., Núñez, A., & Vitale, B. (2005). Fortalecimiento del acompañamiento,
289
seguimiento y control de los estudiantes en sus procesos académicos. V Coloquio
Internacional Sobre Gestión Universitaria En América Del Sur.
Alfaro, E., Hernández, L., & Ruiz, J. F. (2017). Preparación al tutor para la formación inicial
investigativa de los estudiantes de las carreras pedagógicas. Pedagogía y Sociedad.
Cuba., 20(49), 24–47. http://revistas.uniss.edu.cu/index.php/pedagogia-y-
sociedad/article/view/542 (Último acceso: septiembre de 2020)
Allen, J., Robbins, S. B., Casillas, A., & Oh, I.-S. (2008). Third-year College Retention and
Transfer : Effects of Academic Performance, Motivation, and Social Connectedness.
Res High Educ, 1–18. https://doi.org/10.1007/s11162-008-9098-3
Almuiñas et al, J. L. (2008). Acercamiento a la problemática de la repitencia y las bajas en
la educación superior en el marco de la evaluación de la eficiencia académica: su
magnitud y principales factores de influencia en carreras seleccionadas. CLACSO.
Alonso-García, S., Rodríguez-García, A. M., & Cáceres-Reche, M. P. (2018). Análisis de la
Acción Tutorial y su Incidencia en el Desarrollo Integral del Alumnado . El Caso de la
Universidad de Castilla La. Formación Universitaria, 11(3), 63–72.
https://doi.org/10.4067/S0718-50062018000300063
Altin, H., & Rantsus, R. (2015). Why students fail to graduate ict-related curricula at
university level. INTED2015: 9TH International Technology, Education and
Development Conference, 5364–5368.
https://sisu.ut.ee/sites/default/files/ict/files/heilo_altin_inted.pdf (Último acceso:
septiembre de 2020)
Álvarez, N., Marín, C., & Torres, A. (2012). La interacción tutor - estudiante en la Educación
Superior. Un acercamiento a su diagnóstico. Humanidades Médicas, 12(3), 409–426.
290
REFERENCIAS
Álvarez, M., & Álvarez, J. (2015). La tutoría universitaria : del modelo actual a un modelo
integral. Revista Electrónica Interuniversitaria de Formación Del Profesorado
(REIFOP), 18(2), 125–142. http://revistas.um.es/reifop/article/view/219671/175471
Álvarez, P. R. (2020). Guía práctica: Preguntas y respuestas sobre cómo desarrollar los
Planes de Orientación y Acción Tutorial (POAT) en la enseñanza universitaria (Primera
Ed). Universidad de La Laguna.
https://doi.org/https://doi.org/10.25145/b.GuiaPOAT.2020
Alzás, T. (2015). Causas de abandono temprano y de retorno a la Educación. Análisis
sociológico desde una perspectiva de género. Universidad de Extremadura.
Alzás, T., & García, L. M. C. (2017). La evolución del concepto de triangulación en la
investigación social. Revista Pesquisa Qualitativa, 5(8), 395–418.
Alzen, J. L., Langdon, L. S., & Otero, V. K. (2018). A logistic regression investigation of the
relationship between the Learning Assistant model and failure rates in introductory
STEM courses. International Journal of STEM Education, 5(1), 1–12.
https://doi.org/10.1186/s40594-018-0152-1
Amaya, Y., Barrientos, E., & Heredia, D. (2015). Student Dropout Predictive Model Using
Data Mining Techniques. IEEE Latin America Transactions, 13(9), 3127–3134.
https://doi.org/10.1109/TLA.2015.7350068
Aparicio, C. A., & Peralta, R. (2011). Resultados del Convenio ICETEX - ÁPICE: El Modelo
de Atención Integral al Estudiante, MAIE.
Araque, F., Roldán, C., y Salguero, A. (2009). Factors influencing university drop out rates.
Computers and Education, 53(3), 563–574.
https://doi.org/10.1016/j.compedu.2009.03.013
291
Arce, M. E., Crespo, B., & Míguez, C. (2015). Higher Education Drop-Out in Spain-
Particular Case of Universities in Galicia. International Education Studies, 8(5), 247–
264. https://doi.org/10.5539/ies.v8n5p247
Arco-Tirado, J. L., Fernández-Martín, F. D., & Fernández-Balboa, J. M. (2011). The impact
of a peer-tutoring program on quality standards in higher education. Higher Education,
62(6), 773–788. https://doi.org/10.1007/s10734-011-9419-x
Arredondo, F. G., Vázquez, J. C., & Velázquez, L. M. (2019). STEM y brecha de género en
Latinoamérica. Revista de El Colegio de San Luis, 137–158.
https://doi.org/10.21696/rcsl9182019947
Constitución de la República de Cuba, 1 (2019).
https://www.gacetaoficial.gob.cu/sites/default/files/goc-2019-ex5_0.pdf (Último
acceso: septiembre de 2020)
Austin, P. C., & Steyerberg, E. W. (2014). Events per variable ( EPV ) and the relative
performance of different strategies for estimating the out-of-sample validity of logistic
regression models. Statistical Methods in Medical Research, 1–13.
https://doi.org/10.1177/0962280214558972
Badr, G., Algobail, A., Almutairi, H., & Almutery, M. (2016). Predicting Students ’
Performance in University Courses : A Case Study and Tool in KSU Mathematics
Department. Procedia - Procedia Computer Science, 82(March), 80–89.
https://doi.org/10.1016/j.procs.2016.04.012
Baradwaj, B. K., & Pal, S. (2011). Mining Educational Data to Analyze Students’
Performance. (IJACSA) International Journal of Advanced Computer Science and
Applications, 2(6), 63–69. https://doi.org/10.1177/039463200201500108
292
REFERENCIAS
Barragán, S., & González, L. (2015). Un modelo para explicar la retención en la Universidad
de Bogotá Jorge Tadeo Lozano: árboles de decisión. V CLABES.
https://revistas.utp.ac.pa/index.php/clabes/article/view/1090/1113 (Último acceso:
septiembre de 2020)
Bauselas, E. (2004). Modelos de orientación e intervención psicopedagógica; modelo de
intervención por programas. EduPsykhé. Revista de Psicología y Psicopedagogía, 3(2),
201–216.
Bean, J. P. (1980). Dropouts and turnover: The synthesis and test of a causal model of student
attrition. Research in Higher Education, 12(2), 155–187.
https://doi.org/10.1007/BF00976194
Bellei, C. (coord. ().2013). Situación Educativa de América Latina y el Caribe: OREALC-
UNESCO.
Berlanga-Silvente, V., & Vilà-Baños, R. (2014). Cómo obtener un Modelo de Regresión
Logística Binaria con SPSS. REIRE, 7(2), 105–118.
https://doi.org/10.1344/reire2014.7.2727//
Bermúdez, R., & Pérez, L. M. (2015). El Enfoque Histórico-Cultural como base psicológica
de la formación de ingenieros y arquitectos. Referencia Pedagógica, 2, 102–115.
www.rrp.cujae.edu.cu (Último acceso: septiembre de 2020)
Bernardo, A., Esteban, M., Fernández, E., Cervero, A., Tuero, E., & Solano, P. (2016).
Comparison of personal, social and academic variables related to university drop-out
and persistence. Frontiers in Psychology, 7(oct), 1–9.
https://doi.org/10.3389/fpsyg.2016.01610
Bonaldo, L., & Nobre, L. (2016). Dropout: Demographic profile of Brazilian university
students. Procedia - Social and Behavioral Sciences, 228(junio), 138–143.
293
https://doi.org/10.1016/j.sbspro.2016.07.020
Boyle, D. S. (2014). The impact of peer mentoring on first-time college students in a student
success course : an action science research study. Capella University.
Brito Delgado, J. M., & Quijada González, M. (2012). Los sistemas de acceso, normativas
de permanencia, y estrategias de tutoría y retención de estudiantes de educación
superior en Cuba. Proyecto ACCEDES (DCI-ALA/2011/232).
http://accelera.uab.cat/ACCEDES/docs/informes/bolivia.pdf (Último acceso:
septiembre de 2020)
Bulgarelli-Bolaños, R. M., Rivera-Rodríguez, J. A., & Fallas-Vargas, M. A. (2017). El
proceso vocacional del estudiantado universitario en condición de logro y rezago
académico : Un análisis desde el enfoque evolutivo de Donald Super. Revista
Electrónica Educare, 21(1), 1–24. https://doi.org/http://dx.doi.org/10.15359/ree.21-1.1
Cabrera-Murcia, E. P. (2017). Manual para ayudantías. Construyendo aprendizaje activo
entre pares en Educación Superior. Universidad Alberto Hurtado.
https://www.academia.edu/31810642/Manual_para_ayudantías_Elsa-
piedad_Cabrera_Murcia (Último acceso: septiembre de 2020)
Cabrera-Murcia, P. (2017). ¿Cómo diseñar ayudantías que favorezcan el aprendizaje activo
de los estudiantes tutoreados? La percepción del ayudante universitario. Estudios
Pedagógicos, XLIII(3), 47–62.
Cabrera, A. F., Nora, A., & Castañeda, M. B. (1992). The role of finances in the persistence
process: A structural model. Research in Higher Education, 33(5), 571–593.
https://doi.org/10.1007/BF00973759
Cabrera, L., Bethencourt, J. T., Álvarez, P., & González, M. (2006). El problema del
294
REFERENCIAS
abandono de los estudios universitarios. Revista Electrónica de Investigación y
Evaluación Educativa, 12(2), 171–203. https://goo.gl/rd2Spi (Último acceso:
septiembre de 2020)
Cabrero, B. G., Ceballos, S. P., García Vigil, M. H., Niebla, J. C., Garduño, C. M., Soto, Y.
M., Rodríguez, A. S., Cervantes, D. I., Sánchez, S. M., & Villanueva, Y. A. (2016). Las
competencias del tutor universitario: Una aproximación a su definición desde la
perspectiva teórica y de la experiencia de sus actores. Perfiles Educativos, 38(151).
Canedo, E. D., Santos, G. A., & Leite, L. L. (2018). An Assessment of the Teaching-Learning
Methodologies Used in the Introductory Programming Courses at a Brazilian
University. Informatics in Education, 17(1), 45–59.
https://doi.org/10.15388/infedu.2018.03
Cañizares, R. (2012). Repositorio de Recursos Educativos para las Instituciones de
Educación Superior. Universidad de las Ciencias Informáticas.
Casaravilla Gil, A., Campo Yagüe, J. M. del, García López, A., & Torralba Marco, R. (2012).
Análisis del abandono en estudios de ingeniería y arquitectura en la Universidad
Politécnica de Madrid. II CLABES. http://oa.upm.es/19254/
Castaño, E., Blanco, A., & Asensio, E. (2012). Competencias para la tutoría: experiencia de
formación con profesores universitarios. Revistacia de Docencia Universitaria, 10(2),
193–210.
Chiecher, A. C., & Paoloni, P. V. (2015). El taller preparatorio semipresencial para el ingreso
en ingeniería. Expectativas y valoraciones de los participantes. CLABES.
http://revistas.utp.ac.pa/index.php/clabes/article/view/1183 (Último acceso: septiembre
de 2020)
Chies, L., Graziosi, G., & Pauli, F. (2014). Job Opportunities and Academic Dropout : the
295
Case of the University of Trieste. Procedia Economics and Finance, 17(March 2014),
63–70. https://doi.org/10.1016/S2212-5671(14)00879-X
Ciudad, F. Á. (2019). Apuntes para la enseñanza de la Ingeniería y Gestión de Software
(Editorial Académica Española (ed.)). Editorial Académica Española.
Colomé, D. M. (2013). Ambiente de trabajo para la producción de objetos de aprendizaje
en la Educación Superior. Universidad de las Ciencias Informáticas.
Conde, A., Hinojo, M. A., & Fuentes, A. (2017). Acción tutorial y TIC en la práctica de
profesores noveles universitarios. En Ruiz-Palmero, J., Sánchez- Rodríguez, J. y
Sánchez-Rivas (eds.), Innovación docente y uso de las TIC en educación. UMA
Editorial.
Gacel-Ávila, J. (coord.). (2018). La educación superior, internacionalización e integración
regional de América Latina y el Caribe (P. H. Guajardo y H. Juri (eds.)). UNESCO-
IESALC.
Costa, E. B., Fonseca, B., Santana, M. A., Ferreira, F., & Rego, J. (2017). Evaluating the
effectiveness of educational data mining techniques for early prediction of students ’
academic failure in introductory programming courses. Computers in Human Behavior,
73, 247–256. https://doi.org/10.1016/j.chb.2017.01.047
CRESALC/UNESCO. (1997). Conferencia Regional sobre Políticas y Estrategias para la
Transformación de la Educación Superior en América Latina y el Caribe. Centro
Regional para la Educación Superior en América Latina y el Caribe (CRESALC).
https://doi.org/10.5354/0719-3769.2002.14713
Creswell, J. W. (2014). Research Design: Qualitative, Quantitative, and Mixed Methods
Approaches. SAGE Publications, Inc.
296
REFERENCIAS
Da Re, L., & Clerici, R. (2017). Abandono, rendimiento académico y tutoría: una
investigación de la Universidad de Padua. Educatio Siglo XXI, 35(2), 139–160.
https://doi.org/http://dx.doi.org/10.6018/j/298551
Dapozo, G. N., Greiner, C. L., & Godoy, M. V. (2011). Retención de alumnos y culminación
de estudios. Análisis y propuestas para la Licenciatura en Sistemas de Información de
la UNNE. VI Congreso de Tecnología En Educación y Educación En Tecnología.
http://sedici.unlp.edu.ar/handle/10915/18911 (Último acceso: septiembre de 2020)
de Armas, N., Lorences, J., & Perdomo, J. M. (2012). Caracterización y diseño de los
resultados científicos como aportes de la Investigación Educativa. (p. 14). Universidad
Pedagógica “Félix Varela.” https://bit.ly/3mbDzHF (Último acceso: septiembre de
2020)
de Armas, N., Marimón, J. A., Guelmes, E. L., Rodríguez, M. A., Rodríguez, A., & Lorences,
J. (2004). Los resultados científicos como aportes de la investigación educativa. Centro
de Ciencias e Investigaciones Pedagógicas.Universidad Pedagógica “Félix Varela.”
https://bit.ly/2ZAbWyw (Último acceso: septiembre de 2020)
de Conincka, D., Matthijsa, K., & Luyten, P. (2019). Subjective well-being among first-year
university students: A two-wave prospective study in Flanders, Belgium. Student
Success, 10(1), 33–45. https://doi.org/10.5204/ssj.v10i1.642
de Escobar, V., Delgado, N., Fruto, O., & Hernández, D. (2005). Estudio sobre la deserción
y repitencia en la Educación Superior en Panamá. En IESALC-UNESCO.
http://bdigital.binal.ac.pa/bdp/artpma/desercionyrepitencia.pdf (Último acceso:
septiembre de 2020)
de Pablos, J. (coord.). (2008). Análisis Estratégico para la Convergencia Europea (Un
estudio sobre la Universidad de Sevilla). Secretariado de Publicaciones de la
297
Universidad de Sevilla.
de Pablos, J.M., Colás, M.P., López Gracia, A. y García-Lázaro, I. (2019). Uses of digital
platforms in Higher Education from the perspectives of the educational research.
REDU. Revista de Docencia Universitaria, 17(1), 59-72.
https://doi.org/10.4995/redu.2019.11177
Derr, K., Hübl, R., & Ahmed, M. Z. (2012). University preparation via Self-e-Assessment &
Self-study: First findings and implications from evaluating an e-Learning-platform.
Conference Proceedings: 11th European Conference on E-Learning (ECEL), October.
https://www.researchgate.net/publication/265652333 (Último acceso: septiembre de
2020)
Díaz, C. J. (2009). Factores de Deserción Estudiantil en Ingeniería : Una Aplicación de
Modelos de Duración. Información Tecnológica, 20(5), 129–146.
https://doi.org/10.1612/inf.tecnol.4095it.08
Díaz Peralta, C. (2008). Modelo conceptual para la desercion estudiantil universitaria
chilena. Estudios Pedagógicos, XXXIV(2), 65–86.
http://www.scielo.cl/pdf/estped/v34n2/art04.pdf (Último acceso: septiembre de 2020)
Dirección de tutoría y orientación educativa. Ministerio de Educación. (2007). Manual de
tutoría y orientación educativa. https://doi.org/10.1017/CBO9781107415324.004
Donoso, S., Donoso, G., & Arias, Ó. (2010). Iniciativas de retención de estudiantes en
Educación Superior. CALIDAD EN LA EDUCACIóN, 33, 15–61.
Donoso, S., & Schiefelbein, E. (2007). Analisis de los modelos explicativos de retencion de
estudiantes en la Universidad: una vision desde la desigualdad social. Estudios
Pedagógicos, XXXIII(1), 7–27. https://doi.org/10.4067/S0718-07052007000100001
298
REFERENCIAS
Elster, D. (2014). First-Year Students’ Priorities and Choices in STEM Studies - IRIS
Findings from Germany and Austria. Science Education International, 25(1), 52–59.
https://pdfs.semanticscholar.org/e2dc/0f12503f06ceedb7688170e057b8692dafd5.pdf
Estrada, R., Zaldivar, A., Nava, L., Peraza, J. F., Zaragoza, J. N., Diaz, E. M., & Aguilar, C.
(2011). Identification of variables associated with academic success of higher education
students applying data mining. En A. Chova, LG; Belenguer, DM; Martinez (eds.), 3rd
International Conference on Education and New Learning Technologies (EDULEARN)
(pp. 4958–4963).
Ethington, C. A. (1990). A psychological model of student persistence. Research in Higher
Education, 31(3), 279–293. https://doi.org/10.1007/BF00992313
Fernández-Guerrero, I.M., Callejas, Z., & Griol, D. (2020). Longitudinal patterns in Spanish
doctoral theses on scientific medical information: a tertiary study. Scientometrics, 124,
1241-1260. https://doi.org/10.1007/s11192-020-03494-6
Fernández de Morgado, N. (2009). Retención y persistencia estudiantil en instituciones de
Educación Superior: una revisión de la literatura. Paradigma, XXX(2), 39–61.
https://dialnet.unirioja.es/ejemplar/373832 (Último acceso: septiembre de 2020)
Fernández, J. R., & Domínguez, M. J. (2011). Estudio sobre el abandono en los grados de la
Escuela Técnica Superior de Ingeniería Informática de la Universidad de Alcalá. En
AlfaGUIA. http://www.alfaguia.org/alfaguia/files/1320782571_7926.pdf (Último
Ferrero, E. L., & Oloriz, M. G. (2015). Aplicación de estrategias motivacionales para mejorar
la enseñanza de matemática introductoria en la educación superior. CLABES.
https://revistas.utp.ac.pa/index.php/clabes/article/view/1166 (Último acceso:
299
septiembre de 2020)
Flores, R. (2020). Acta Latinoamericana de Matemáticas Educativa. Acta Latinoamericana
de Matemáticas Educativa, 33(1), 106–115.
https://www.clame.org.mx/documentos/alme33_1.pdf (Último acceso: septiembre de
2020)
Fonseca, G. (2016). Articulación teórico-metodológica para el estudio de la retención
estudiantil universitaria. Revista Pertinencia Académica, 1 (Septiembre-Diciembre),
25–36. http://revista-academica.utb.edu.ec/index.php/pertacade/article/view/3 (Último
Fonseca, G., & García, F. (2016). Permanencia y abandono de estudios en estudiantes
universitarios : un análisis desde la teoría organizacional. Revista de La Educación
Superior, 45(179), 25–39. https://doi.org/10.1016/j.resu.2016.06.004
Gairín, J., Feixas, M., Guillamón, C., & Quinquer, D. (2004). La tutoría académica en el
escenario europeo de la Educación Superior. Revista Interuniversitaria de Formación
Del Profesorado, 18(1), 61–77. http://www.redalyc.org/articulo.oa?id=27418105
Gallego-Arrufat, M. J. (2007). Las funciones docentes presenciales y virtuales del
profesorado universitario. Revista Electrónica Teoría de La Educación. Educación y
Cultura en la Sociedad de la Información., Extraordinario, 135–148.
https://bit.ly/3lVkdGm (Último acceso: septiembre de 2020)
Gallego-Arrufat, M. J. (2008). Comunicación didáctica del docente universitario en entornos
presenciales y virtuales. Revista Iberoamericana de Educación, 46(1), 1–16.
https://doi.org/https://doi.org/10.35362/rie4612017
300
REFERENCIAS
García-Holgado, A., Camacho, A., & García-Peñalvo, F. J. (2019). Engaging women into
STEM in Latin America: W-STEM project. Proceedings of the Seventh International
Conference on Technological Ecosystems for Enhancing Multiculturality (TEEM 2019),
232–239. https://doi.org/10.1145/3362789.3362902
García-Martín, J., Pérez-Martínez, J. E., & Sierra-Alonso, A. (2015). Teamwork,
Motivational Profiles, and Academic Performance in Computer Science Engineering.
IEEE Revista Iberoamericana de Tecnologías Del Aprendizaje, 10(2), 77–84.
https://doi.org/10.1109/RITA.2015.2418012
García de Fanelli, A. (2018). Panorama de la educación superior en Iberoamérica. Red
INDICES.
Gil, F. J. (2019). Educación Inclusiva e Interseccional a lo largo de la vida, para que nadie
quede atrás.
González-Ramírez, T., & García-Hernández, A. (2020). Estudio de los factores de
estudiantes y aulas que intervienen en el engagement y rendimiento académico en
Matemáticas Discretas [ en ] Student and classroom factors associated with engagement
and academic achievement in Discrete Mathematics. Revista Complutense de
Educación, 31(2), 195–206. https://doi.org/10.5209/rced.62011
González-Ramírez, T., & Pedraza-Navarro, I. (2017). Variables sociofamiliares asociadas al
abandono de los estudios universitarios. Educatio Siglo XXI, 35(2), 365–388.
https://doi.org/10.6018/j/298651
Gónzalez, A., Mondéjar, J. J., Ortega, J. D., Sánchez, A. M., Silva, L. N., & Sánchez, Y.
(2016). Evolución histórica de la tutoría en la formación de profesionales de la
enfermería. Rev Méd Electrón, 38(4), 646–656.
http://scielo.sld.cu/pdf/rme/v38n4/rme170416.pdf (Último acceso: septiembre de 2020)
301
González, D., & Achiong, G. E. (2015). Procedimientos didácticos en la concepción de la
tutoría científico-investigativa en la formación inicial del profesional de la Educación
en Cuba. Revista de Formación e Innovación Educativa Universitaria, 8(1), 11–22.
https://dialnet.unirioja.es/servlet/articulo?codigo=5535715 (Último acceso: septiembre
de 2020)
González, J. A., García, T., Izquierdo, C., & Torres, A. (2010). Deserción Estudiantil ¿Los
que abandonan, son ellos o nosotros? Revista Pedagogía Universitaria, XV(2).
González, L. E. (2005). Estudio sobre la repitencia y deserción en la educación superior
chilena (IES/2005/ED/PI/45). IESALC-UNESCO.
González, L. E. (2007). Repitencia y deserción universitaria en América Latina. En Informe
sobre la Educación Superior en América Latina y el Caribe 2000-2005. La
metamorfosis de la educación superior. (pp. 156–170).
http://www.oei.es/salactsi/informe_educacion_superiorAL2007.pdf (Último acceso:
septiembre de 2020)
González, M. (2018). La función tutorial en Formación Profesional. Espiral. Cuadernos Del
Profesorado, 11(23), 130–140.
González, M. Á., & Justel, J. Á. (2015). La tutoría universitaria : del modelo actual a un
modelo integral. Revista Electrónica Interuniversitaria de Formación Del Profesorado
(REIFOP), 18(2), 125–142. http://revistas.um.es/reifop/article/view/219671/175471
González-Faraco, J.C., Luzón-Trujillo, A., & Corchuelo-Fernández, C. (2019). Initial
vocational education and training in a second chance school in Andalusia (Spain): A
case study. Aust. Educ. Res., 46, 827–842. https://doi.org/10.1007/s13384-019-00304-
302
REFERENCIAS
Graffigna, A. M., Hidalgo, L., Jofré, A., Berenguer, M. D. C., Moyano, A., & Esteybar, I.
(2014). Tutorial Practice as a Strategy of Retention at the School of Engineering.
Procedia - Social and Behavioral Sciences, 116, 2489–2493.
https://doi.org/10.1016/j.sbspro.2014.01.598
Granda, A. (2013). Modelo didáctico para el uso de comunidades virtuales en el proceso de
enseñanza aprendizaje de la Disciplina Ingeniería y Gestión de Software en la
Universidad de las Ciencias Informáticas. Universidad de las Islas Baleares.
Griol, D., & Callejas, Z. (2017). Teaching and Learning Abstract Concepts by means of
Social Virtual Worlds. International Journal of Virtual and Augmented Reality, 1(1), 1-
14. https://doi.org/10.4018/IJVAR.2017010103
Griol, D., Molina, J.M., & Callejas, Z. (2017). Incorporating android conversational agents
in m-learning apps. Expert Syst. J. Knowl. Eng., 34(4)
Griol, D., Molina, J.M., Sanchis de Miguel, A., & Callejas, Z. (2012). A Proposal to Create
Learning Environments in Virtual Worlds Integrating Advanced Educative Resources.
J. UCS, 18(18). 2516-2541.
Guajardo, P. H. (coord.). (2018). Tendencias de la educación superior en América Latina y
el Caribe 2018. UNESCO – IESALC y UNC. http://www.iesalc.unesco.org.ve/ (Último
Gutiérrez-Santiuste, E., y Gallego-Arrufat, M. J. (2017,). Presencia social en un ambiente
colaborativo virtual de aprendizaje. Análisis de una comunidad orientada a la
indagación. Revista Mexicana de Investigación Educativa RMIE, 22(75), 1169-1186.
Guzmán, C., Muriel, D., & Franco, J. (2009). Deserción estudiantil en la educación superior
colombiana. Metodología de seguimiento, diagnóstico y elementos para su prevención.
303
En Ministerio de Educación.
https://www.mineducacion.gov.co/sistemasdeinformacion/1735/articles-
254702_libro_desercion.pdf (Último acceso: septiembre de 2020)
Hernández-Sampieri, R., Fernández-Collado, C., & Baptista-Lucio, M. del P. (2014).
Metodología de la Investigación (McGRAW-HIL (ed.); Sexta).
https://periodicooficial.jalisco.gob.mx/sites/periodicooficial.jalisco.gob.mx/files/meto
dologia_de_la_investigacion_-_roberto_hernandez_sampieri.pdf (Último acceso:
septiembre de 2020)
Hernández, D. de la C., Almuiñas, J. L., & Vargas, A. (2012). Modelo integracionista de las
variables fundamentales que influyen sobre la eficiencia académica en instituciones de
educación superior. Pedagogía Universitaria, XVII(1), 11–29.
Hernández, D. de la C., Vargas, A., Almuiñas, J. L., & García, J. L. (2015). Los indicadores
actuales de la eficiencia académica: necesidad de su perfeccionamiento. Pedagogía
Universitaria, XX(3), 53–62.
Herrera, L., & Enrique, C. (2008). Proyectos de Innovación en Tutorías en la Universidad de
Granada: Análisis de los instrumentos empleados. Revista de Currículum y Formación
Del Profesorado, 12(2), 18. http://www.ugr.es/local/recfpro/rev122COL5.pdf (Último
Herrero Abellán, R. (n.d.). Manual de Kahoot para docentes (pp. 1–9). Proyecto Nuevas
Metodologías. https://bit.ly/3kwSLgB (Último acceso: septiembre de 2020)
Heublein, U., & Wolter, A. (2011). Studienabbruch in Deutschland. Definition, Häufigkeit,
Ursachen, Maßnahmen. Zeitschrift Für Pädagogik, 57(2), 214–236.
Horruitiner Silva, P. (2009). La Universidad Cubana: el Modelo de Formación. Editorial
304
REFERENCIAS
Universitaria del Ministerio de Educación Superior.
Hrastinski, S. (2019) What Do We Mean by Blended Learning?. TechTrend,s 63, 564-569.
https://doi.org/10.1007/s11528-019-00375-5
IESALC/UNESCO. (2006). Repitencia y deserción universitaria en América Latina. Centro
Interuniversitario de Desarrollo CINDA.
https://www.cinda.cl/download/libros/Repitencia y Deserción Universitaria en América
Latina.pdf (Último acceso: septiembre de 2020)
Jiménez García, L. (coord.). (2015). Manual para el Plan de Orientación y Acción Tutorial
(Fénix Editora (ed.)). Universidad de Sevilla.
https://psicologia.us.es/sites/psicologia/files/acciontutorial/Manual-abril-2016.pdf
Korhonen, V., & Rautopuro, J. (2018). Identifying Problematic Study Progression and “ At-
Risk ” Students in Higher Education in Finland. Scandinavian Journal of Educational
Research, 0(0), 1–14. https://doi.org/10.1080/00313831.2018.1476407
Kori, K. (2017). The Role of Academic, Social and Professional Integration in Predicting
Student Retention in Higher Education Information Technology Studies. University of
Tartu, Estonia.
Kori, K., Pedaste, M., Altin, H., Tõnisson, E., & Palts, T. (2016). Factors That Influence
Students’ Motivation to Start and to Continue Studying Information Technology in
Estonia. IEEE Transactions on Education, 59(4), 255–262.
https://doi.org/10.1109/TE.2016.2528889
Kori, K., Pedaste, M., & Must, O. (2018). The Academic, Social, and Professional Integration
Profiles of Information Technology Students. ACM Trans. Comput. Educ., 18(4), 20:1-
20:19. https://doi.org/10.1145/3183343
305
Kori, K., Pedaste, M., Niitsoo, M., Kuusik, R., Altin, H., Tõnisson, E., Vau, I., Leijen, Ä.,
Mäeots, M., Siiman, L., Murtazin, K., & Paluoja, R. (2015). Why do Students Choose
to Study Information and Communications Technology? Procedia - Social and
Behavioral Sciences, 191, 2867–2872. https://doi.org/10.1016/j.sbspro.2015.04.249
Kori, K., Pedaste, M., Tõnisson, E., Palts, T., Altin, H., Rantsus, R., Sell, R., Murtazin, K.,
& Rüütmann, T. (2015). First-year dropout in ICT studies. IEEE Global Engineering
Education Conference, EDUCON, 2015–April(March), 437–445.
https://doi.org/10.1109/EDUCON.2015.7096008
Kuriakose, R. B. (2017). Freshman engineering student perceptions of academic feedback-a
case study from Digital Systems 1. 3rd International Conference on Higher Education
Advances, HEAd’17, 42–54. https://doi.org/10.1109/FIE.2016.7757443
Lacave, C., Molina, A. I., & Cruz-Lemus, J. A. (2018). Learning Analytics to identify
dropout factors of Computer Science studies through Bayesian networks. Behaviour &
Information Technology, 1–15. https://doi.org/10.1080/0144929X.2018.1485053
Lacave, C., Molina, A. I., Redondo, M. A., & Ortega, M. (2016). Redes bayesianas para
identificar perfiles de estudiante . Aplicación al estudio del abandono de las titulaciones
de Informática en la Universidad de Castilla-La Mancha. 1, 47–54.
Lázaro Alvarez, N. (2020). Utilización y producción de videos tutoriales en Matemática. En
R. Flores (Ed.), Acta Latinoamericana de Matemática Educativa (Vol. 33, Issue 1, pp.
106–115). Comité Latinoamericano de Matemática Educativa, Clame A.C.
https://www.clame.org.mx/documentos/alme33_1.pdf (Último acceso: septiembre de
2020)
Lázaro Alvarez, N., Callejas, Z., & Griol, D. (2020). Factores que inciden en la deserción
306
REFERENCIAS
estudiantil en carreras de perfil Ingeniería Informática. Revista Fuentes, 22(1), 105-126.
https://doi.org/10.12795/revistafuentes.2020.v22.i1.09
Lázaro, N., Callejas, Z., Griol, D., & Durán, M. (2017). La deserción estudiantil en educación
superior: S.O.S. en carreras de Ingeniería Informática. VII CLABES.
http://revistas.utp.ac.pa/index.php/clabes/article/view/1674
Lázaro Alvarez, N., Callejas, Z., & Griol, D. (2020). Predicting computer engineering
students’ dropout in Cuban higher education with pre-enrollment. Journal of
Technology and Science Education, 10(2), 241-258. https://doi.org/10.3926/jotse.922
Lilian, R., & Camargo, A. (2013). Las perspectivas de docentes ingenieros sobre las tutorías
en la universidad. REDU, 11, 375–395.
http://ojs.cc.upv.es/index.php/REDU/article/view/5561/5551 (Último acceso:
septiembre de 2020)
Lizarte Simon, E. J. (2017). Análisis del abandono de los estudios en la universidad de
granada. el caso de la facultad de ciencias de la educación. [Universidad de Granada.].
http://hdl.handle.net/10481/62301 (Último acceso: septiembre de 2020)
López, A., García, T., del Pozo, P. P., Lombillo, I., & Vargas, A. (2013). Estudio diagnóstico
sobre los factores que afectan la dedicación al estudio en el primer año de las carreras
agropecuarias en la universidad agraria de la habana. Pedagogía Universitaria,
XVIII(1), 1–17.
López, I., Marín, G., & García, M. E. (2012). Deserción escolar en el primer año de la carrera
de Medicina. Revista de Educación Médica Superior, 26(1), 45–52.
Lorenzo-Lledó, G., Lledó, A., Lorenzo, A., & Arráez, G. (2017). La acción tutorial como
acompañamiento en el alumnado universitario con discapacidad: hacia una educación
inclusiva. International Journal of Developmental and Educational Psychology. INFAD
307
Revista de Psicología, No 1 - Monográfico 3, 1(3), 137–144.
https://doi.org/10.17060/ijodaep.2017.n1.v4.1036
Luzón, A., & Torres, M. (2013). Apuntes sobre la internacionalización y la globalización en
educación. De la internacionalización de los modelos educativos a un nuevo modelo de
gobernanza. Journal of Supranational Policies of Education, 1, 53-66.
Luzón, A., & Torres, M. (2015). Las políticas educativas contra el abandono escolar
temprano en Andalucía: la Beca 6000. En A. Tarabini (comp.). Políticas de lucha contra
el abandono escolar en España (pp. 109-132).
Lynch, M. A. (2015). The effects of seminar on first to second year retention rate at a mid-
sized community college. Capella University.
Marín-Suelves, D., Vidal-Esteve, M. I., Peirats-Chacón, J., & San Martín-Alonso, Á. (2019).
Competencia digital transversal en la formación del profesorado, análisis de una
experiencia. Innoeduca. International Journal of Technology and Educational
Innovation, 5(1), 4-12. https://doi.org/10.24310/innoeduca.2019.v5i1.4890
Martínez, E. (2016). Situaciones de fracaso escolar: Aprender de la experiencia
[Universidad de Granada]. http://hdl.handle.net/10481/44248 (Último acceso:
septiembre de 2020)
Matusovich, H. M., Streveler, R. A., & Miller, R. L. (2010). Why Do Students Choose
Engineering? A Qualitative, Longitudinal Investigation of Students’ Motivational
Values. Journal of Engineering Education, 99(4), 289–303.
MECD (Ministerio de Educación, Cultura y Deporte). (2013). Objetivos Educativos
Europeos y Españoles. En Estrategia Educación Formación 2020.
Mello, S. P. T. ., Melo, P. A. ., & Mello Filho, R. T. (2015). Estudando a evasão no ensino
308
REFERENCIAS
tecnológico em uma instituição de ensino superior no sul do Brasil. EccoS – Revista
Científica, 37, 181–196. https://doi.org/10.5585/eccos.n37.4890
Mendoza, A. A., & Acosta, R. J. (2013). Propuesta para la predicción del rendimiento
académico de los estudiantes de la universidad del atlántico, basado en la aplicación del
análisis discriminante. En WEEF.
Mesa, L. (2016). El Sistema Educativo Cubano y su carácter inclusivo. Revista Brasileira de
Educação Do Campo, 1(2), 364–380. https://doi.org/10.20873/uft.2525-
4863.2016v1n2p364
Meyer, M., & Fang, N. (2019). A qualitative case study of persistence of engineering
undergraduates. International Journal of Engineering Education, 35(1), 99–108.
Micin, S., Farías, N., Carreño, B., & Urzúa, S. (2015). Beca nivelación académica: la
experiencia de una política pública aplicada en una universidad chilena. Calidad en la
Educación, 42, 198–208. https://doi.org/10.4067/S0718-45652015000100007
Miliszewska, I., Barker, G., Henderson, F., & Sztendur, E. (2006). The Issue of Gender
Equity in Computer Science – What Students Say. Journal of Information Technology
Education, 5. https://cutt.ly/Kr8Fusz (Último acceso: septiembre de 2020)
Ministerio de Comunicaciones. (2017). Política Integral para el Perfeccionamiento de la
Informatización de la Sociedad en Cuba. (pp. 1–12). https://cutt.ly/jr4UYxt (Último
Ministerio de Educación Superior. (2010). Reglamento de Organización Docente de la
Educación Superior (pp. 1–30). Gaceta Oficial de la República de Cuba.
Ministerio de Educación Superior. (2014). Normas Generales del Sistema de Ingreso a la
Educación Superior (pp. 1–42).
Normas Generales del Sistema de Ingreso a la Educación Superior, 1 (2014).
309
https://www.mes.gob.cu/sites/default/files/documentos/resoluciones/2014/Res
97.2014.pdf (Último acceso: septiembre de 2020)
Ministerio de Educación Superior. (2017). Reglamento de Organización Docente de la
Educación Superior (Reglamento No.111/2017; pp. 1–27). Gaceta Oficial de la
República de Cuba.
Ministerio de Educación Superior. (2018a). Modificaciones y adiciones para el proceso de
ingreso a la Educación Superior (pp. 1–11).
Ministerio de Educación Superior. (2018b). Reglamento de Trabajo Docente y Metodológico
de la Educación Superior (pp. 1–64). Gaceta Oficial de la República de Cuba.
Ministerio de Educación Superior. (2019a). Modificaciones y adiciones para el proceso de
ingreso a la Educación Superior (pp. 1–4).
Ministerio de Educación Superior. (2019b). Prontuario Estadístico de la Educación Superior
en Cuba (p. 224). Ministerio de Educación Superior. https://www.mes.gob.cu
Ministerio de Educación Superior de la República de Cuba. (2017). Breve resumen de las
carreras que se estudian en la Educación Superior en Cuba. Sitio Web.
https://www.mes.gob.cu/es/carreras-0 (Último acceso: septiembre de 2020)
Miranda, M. A., & Guzmán, J. (2017). Análisis de la deserción de estudiantes universitarios
usando técnicas de minería de datos. Formacion Universitaria, 10(3), 61–68.
https://doi.org/10.4067/S0718-50062017000300007
Mohamed, M. H., & Waguih, H. M. (2018). A proposed academic advisor model based on
data mining classification techniques. International Journal of Advanced Computer
Research, 8(36), 129–136. https://doi.org/10.19101/ijacr.2018.836003
Montoro, G., Muruzábal, O., Sandoval, G., & Wee, C. (2017). 7 Pasos para diseñar un
310
REFERENCIAS
MOOC de Calidad: una Propuesta para la Colaboración entre Profesores y Diseñadores
de Aprendizaje. EN EMOOCs-ES 2017 (pp. 98-107)
Moreno, J. C., & Rodríguez, D. R. (2014). La motivación profesional en los estudiantes de
la especialidad de Agronomía. Pedagogía Profesional, 12(2), 1–11.
Munizaga, F. R., Cifuentes, M. B., & Beltrán, A. J. (2018). Retención y Abandono Estudiantil
en la Educación Superior Universitaria en América Latina y el Caribe: Una Revisión
Sistemática. Education Policy Analysis Archives, 26(61).
https://doi.org/10.14507/epaa.26.3348
Murtaugh, P. A., Burns, L. D., & Schuster, J. (1999). Predicting the retention of university
students. Research in Higher Education, 40(3), 355–371.
https://link.springer.com/article/10.1023/A:1018755201899 (Último acceso:
septiembre de 2020)
Nagy, M., & Molontay, R. (2018). Predicting Dropout in Higher Education based on
Secondary School Performance. 2018 IEEE 22nd International Conference on
Intelligent Engineering Systems (INES), 389–394.
https://doi.org/10.1109/INES.2018.8523888
Nandeshwar, A., Menzies, T., & Nelson, A. (2011). Learning patterns of university student
retention. Expert Systems With Applications, 38(12), 14984–14996.
https://doi.org/10.1016/j.eswa.2011.05.048
Niitsoo, M., Paales, M., Pedaste, M., Siiman, L., & Tõnisson, E. (2014). Predictors of
informatics students’ progress and graduation in university studies. Proceedings of
INTED2014 Conference, March, 2521–2529.
Núñez Jover, J. (2005). Notas sobre Ciencia, Tecnología y Sociedad en Cuba. Série
Seminários de Pesquisa. Universidade Federal Do Rio de Janeiro Instituto de
311
Economia.
http://www.ie.ufrj.br/oldroot/publicacoes/serie_seminarios_de_pesquisa/notas_sobre_
ciencia_tecnologia_y_sociedad_en_cuba.pdf (Último acceso: septiembre de 2020)
Ocaña, J.M., Morales-Urrutia, E.K., Pérez-Marín, D., Tamayo-Moreno, S. (2019). How to
Create a Pedagogic Conversational Agent for Teaching Computer Science. Advanced
Online Education and Training Technologies, 114-134
O´Reilly, T., Cabrera, J., García, Y., & Clavero, O. (2019). Sistema de acciones
metodológicas para la preparación del tutor universitario. Revista Contribuciones a Las
Ciencias Sociales, febrero, 1–26.
https://www.eumed.net/rev/cccss/2019/02/preparacion-tutor-universitario.html
Oloriz, M., Lucchini, M., & Ferrero, E. (2007). Relación entre el Rendimiento Académico
de los Ingresantes en Carreras de Ingeniería y el Abandono de los Estudios
Universitarios. En actas del VII Coloquio Internacional Sobre Gestión Universitaria En
América Del Sur “Movilidad, Gobernabilidad e Integración Regional,” 1–11.
http://www.inpeau.ufsc.br/wp/wp-content/BD_documentos/2102.pdf (Último acceso:
septiembre de 2020)
OREALC/UNESCO. (2013). Situación Educativa de América Latina y el Caribe: Hacia la
eduación de calidad para todos al 2015.
http://works.bepress.com/cgi/viewcontent.cgi?article=1009&context=cesar_guadalupe
Pablo-Lerchundi, I., Núez-Del-Río, M. C., & González-Tirados, R. M. (2015). Career choice
in Engineering students: its relationship with motivation, satisfaction and the
312
REFERENCIAS
development of professional plans. Anales de Psicología, 31(1), 268–279.
https://doi.org/10.6018/analesps.31.1.159161
Paimin, A. N., Prpic, J. K., Hadgraft, R. G., & Alias, M. (2017). Understanding student’s
learning experiences in higher education. Proceedings of INTED2017 Conference,
March, 6670–6676.
Paivi, P. (2012). Enthusiasm Towards Mathematical Studies in Engineering. Proceedings of
the 36th Conference of the International Group for the Psychology of Mathematics
Education, 3(1990), 313–320.
https://www.academia.edu/1869433/Enthusiasm_towards_Mathematical_Studies_in_
Engineering (Último acceso: septiembre de 2020)
Pascarella, E. T., Pierson, C. T., Wolniak, G. C., & Terenzini, P. T. (2004). First-Generation
College Students: Additional Evidence on College Experiences and Outcomes. The
Journal of Higher Education, 75(3), 249–284. https://doi.org/10.1353/jhe.2004.0016
Pascarella, E. T., & Terenzini, P. T. (1980). Predicting Freshman Persistence and Voluntary
Dropout Decisions from a Theoretical Model. The Journal of Higher Education, 51(1),
60–75. http://www.jstor.org/stable/1981125 (Último acceso: septiembre de 2020)
Pascuas Rengifo, Y. S., Jaramillo Morales, C. O., & Verástegui González, F. A. (2015).
Desarrollo de objetos virtuales de aprendizaje como estrategia para fomentar la
permanencia estudiantil en la educación superior. Rev. Esc.Adm.Neg., June 2017, 116–
129. https://doi.org/10.21158/01208160.n79.2015.1271
Peña-Calvo, J. V., Inda-Caro, M., Rodríguez-Menéndez, C., & Fernández-García, C. M.
(2016). Perceived Supports and Barriers for Career Development for Second-Year
STEM Students. Journal of Engineering Education, 105(2), 341–365.
https://doi.org/10.1002/jee.20115
313
Peña-Hernández, Y., Martínez-Sánchez, N., & Jesús-Calderíus, M. de. (2019). Apuntes
históricos sobre la permanencia estudiantil en el contexto universitario cubano. EduSol,
19(66), 98–112.
Peña Torres, C. E. (2016). Análisis de los factores de la deserción estudiantil en Facultad de
Ciencias Socioeconómicas y Empresariales de las Unidades Tecnológicas de
Santander, Bucaramanga, Colombia [Universidad de Granada Facultad de Ciencias de
la Educación]. http://hdl.handle.net/10481/48509 (Último acceso: septiembre de 2020)
Pérez-Marín, D., Hijón-Neira, R., Bacelo, A., & Pizarro, C. (2020). Can computational
thinking be improved by using a methodology based on metaphors and scratch to teach
computer programming to children? Computers in Human Behavior, 105.
https://doi.org/10.1016/j.chb.2018.12.027.
Pinacho Escobar, L. A. (2018). Manual para el tutor. Universidad Regional del Sureste.
Dirección General de Asuntos Académicos.
https://tutoria.minedu.gob.pe/assets/manual-de-tutoria-y-orientacion-educativa.pdf
Porta, L., & Silva, M. (2003). La investigación cualitativa: El análisis de contenido en la
investigación educativa (pp. 1–18).
http://www.investigacioncualitativa.es/Paginas/Articulos/investigacioncualitativa/Port
aSilva.pdf (Último acceso: septiembre de 2020)
Prifti, L., Heininger, R., & Utesch, M. (2017). Analysis and Evaluation of Tools , Programs
, and Methods at German University to Support the Study Skills of School Students.
IEEE Global Engineering Education Conference (EDUCON), April, 137–145.
Proyecto ALFA GUIA DCI-ALA/2010/94. (n.d.). Gestión Universitaria Integral del
314
REFERENCIAS
Abandono. Página Web. Recuperado el 23 de diciembre de 2019, desde
http://www.alfaguia.org/www-alfa/index.php/es/
Proyecto ALFA GUIA DCI-ALA/2010/94. (2012). Marco conceptual sobre el Abandono.
Diagrama Conceptual Básico del Abandono.
Proyecto ALFA GUIA DCI-ALA/2010/94. (2013a). Catálogo de prácticas de planificación.
Actividades de planificación de las enseñanzas realizadas por las instituciones socias
del Proyecto ALFAGUIA. Proyecto Alfa Guia, DCI-ALA/2010/94.
Proyecto ALFA GUIA DCI-ALA/2010/94. (2013b). Marco Conceptual sobre el Abandono.
Construcción colectiva del concepto de abandono en la educación superior para su
medición y análisis.
Proyecto ALFA GUIA DCI-ALA/2010/94. (2014). Informe de resultados de la Encuesta
sobre el Abandono en la Educación Superior.
Puerto, S. A., Izquierdo, E., Lamanier, J. I., & Vargas, W. A. (2018). Funciones del tutor de
enfermería en la atención primaria de salud. Revista Cubana de Enfermería, 34(4),
2019. http://revenfermeria.sld.cu/index.php/enf/rt/printerFriendly/1636/0 (Último
Quintana Albalat, J., & Higueras Albert, E. (2009). Las Webquests, una metodología de
aprendizaje cooperativo, basada en el acceso, el manejo y el uso de información de la
red (Octaedro (ed.); Primera Ed). Universidad de Barcelona.
https://octaedro.com/libro/las-webquests-una-metodologia-de-aprendizaje-
cooperativo- basada-en-el-acceso-el-manejo-y-el-uso-de-informacion-de-la-red/
Ramírez, E. R., Espinosa, D. M., & Millán, E. E. (2016). Estrategia para afrontar la deserción
universitaria desde las Tecnologías de la Información y las Comunicaciones. Revista
315
Científica, 24, 52–62. https://doi.org/10.14483/udistrital.jour.RC.2016.24.a5
Reyes, R., & Izquierdo, C. (2012). El plan de acción tutoral integral. Su papel en la nueva
universidad cubana. Revista Pedagogía Universitaria, XVII(2), 14–27.
http://cvi.mes.edu.cu/peduniv/index.php/peduniv/article/view/16/16 (Último acceso:
septiembre de 2020)
Rodríguez Delís, Y. M. (2019). Adopción y uso de recursos educativos abiertos en educación
superior [Universidad de Granada.]. http://hdl.handle.net/10481/56429 (Último acceso:
septiembre de 2020)
Rodríguez, E. C., & Ansola, E. (2013). Políticas nacionales sobre el abandono estudiantil en
las universidades de la República de Cuba. III CLABES, 11.
Rodríguez Espinar, S. (coord.). (2012). Manual de tutoría universitaria. Recursos para la
acción (S. L. Octaedro (ed.); Primera). Universitat de Barcelona.
https://octaedro.com/wp-content/uploads/2019/02/10162.pdf (Último acceso:
septiembre de 2020)
Romero, S. (coord.). (2009). La acción tutorial en la universidad: un eje en el desarrollo de
competencias profesionales en el EEES. Actas Del Congreso de AIDIPE, 63–102.
https://bit.ly/3iyfM2B (Último acceso: septiembre de 2020)
Romo López, A. (2011). La tutoría: una estrategia innovadora en el marco de los programas
de atención a estudiantes (Primera ed). Asociación Nacional de Universidades e
Instituciones de Educación Superior.
Salas-Rueda, R. A., Pozos-Cuéllar, R., & Calvo-Palmerín, U. (2018). Uso de la red social
como herramienta tecnológica-pedagógica en el proceso de enseñanza superior. Espiral.
Cuadernos Del Profesorado, 11(23), 141–152.
316
REFERENCIAS
Salazar-Fernandez, J. P., Sepúlveda, M., & Munoz-Gama, J. (2019). Influence of Student
Diversity on Educational Trajectories in Engineering High-Failure Rate Courses that
Lead to Late Dropout. IEEE Global Engineering Education Conference (EDUCON),
607–616.
Sánchez Amaya, G., Navarro Salcedo, W., & García Valencia, A. D. (2009). Factores de
deserción estudiantil en la universidad surcolombiana. PAIDEIA, 97–103.
Sobrado, L. M. (2008). Plan de acción tutorial en los centros docentes universitarios: el rol
del profesor tutor. Revista Interuniversitaria de Formación Del Profesorado, 22(1), 89–
107. https://dialnet.unirioja.es/servlet/articulo?codigo=2541041 (Último acceso:
septiembre de 2020)
Soistak, M. M., Martins, L. M., & Galan, T. do C. (2018). Why engineering students give up
in their formation: a case. Nuances: Estudos Sobre Educação, 29(1), 154–168.
https://doi.org/10.32930/nuances.v29i1.4391.154
Spady, W. G. (1970). Dropouts from Higher Education: An Interdisciplinary Review and
Synthesis. Interchange, 1(1), 64–85. https://doi.org/10.1007/BF02214313
STEMconnector/Million Women Mentors. (2015). Million Women Mentors.
https://www.millionwomenmentors.com/about-mwm (Último acceso: septiembre de
2020)
Suárez-Montes, N., & Díaz-Subieta, L. B. (2015). Estrés académico, deserción y estrategias
de retención de estudiantes en la educación superior. Revista de Salud Pública, 17(2),
300–313. https://doi.org/10.15446/rsap.v17n2.52891
Tamayo-Moreno, S., Pérez-Marín, D. (2020). Designing Pedagogic Conversational Agents
through Data Analysis.TecnoLógicas 23(47), 237-250.
Tinto, V. (1975). Dropout from Higher Education : A Theoretical Synthesis of Recent
317
Research. Review of Educational Research Winter, 45(1), 89–125.
Tinto, V. (1989). Definir la desercion: una cuestion de perspectiva. Revista de la Educación
Superior, 18(71). http://publicaciones.anuies.mx/pdfs/revista/Revista71_S1A3ES.pdf
Tinto, V. (1993). Reflexiones sobre el abandono de los estudios superiores. Perfiles
Educativos, 62, 56–63.
Tinto, V. (1997). Classrooms as Communities: Exploring the Educational Character of
Student Persistence. Journal of Higher Education, 68(6), 599–623.
Tinto, V. (2010). From theory to action: Exploring the institutional conditions for student
retention. (J.C. Smart (ed.) (ed.); Springer N). Higher education: Handbook of theory
and research. https://doi.org/10.1007/978-94-007-2950-6
Tondeur, J., Van Braak, J., Sang, G., Voogt, J., Fisser, P., & Ottenbreit-Leftwich, A. (2012).
Preparing pre-service teachers to integrate technology in education: A synthesis of
qualitative evidence. Computers and Education, 59(1), 134–144.
https://doi.org/10.1016/j.compedu.2011.10.009
Torrado, J.C., Gómez, J., Montoro, G. (2020). Hands-On Experiences with Assistive
Technologies for People with Intellectual Disabilities: Opportunities and Challenges.
IEEE Access, 8, 106408-106424.
Torres, A., Patterson, A. B., & Pérez, J. C. (2016). La preparación del tutor en la
microuniversidad : retos y desafíos. Editorial Universitaria. http://www.e-
libro.com/titulos (Último acceso: septiembre de 2020)
Torres Guevara, L. E. (2012). Retención estudiantil en la educación superior : revisión de la
literatura y elementos de un modelo para el contexto colombiano (Editorial). Pontificia
318
REFERENCIAS
Universidad Javeriana.
Torres, I. (2013). La utilización de las TICS en las tutorías como medio para mejorar las
relaciones entre centros-profesores-padres-alumnos. Universidad Internacional de La
Rioja.
Úbeda-Sánchez, Á. M., Fernández-Cano, A., & Callejas, Z. (2019a). Inferring hot topics and
emerging educational research fronts. On the Horizon, 27(2), 125–134.
https://doi.org/10.1108/OTH-04-2019-0017
Úbeda-Sánchez, Á.M., Fernández-Cano, A., & Callejas, Z. (2019b). Using evaluative
indicators of scientific journals to identify emergent research fronts in special education.
En A. Chova, LG; López-Martinez, A., Candel-Torres, I. (eds.), 11th International
Conference on Education and New Learning Technologies (EDULEARN) (pp. 3394-
3403).
Úbeda-Sánchez, Á.M., Fernández-Cano, A., & Callejas, Z. (2020). Detecting emerging
research fronts in education from scientific journals indexed in the Journal Citation
Reports: an international perspective. Revista de Educación, 389, 177–209.
https://doi.org/ 10.4438/1988-592X-RE-2020-389-459
Ullah, M. A., Alam, M. M., Mahiuddin, M., & Rahman, M. M. (2019). Predicting Factors of
Students Dissatisfaction for Retention. En A. Abraham, P. Dutta, J. K. Mandal, A.
Bhattacharya, & S. Dutta (eds.), Proceedings of Emerging Technologies in Data Mining
and Information Security. IEMIS 2018 (pp. 501–510). Springer Nature Singapore Pte
Ltd. https://doi.org/10.1007/978-981-13-1951-8
UNESCO-IESALC. (2018). Plan de Acción 2018 - 2028. III Conferencia Regional de
Educación Superior para América Latina y el Caribe.
UNESCO. (2016). Measuring gender equality in science and engineering: The SAGA
319
science, technology and innovation gender objectives list (STI GOL) (No. 1).
https://unesdoc.unesco.org/ark:/48223/pf0000245006 (Último acceso: septiembre de
2020)
Universidad de las Ciencias Informáticas. (s.f.-a). Campus de la Universidad de las Ciencias
Informáticas. Sitio Web. Recuperado el 15 de septiembre de 2020, desde
https://www.uci.cu/universidad/campus
Universidad de las Ciencias Informáticas. (s.f.-b). Misión de la Universidad de las Ciencias
Informáticas. Sitio Web. Recuperado el 15 de septiembre de 2020, desde
https://www.uci.cu/universidad/mision
Universidad de las Ciencias Informáticas. (2019). Plan de Estudios “E” Ingeniería en
Ciencias Informáticas (pp. 1–137). Universidad de las Ciencias Informáticas.
University of Salamanca (coord.). (2020). Building the future of Latin America: engaging
women into STEM [Construyendo el futuro de América Latina: involucrar a las mujeres
en STEM]. https://wstemproject.eu/es/el-proyecto/ (Último acceso: septiembre de 2020)
Uzuriaga-López, V. L., Posso-Agudelo, A. E., & Martínez-Acosta, A. (2013). Algunas
estrategias para mejorar la articulación de la educación media con la superior. Scientia
et Technica, 18(4), 732–736.
Vallejo. M., Moreno Yus, M. A., & Porto, M. (2008). Hacia una caracterización de buenas
prácticas pedagógicas ante el riesgo de exclusión educativa. En J. Gairín y S. Antúnez
(Eds.), Organizaciones educativas al servicio de la sociedad (pp.289-320).
Vallejo, M., & Alfageme, M. B. (2009). An instrument for the evaluation of teaching. The
International Journal of Learning, 16, 137-150.
Van Den Broeck, L., De Laet, T., Lacante, M., Pinxten, M., Van Soom, C., & Langie, G.
320
REFERENCIAS
(2017). Comparison between bridging students and traditional first-year students in
Engineering technology. European Journal of Engineering Education, 0(0), 1–16.
https://doi.org/10.1080/03043797.2017.1417357
VanDerLinden, K. (2014). Blended learning as transformational institutional learning. New
Directions for Higher Education, 2014(165), 75-85.
Vargas-C, J. G., Bustos-Rios, L. S., & Moreno-Laverde, R. (2005). Propuesta para aumentar
el nivel académico, minimizar la deserción, rezago y repitencia universitaria por
problemas de bajo rendimiento académico en la Universidad Tecnológica de Pereira, en
el Programa Ingeniería de Sistemas y Computación. Scientia Et Technica, XI(28), 145–
150. http://www.redalyc.org/articulo.oa?id=84911707026 (Último acceso: septiembre
de 2020)
Vázquez, S. M., & Difabio, H. (2009). Academic achievement and formal thought in
engineering students. Electronic Journal of Research in Educational Psychology, 7(2),
653–672.
Vega Barona, C. F. (2015). Experiencias formativas service learning: Modelo pedagógico
para promover aprendizaje activo y contextualizado desde primer año. CLABES.
Vélaz-de-Medrano, C., González-Benito, A., & López-Martín, E. (2018). Evaluación del
nivel de desempeño de la tutoría en educación secundaria obligatoria: percepción de los
propios tutores. Revista de Educación, 382, 107–132. https://doi.org/10.4438/1988-
592X-RE-2018-382-394
VI Congreso del Partido Comunista de Cuba. (2011). Resolución sobre los Lineamientos de
la Política Económica y Social del Partido y la Revolución (pp. 1–41).
http://www.cuba.cu/gobierno/documentos/2011/esp/l160711i.pdf (Último acceso:
septiembre de 2020)
321
Vigotsky, L. S. (1987). Historia del desarrollo de las funciones psíquicas superiores.
(Editorial Científico-Técnico. (ed.)).
Vila, D., Cisneros, S., Granda, P., & Ortega, C. (2019). Detection of Desertion Patterns in
University Students Using Data Mining Techniques: A Case Study. En B.-T. M., P. G.,
Z.-P. M., D. M., & Z. S. M. (eds.), Technology Trends. CITT 2018. Communications in
Computer and Information Science. Springer, Cham (Vol. 895, pp. 420–429). Springer,
Cham. https://doi.org/10.1007/978-3-030-05532-5_31
Villwock, R., Appio, A., & Andreta, A. A. (2015). Educational Data Mining with Focus on
Dropout Rates. IJCSNS International Journal of Computer Science and Network
Security, 15(3), 17–23.
Wang, S., Nan, B., Rosset, S., & Zhu, J. (2011). Random lasso. The Annals of Applied
Statistics, 5(1), 468–485. https://doi.org/10.1214/10-AOAS377
Wilson, V. (2015). Implementation and evaluation of a mentor training program and one-
to-one mentoring at a community college: an action research study (No. February).
Capella University. United States.
World Economic Forum. (2016). The Global Gender Gap Report 2016. World Economic
Forum.
Xenos, M., Pierrakeas, C., & Pintelas, P. (2002). A survey on student dropout rates and
dropout causes concerning the students in the Course of Informatics of the Hellenic
Open University. Computers and Education, 39, 361–377.
https://doi.org/10.1016/S0360-1315(02)00072-6
Yong-Min, L., Ai-bin, C., & Jun, T. (2009). A new viewpoint on the reason of computer
science course’s students drop out. ETP/ IITA World Congress in Applied Computing,
322
REFERENCIAS
Computer Science and Computer Engineering, 185–188.
Zehetmeier, D., Bottcher, A., Buggemann-Klein, A., Thurner, V., & Schlierkamp, K. (2015).
Finding Competence Characteristics among First Semester Students in Computer
Science. 45th Annual Frontiers in Education Conference, 1079–1087.
https://doi.org/10.1109/FIE.2015.7344201
323
ANEXOS
324
REFERENCIAS
325
326
ANEXO 1. Estudios de Deserción con énfasis en STEM y en
Informática en WoS, Scopus y Google Scholar

Estudios de Deserción con énfasis en STEM y en Ingeniería Informática en Wo
(Autores, Variables analizadas Tasa de Muestra Metodología Publicació
año)/país abandono
reportada
(Salazar- género, ingresos 40% Registros Cuantitativo Conferenc
Fernández, económicos familiares y académicos de 794 Minería de
Sepúlveda, y habilidades matemáticas estudiantes de procesos.
Muñoz-Gama, Ingeniería de la Estudio de
2019)/ Chile Universidad Austral caso
de Chile que
pertenecen a las
cohortes 2007 a
2009
(Meyer, M., y Antecedentes familiares, No reporta 5 estudiantes de una Cualitativo: Internatio
Fang, N., diversas experiencias gran universidad Estudio de Journal of
2019)/ EEUU dentro de la Ingeniería y pública de caso mediante Engineeri
la educación. Pérdida de investigación en la entrevistas Education
conexión e interés en región de Mountain semiestructura
Ingeniería, y West de los Estados das
experimentar barreras Unidos.
académicas.
(Canedo, métodos de enseñanza En el segundo 637 estudiantes de Cuantitativo Informatic
Santos, y aprendizaje en semestre de Ingeniería en Cuestionario in
Leite, 2018)/ asignaturas de 2013 una tasa Ciencias de satisfacción Education
Brasil Introducción a la promedio de Informáticas de la

reportada
Informática y de abandono en Universidad de
Matemática y el carreras de Brasilia en 2017.
rendimiento en estas Ingeniería de un
asignaturas 40%.
(Soistak et al., Razones académicas, Razones Cursos de Cuantitativo Nuances-
2018)/ Brasil personales, académicas Ingeniería de la Estadística Estudos
socioeconómicas y 61%, Universidad descriptiva sobre
familiares. personales Tecnológica Federal Cuestionario Educacao
18%, socio- de Paraná aplicado a
económicas estudiantes en
12% y el proceso de
familiares 9%, solicitud de
en 2013 y 2014 abandono.
(Alzen, Apoyo para el 23 074 estudiantes Cuantitativo Internatio

Langdon, aprendizaje. Asistentes matriculados por Regresión al Journal
Otero, 2018)/ de aprendizaje de primera vez en un logística of STEM
EEUU licenciatura, raza/etnia, curso STEM en la Education
género, estado de Universidad de
primera generación y si Colorado Boulder
recibió ayuda
financiera, créditos al
momento de la
inscripción,
promedio de
calificaciones y puntajes
328
reportada
de los exámenes de
admisión.
(Kori, Pedaste, Integración académica, 29,8% en 509 estudiantes de Cuantitativo ACM

Must, 2018)/ integración profesional primer año primer año en tres mediante un Trans.
Estonia y autoeficacia instituciones de cuestionario Comput.
relacionada con la educación superior utilizando Educ.
graduación. de TI en Estonia. estadística
inferencial.
(Paimin, Prpic,aspectos psicológicos No aporta Programas de Cualitativo Conferen-

Hadgraft y incluidos en este estudio Ingeniería en una Entrevista cia
Alias, 2017)/ son cognitivos Universidad de semiestructura-
Malasia y (estrategias de estudio), Malasia y da
Australia afectivos (emociones) y Australia
conativos (intenciones)
(Van den Educación previa, el 35% Facultad de Cuantitativo European
Broeck, De aprendizaje inicial y las Ingeniería Técnica, Encuesta Journal of
Laet, Lacante, estrategias de estudio. KU Leuven estadística Engineeri
Pinxten, Van La influencia ambiental inferencial. g
Soom & y transición percibida a Education
Langie, 2017)/ la universidad
Bélgica
(Kuriakose, Sistema de evaluación y 60% Universidad Central Cuantitativo Conferenc
2017)/ retroalimentación de Tecnología de mediante un
Sudáfrica Sudáfrica cuestionario y

reportada
estadística
descriptiva
(Kory, et al, Razones para aplicar a No reporta 1.464 estudiantes Estudio mixto Procedia -
2016)/ Estonia estos estudios: interés, candidatos a la a través de un Social and
necesario para el Informática o la cuestionario Behaviora
trabajo, continuidad, Tecnología de la de preguntas Sciences
salario, mercado de Información, 572 de abiertas
trabajo, importancia en ellas fueron
el Futuro, desarrollo de aceptados.
campo, beca, idoneidad,
simpatía, desarrollo
personal, experiencia
previa, autorrealización
y otro. Se analizó cómo
estas razones se
relacionan con la
aceptación o no
aceptación de los
candidatos
330
reportada
(Kori et al., Demografía estudiantil; El 32,2% 301 estudiantes de Cuantitativo Conferenc
2015)/ Estonia estudios previos; abandonaron primer año de TIC se determinó
motivación; desempeño sus carreras en Estonia que la
en la universidad; la durante el rellenaron un significación
condición psicológica primer año de cuestionario al estadística de
del estudiante; estudio. principio del primer las respuestas
características semestre y después a un
institucionales y las del primer semestre. cuestionario
expectativas
(Zehetmeier, Competencias básicas más del 30% en Cursos 2013/14 y Cuantitativo Conferenc
Bottcher, como la materias STEM 2014/15, 320 Análisis de
Bruggemann- autoorganización, el estudiantes de correlación
Klein, pensamiento lógico y primer año de la
Thurner, & analítico, habilidades de Facultad de
Schlierkamp, comunicación y Informática y
2015)/ competencias teóricas y Matemáticas de la
Alemania prácticas con PC Universidad de
Ciencias Aplicadas
de Munich.
(Altin, y problemas financieros, 33% 48 estudiantes de Cualitativo Conferenc
Rantsus, laborales y personales primer año que Entrevista
2015)/ Estonia abandonaron la semiestructura
Universidad de da sobre las
Tartu en 2014. causas de
abandono

reportada
(Ahmed, Kloot Sociológicos y El 30% de los 275 estudiantes de Cualitativo Revista
y Collier- psicológicos. estudiantes en primer año Faculty Análisis de Europea d
Reed, 2015)/ Restricciones Sudáfrica of Engineering and contenidos de Educación
Sudafrica financieras y abandonan la the Built las respuestas en
domésticas. Motivación, ES en su primer Environment abiertas a un Ingeniería
estructura institucional, año de estudio, cuestionario.
factores académicos el 20% en el
segundo y
tercer año de
estudio.
(Bernabé, y género, edad, nota de 40% Universidad de Cuantitativo Conferenc

Lacave, 2015)/ acceso, forma de acceso Castilla-La Mancha Redes
España. y datos familiares, 363 estudiantes que bayesianas.
titulación, centro de abandonaron los
estudios, provincia y diferentes títulos de
municipio de residencia, Ingeniería
asignaturas Informática
matriculadas, aprobadas ofrecidos por la
y suspensas UCLM en el
período
comprendido entre
2008 y 2012.
332
reportada
(Mello, Melo género, edad, interés 20% en 2012 168 estudiantes que Mixto. ECCOS-
y Mello Filho, profesional, tipo de abandonaron la Cuestionario Revista
2015)/ Brasil enseñanza previa carrera de con preguntas Científica
pública o privada Informática en la abiertas y
Universidad Federal cerradas con
del Sur de Brasil de análisis de
2009-12 contenido.
(Elster, 2014)/ La expectativa de éxito, No reporta El cuestionario IRIS Mixto Conferenc

Alemania y el valor subjetivo de la fue completado por Cuestionario y
Austria tarea, la identidad estudiantes de entrevistas
personal (autoconcepto ciencia y tecnología
del estudiante) y la al final de su primer
identidad social (cómo año de educación
se ve a sí mismo en superior (Alemania:
categorías sociales), la N = 2336; Austria:
conexión entre la N = 1344).
elección de estudio y la
identidad de los
estudiantes.
(Graffigna et capacidades de los No reporta análisis de la tutoría Estudio Procedia -
al., estudiantes que como estrategia de mixto: Social and
2014)/Argenti ingresan, poco tiempo retención observación Behaviora
na de estudio, evaluaciones institucional en participante, Sciences
superpuestas y carreras de entrevista en
Ingeniería en la

reportada
relaciones con los Universidad profundidad y
maestros Nacional de San cuestionario.
Juan
(Niitsoo, puntajes previos en 60% 156 estudiantes de Cuantitativo: Conferenc
Paales, Matemáticas, el tiempo nuevo ingreso de estadística
Pedaste, dedicado al estudio y el Informática en La descriptiva,
Siiman, y rendimiento académico Universidad de varianza,
Tõnisson, en Informática Tartu en 2012 valor marginal
2014)/ Estonia y tamaño del
efecto.
(Jungmann & Criterios de admisión: (a) autoevaluaciones, que brindan a los Cualitativo: Conferenc
Ossenberg, estudiantes la oportunidad de probar su inclinación antes de su Revisión
2013)/ decisión a favor o en contra programa de estudio de Ingeniería, bibliográfica
Alemania (b) calificaciones escolares en Matemáticas y Física como
criterios de selección preferiblemente objetivos y confiables, y
(c) entrevistas personales o al menos ensayos como medida para
evaluar la motivación de los solicitantes.
334
reportada
Paivi, Porras, La motivación y la No reporta 138 estudiantes Cuantitativo, Conferenc
2012/ autorregulación, finlandeses que árboles de
Finlandia estudios previos, comenzaron sus decisión
resultados en la prueba estudios de Cuestionarios
de aptitud, rendimiento Matemática para de motivación
académico. Ingeniería en el año y
académico 2010- autorregulació
2011. Universidad n
de Ciencias
Aplicadas de
Saimaa
(Derr, Huebl, habilidades básicas en No reporta Universidad Estatal Cuantitativa Conferenc
y Ahmed, Matemáticas, rango de Cooperativa de estadística Proceedin
2012)/ conocimiento, Baden- inferencial s: 11th
Alemania motivación, capacidad Wuerttemberg Encuesta de European
de aprendizaje Mannheim satisfacción Conferenc
autónomo on E-
Learning
(ECEL)

reportada
(Heublein y Desempeño en los En las 4500 estudiantes Encuesta Zeitschrif
Wolter, 2011, estudios, débil Matemáticas, la exmatriculados de fur
p 222)/ preparación previa en Informática, la 87 Universidades en Padagogik
Alemania Matemáticas, problemas Física, más del 2007/2008
financieros y falta de 30%, Ingeniería
motivación Mecánica 34%
y Eléctrica 33%
(Araque, edad, género, estado 49,6% en Datos de 10844 Cuantitativo Computer

Roldán, y familiar, empleo, uso de Informática estudiantes de tres Modelo de and
Salguero, medios de grados de Regresión Education
2009)/ España. comunicación y de Informática a partir logística
computadoras, la de la cohorte de
capacitación vocacional 1992 en la
previa, estrategias Universidad de
educativas débiles y Granada
bajo rendimiento
académico
336
reportada
(Vazquez y nivel de pensamiento No reporta 709 estudiantes de Cuantitativo Revista
Difabio, operacional formal y el Ingeniería de primer Test de electrónic
2009)/ rendimiento académico, año durante 2006 y Pensamiento de
Argentina características 2007 en una Lógico- investigac
demográficas y los universidad Formal n en
puntajes de las pruebas argentina. Correlación y educación
de ingreso análisis de
componentes
principales
(Yong-Min; la falta de tiempo y la 40% Facultad de Conferenc
Ai-bin; y Jun, falta de motivación Tecnología
2009)/ China Vocacional,
Universidad Central
del Sur de
Silvicultura y
Tecnología
(Miliszewska, el género, el personal Disminuyen las Victoria University, Mixta Revista de
Barker, académico, los métodos inscripciones Melbourne, Encuesta y Tecnología
Henderson, pedagógicos y el femeninas de Australia grupo focal. la
and Sztendur, contenido del curso 32% en 1994 a Correlación de Informació
2006)/ 18% el2004, las Pearson Educación
Investigaci
Australia tasas de
deserción
aumentaron a
40% en 2003.

reportada
(Xenos, la edad, el uso de reporta el 50% Curso de Cualitativo Computer
Pierrakeas, y medios tecnológicos, la en países Informática de la Análisis de las and
Pintelas, existencia de educación asiáticos Facultad de Ciencia entrevistas Education
2002)/ Grecia previa en el campo de la y Tecnología de la con los
informática o el trabajo Universidad estudiantes
con computadoras Helénica Abierta
(Spady, 1970, Congruencia normativa: 38% de la 683 estudiantes de Mixto datos Interchang
1971)/EEUU actitudes, intereses y muestra primer año de la longitudinales,
disposiciones de Universidad de cuestionarios
personalidad Chicago en 1965 y entrevistas.
compatibles con el Usa técnicas
entorno. Integración estadísticas
social satisfacción, multivariadas
potencial académico, mediante
compromiso. análisis de
Influencias de la familia componentes
y rendimiento principales,
académico. varianza.
(Bean, 1980)/ socioeconómicas, No reporta 1.171 estudiantes Cuantitativa Research
EEUU provincia, logros mediante Higher
académicos previos, regresión Education
calidad percibida con la múltiple y
institución y con la análisis de
educación que recibe, ruta de datos
autopercepción del obtenidos de
desarrollo académico, una encuesta y
beneficios laborales datos
338
reportada
institucionales
.
(Pascarela y Antecedendes 12% de 763 estudiantes de Cuantitativa The

Terenzini, socioeconómicos y abandono primer año de la mediante Journal of
1980)/ EEUU académicos, opción de voluntario Universidad de análisis Higher
elección, género, raza, Syracuse en el factorial de Education
programa inscrito, meta centro del estado de componentes
a alcanzar, promedio de Nueva York en principales,
calificaciones de primer 1977. análisis
año y participación en multivariado
actividades de covarianza,
extracurriculares análisis de
clasificación y
análisis
discriminante

reportada
(Cabrera, Persistencia El 15,5% de la 467 estudiantes de Cuantitativa Research
Nora, y institucional, muestra primer año en una utilizando el Higher
Castañeda, compromiso con los gran institución Modelo de Education
1992)/ EEUU objetivos, compromiso urbana de los Ecuaciones
Institucional, EEUU. Estructurales.
Integración Académica, Diseño de
Integración social, investigación
rendimiento académico longitudinal
previo, influencia de
otros y las finanzas
(ayuda financiera y
satisfacción con ella)
340
reportada
Tinto, 1997)/ atributos de los 40% de la 287 estudiantes de Estudio The
EEUU estudiantes, educación muestra primer año Mixto. Journal of
Classrooms as previa, matriculados en el Cuantitativo: Higher
Communities: responsabilidades Seattle Central estadísticas Education
Exploring the familiares y laborales, Community College descriptivas y
Educational nivel educativo de los divididos en dos análisis de
Character of padres, intenciones grupos con regresión
Student educativas, preferencias Programas logística.
Persistence de aprendizaje, impartidos de dos Cualitativo:
percepciones de formas diferentes: entrevistas
capacidad y actitudes, Programa de estudio
créditos y promedios de cooperativo y
calificaciones obtenidos mediante el plan de
en la Universidad, las estudios tradicional.
horas de estudio por
semana, las
percepciones del
profesorado y la
puntuación sobre la
participación con otros
estudiantes.

reportada
(Nandeshwar, antecedentes familiares 45,2 Universidad Cuantitativa: Expert Systems Crear m
Menzies, y y el estado % en Estatal de árbol de with Applications apoyo
Nelson, 2011)/ socioeconómico de la el Kent decisión y financi
EEUU familia, el GPA de la tercer redes necesit
escuela secundaria y los año neuronales. estudia
resultados de los vivir en
exámenes propor
especia
comple
lectura
primer
académ
los estu
342
reportada
(Villwock, antecedentes 50% en 76 estudiantes Cuantitativa. el IJCSNS La implem
Appio, y académicos y los primer de la árbol de decisión Internatio restaurant
Andreta, 2015) factores año Especialidad de J48, una nal ayudaría a
Brasil socioeconómicos Matemática en implementación Journal of tienen los
como ingresos la Universidad del algoritmo Computer una mayo
familiares, Estadual del C4.5 Science (Iniciació
presupuesto Oeste del and la enseñan
doméstico, gastos Paraná- Network académico
con la universidad, Cascavel Security oportunid
ciudad de tener un in
residencia, sin la nece
vivienda, entre seguir coo
otros formación
Deserción STEM con énfasis en Ingeniería Informática en Scopus y Google Schola

(Autores, Variables analizadas Tasa de Muestra Metodología Publicación
reportada
(Dapozo, Datos personales aproximadamente Departamento Cuantitativa. VI Congreso de
Greiner, y como género, edad, 22.000 alumnos de Informática. Encuesta. Tecnología en
Godoy, 2010, estado civil. Datos que ingresan a las Facultad de Estadística Educación y
2011)/ Laborales: si carreras de Ciencias descriptiva. Educación en
Argentina trabaja, salario y Informática del Exactas y Tecnología.
actividades país, unos 18.000 Naturales y OPSSI.
relacionadas con la alumnos Agrimensura Observatorio
carrera. Provincia, abandonan la Universidad Permanente de la
fuente de ingreso, carrera cada año Nacional del Industria del
equipos para un 82% Nordeste. Software y
tecnológicos y Argentina. En Servicios
conectividad. la etapa 1996- Informáticos
Aspectos 2008. (2010)
académicos año de http://www.guiai
ingreso, trayectoria ndustriatic.com.a
y rendimiento. r/cessi/ Reporte-
FinalEEP1ero20
10.pdf
344
reportada
(Fernández y Carencias 30% en Ingeniería Escuela Mixta. AlfaGUIA
Domínguez, formativas previas Informática Técnica Análisis
2011)/ España en cuanto a base Superior de estadístico
Matemática, Informática de descriptivo
razonamiento y la Universidad de datos de
comprensión de Alcalá. los
lectora. España. estudiantes y
Habilidades de encuesta.
estudio. Grupos de
Insuficiente discusión
número de sesiones con
presenciales. profesores.
Inconformidad con
la planificación y
coordinación de las
asignaturas.
Insuficiente
material facilitado
por el profesor.

reportada
(Ullah, Alam, Satisfacción de los No 376 Cuantitativa. Advances 1. Necesidad de n
Mahiuddin, y estudiantes con los reporta estudiantes de Encuesta. in calidad con exper
Rahman, servicios de la diferentes Estadística Intelligent práctica. 2. Increm
2019)/ Universidad y sus especialidades descriptiva. Systems de laboratorio. 3.
Bangladesh instalaciones: como: Regresión and actividades extrac
calidad de la Negocios, logística. Computing currículo académ
enseñanza, Ingeniería, Naïve enfocado en la ne
laboratorio, Derecho, Bayes, mercado de traba
servicios de la Artes y Random clase debe mante
biblioteca, el centro Humanidades Forest La enseñanza deb
médico, la comida, mediante la agrup
la seguridad, el de los alumnos. 7
transporte, los seguir un plan de
asesores profesores invitad
académicos, las debe ser reempla
actividades extra y 10. Aumentar las
las posibilidades de cantina sirviendo
investigación saludables. 11. N
facilidad de inves
de aumentar los l
13. Mejorar las in
346
reportada
(Vila, Edad, etnicidad, No reporta 12620 Cuantitativa, Technology
Cisneros, nacionalidad, lugar estudiantes de técnicas de Trends. CITT
Granda, (...), de origen, lugar de la Universidad clasificación 2018.
Posso-Yépez, residencia, nivel de Técnica del predictiva en Communications
García- discapacidad, Norte del la minería de in Computer and
Santillán, género, estado Ecuador, de 37 datos: Information
2019)/ Ecuador civil, carga carreras, 25 Bayesiano y Science.
familiar, modalidad licenciaturas y Árboles de Springer, Cham
de estudio, 12 de Ingeniería decisión
facilidad, de los años
calificaciones (2013–2017).
promedio, y
estadísticas
actuales
(Lacave, Datos académicos 40% en 383 estudiantes Cuantitativa: Behaviour &
Molina y Cruz- y sociales de los Informática matriculados en redes Information
Lemus, 2018)/ estudiantes: género, el grado de bayesianas Technology
España opción de carrera, Informática
rendimiento durante cuatro
estudiantil, nota cursos 2010-
promedio cuando 2015 de la
es admitido en la Universidad de
universidad, forma Castilla-La
de acceso a la Mancha
universidad, si ha
trabajado o no y

reportada
ciudad de donde
procede
(Baradwaj, y Asistencia, No 50 estudiantes de Cuantitativa. (IJACSA) Identifica
Pal, 2011)/ calificaciones del reporta VBS Purvanchal Árboles de International que neces
India. semestre anterior, University, Jaunpur decisión Journal of para reduc
promedio de (Uttar Pradesh) Advanced tomar las
pruebas de clase, Departamento de Computer para el ex
rendimiento en el aplicaciones Science and semestre.
seminario y trabajo informáticas del Applications
de laboratorio, para curso MCA (Master
predecir el of Computer
rendimiento al final Applications) de la
del semestre. cohorte 2007 a 2010
(Alkan, 2014)/ Factores no No 164 estudiantes Cuantitativa. Procedia - Aumentar
Turkia académicos: la reporta universitarios de los Análisis de Social and pertenenc
soledad, uso de departamentos de Regresión Behavioral estudiante
apoyo instrumental psicología, Jerárquica Sciences de psicoed
y emocional, Matemáticas, las habilid
sentido de literatura inglesa y los mecan
pertenencia a la traducción e afrontami
escuela, el nivel de interpretación asesorar a
satisfacción global en temas a
de ser un estudiante también e
universitario, uso psicosocia
de sustancias, implemen
planificación,
348
reportada
aceptación, aumenten
intención de global de
abandonar
(Allen, los efectos del el 38% de la 6.872 Cuantitativa. Res High Educ
Robbins y rendimiento muestra se han estudiantes de regresión
Casillas, académico, la cambiado a otra 23 logística
2008)/ EEUU motivación y la institución o han universidades y multinomial
conexión social en abandonado colegios de
el comportamiento cuatro años
de retención,
transferencia y
abandono en el
tercer año
(Amaya, Variables de tipo No reporta Universidad Cuantitativa. IEEE Latin

Barrientos y personal, como edad Simón Bolívar, el árbol de America
Heredia, actual, ciudad de Barranquilla decisión J48 e Transactions
2015)/ procedencia, estrato, ID3
Colombia género, ocupación,
estado civil, nivel
de estudios del
padre y de la madre;
económicas, como
valor de la matricula
e ingresos y de
carácter académico

reportada
como semestre,
jornada, materias
cursadas, materias
perdidas y
promedio.
(Badr, rendimiento en otras No reporta, 204 estudiantes Cuantitativa. Procedia
Algobaila, materias para dice: altas graduados en Algoritmo de Computer
Almutairia, y predecir el tasas de Matemáticas de clasificación Science
Almuterya, rendimiento del deserción y 2008-2014 del basada en
2016)/ Arabia alumno en el curso bajo Departamento de asociaciones
Saudita de programación rendimiento Matemáticas de la
académico Facultad de Ciencias
de King Saud
University
350
reportada
(Oloriz, El rendimiento 50% 3554 Cuantitativa: VII Coloquio
Lucchini, y académico del estudiantes de Correlación Internacional
Ferrero, 2007)/ estudiante en el nuevo ingreso sobre Gestión
primer cuatrimestre de diez cohortes Universitaria en
y la deserción de las carreras América del Sur
durante el segundo, de Ingeniería en
tercero y cuarto Alimentos e
cuatrimestre. Ingeniería
Industrial de la
Universidad
Nacional de
Luján, entre los
años 1996 y
2005.
(Prifti, programas de 35% en los Cualitativa: entrevistas IEEE Global
Heininger, desarrollo de Informática programas de expertos Engineering
Utesch, y habilidades de de semiestructuradas Education
Krcmar, 2017) estudio desarrollo Conference
Alemania de (EDUCON)
habilidades
de estudio
que ofrecen
diez
universidad
es

reportada
Nagy y Relacionados con el programa Uno de cada tres 15.825 Cuantitativo: Conferencia Reco
Molontay, universitario (Identificación, estudiantes estudiantes Árbol de pers
2019 facultad, fecha de solicitud), abandona. La de pregrado Decisión, Naïve tutor
relacionados con la escuela tasa de abandono de la Bayes, k-NN, a los
secundaria (nombre, de la educación Universidad modelos
identificación, ciudad), superior en de lineales y
relacionados con el rendimiento Hungría es alta, Tecnología aprendizaje
de la escuela secundaria la tasa de y Economía profundo con
(Resultados de exámenes de graduados de de Budapest diferentes
ingreso), datos personales programas inscritos configuraciones
(domicilio, género, edad). STEM es una de entre 2010 y de entrada
las más bajas de 2017
la UE
352
ANEXOS
ANEXO 2. Entrevista semiestructurada a
estudiantes que causaron baja de la carrera
Se realiza una investigación para identificar los factores predictivos de deserción estudiantil
en carreras del perfil de Ingeniería Informática, para hacer una propuesta que contribuya a
su disminución atendiendo a las causas que la provocan. Le solicitamos su consentimiento
para participar en esta entrevista que tiene el objetivo analizar los factores que incidieron en
su decisión de abandonar los estudios. Le agradecemos por adelantado su cooperación y
participación.
Se realizarán cuatro preguntas estructuradas y todas aquellas que surjan de la conversación
y estén relacionadas con el tema. Las preguntas estructuradas son:
1. ¿Cuáles son las razones por las que causaste baja de la Universidad?
5. Si tienes alguna sugerencia que contribuya a evitar de deserción puedes
plantearla.
353
354
ANEXO 3. Registro de las respuestas de los entrevist
Provincia/ Caso Pregunta 1 Pregunta 2 Pregunta 3 Pregunta 4

Sexo/ID
Granma/F/279 1 Para mí, lo fundamental para La pedí en Pedí en primera Mis planes fue
abandonar mis estudios fue la tercer lugar, Estomatología y hacer otra
dificultad que tuve con la en tercera en segunda convocatoria p
Matemática, porque no tenía buena opción Lengua Inglesa entrar de nuevo
base, los profesores nunca fueron Universidad, p
buenos, nunca tuvimos así la luego de eso m
preparación necesaria para asumir integrado a la
las nuevas asignaturas, fue difícil y sociedad, he
no me sentí preparada, tampoco me trabajado en la
sentí muy bien porque entonces gastronomía,
comencé desaprobando, particular, por
desmotivándome de la carrera que propia, y no m
yo pensé que iba a ser diferente y no ido mal, pero
me sentí bien y dejé la carrera 1.1. quisiera supera
¿En qué momento dejaste la quisiera de nue
carrera? “En el segundo semestre empezar y hac
del primer año ya después de haber ingreso y de nu
terminado con muy malas notas ingresar una ca
entonces decidí tomarme un tiempo universitaria, q
para hacer nuevamente pruebas de siempre hace f
ingreso.” título universit

Sexo/ID
Granma/F/166 2 Por problemas personales En cuarta Lengua Inglesa, Sí volví a inten

familiares. opción Historia del Arte y en un curso de
1.1 ¿No hubo ninguna razón que Alimento y Seguridad
tuviera que ver con la propia Informática pe
universidad? “No” pude tampoco.
1.2 ¿No tuviste problemas con estos momento
ninguna asignatura? Sí, a mí lo que matriculé aquí
dio trabajo fue la Programación. provincia en un
1.3 ¿En qué momento causaste baja? de contabilidad
“Inicio del tercer año” finanzas
Granma/F/393 3 Al no llegarle la carrera que pidió en primera opción Esa es una en primer lug
se sintió muy decepcionada, decepcionada porque carrera que Biología…
Sólo en este
era lo que más deseaba. Luego analizamos que la ella la pidió en después
caso contestó la
carrera que la había llegado era una carrera buena, la tercera opción Derecho,
madre.
fuimos convenciendo hasta que ella fue entendiendo después
Informática
ve, Ella es una joven que no tenía calle, vaya salida
de la casa, entonces al enfrentar eso fuera de los
padres de la familia, ella empezó a sentirse mal allí,
hizo amistades, pero se quedaba sola los fines de
semana, le costó trabajo adaptarse. La llamábamos
todas las noches, gastábamos bastante en teléfono.
Bueno ella fue más o menos adaptándose, algunos
profesores le cogieron mucho cariño por lo buena
que es, y nos fueron ayudando a mí, al padre y a
ella. Ella se fue adaptando, me sacaba buenas notas
por allá, pero en sí una profesora de Algebra,
siempre le tenía que dar 2, eso es lo que más la
deprimía. Ella es muy apegada a la familia, yo en
356
Sexo/ID
ese tiempo no me sentía bien, debuté con una
<enfermedad anonimizada> y otros problemas de
salud y ella se deprimió más, me dijo que quería
venir. Se le unieron unos cuantos problemas y
decidimos que viniera para acá.
Granma/M/284 4 La preparación que llevamos de acá En primera Estomatología Hice las pruebas d
es muy floja para el nivel que se opción. y Medicina. ingreso y estoy
exige allá. La base de forma general estudiando en la
porque lo que sabíamos acá es lo Universidad de Gr
que dominábamos allá. Lo dejé en el Cultura Física.
primer año sin llegar a terminarlo. 4.1 ¿En qué año es
“Bueno yo estuve
trabajando despué
salí de allá, perdí u
ahí, después hice l
pruebas de ingreso
matriculé y ahora
que terminé prime
4.2 ¿Estás trabajan
estudiando? Sí

Sexo/ID
Holguín/F/320 5 Yo no quería esa carrera, la pedí en Quinta Periodismo, Me preparé de

quinta opción. Como no llegaron las Comunicación y me presenté
carreras que más pedí, bueno, opté Social y Estudios pruebas de ing
por esa que es una de las más Socioculturales. nuevamente y
llegaba para no quedarme sin Me gustan las llegó la carrera
carrera al final, ve. Cuando llegué letras. yo quería,
que va, no me gustó, no. Me daba Comunicación
duro las Matemáticas no se me dan Social. Estoy e
muy bien y entonces me desilusioné segundo año d
mucho. “Las Matemáticas no se me carrera, me va
dan muy bien, definitivamente, nada bien, me gusta
que ver” Causé baja en el primer mucho, ya tú s
año, en el segundo semestre.
Holguín/M/451 6 Hace cinco años entré y repetí Primera Ingeniería Siempre me gustó la
primer año por Programación y una opción Industrial e Informática, pero al
de cálculo y cuando estaba Ingeniería final empecé a trabajar
repitiendo volví a suspender y eso Mecánica con un tío mío que tiene
me hizo sentir mal y decidí que un taller de reparación
mejor sería dejarlo y encontrar otro de celulares, de
camino, que ese no era el mío. A mí electrónica y como me
siempre me gustó la Matemática, fue más fácil ahí. Ya me
pero en la Universidad es muy quedé trabajando ahí y
fuerte. estoy actualmente
trabajando todavía.
La Habana/ 7 Producto a la alimentación que no Primera No recuerdo, creo que
358
Sexo/ID
F/046 era buena y como vivo en La Matemática y Física en
Habana, venía a mi casa, luego las segunda y tercera.
tareas las dejaban por correo y no
podía verlas, cuando llagaba no las
tenía. Lo que provocaba que me
atrasara.
La Habana/ 8 Las notas de todas las asignaturas No la había Informática en la Realicé prueba
F/407 del segundo semestre. Me golpearon solicitado, en CUJAE, Civil e ingreso y me ll
más las asignaturas de Matemática. la primera Industrial. Ingeniería Indu
vuelta no me y la volví a dej
llegó ninguna Ahora comienz
de las que nuevo Informá
pedí, así que por encuentro.
me la
ofertaron en
segunda
vuelta.
La Habana/ 9 Producto a que suspendí las Segunda En primera Estoy estudiand

F/431 Matemática, los cadetes salen de opción. Matemática en Inglés en el
baja y deben optar por una carrera pura. estoy en cuarto
de menor categoría.
La Habana/ 10 Siempre me gustaron mucho las Yo pedí Psicología, Hice las pruebas
M/095 letras y entonces cuando llené mi esa Historia del de ingreso
boleta. Yo creo que una de las carrera en Arte y nuevamente y
razones fue la falta de orientación séptima Turismo. entré en Español
para llenar las boletas pues yo tenía opción Literatura hice
buen promedio, tenía 98. Pero en las hasta el segundo
pruebas de ingreso no salí bien en que pedí cambio
Matemática, no me gustaba, bueno de carrera y ahora

Sexo/ID
no me gusta. Me dieron esa carrera y estoy en
no me gustaba, la Programación no la Psicología que es
entendía, el Algebra. En enero yo lo que yo quería.
solicité la baja. El camino ha sido
un poco largo
pero bueno.
Pinar del Río/ 11 Una de las razones de mayor peso La pedí en Estomatología, Estoy trabajan
F/127 fue que los cálculos me resultaban sexta Medicina y paladares y
un poco difíciles y tuve que repetir opción. Enfermería. restaurantes. C
un año. Bueno por más que me dejé la carrera
preparaba no veía el resultado y me segundo año, n
di por vencida. quise hacer pru
de ingreso y bu
algo que me di
estabilidad
económica.
Pinar del Río/ 12 Me gusta mucho la Ingeniería En segunda Medicina, Me preparé de

F/169 Informática, presenté problemas Ingeniería para las prueba
familiares y tuve mucha Informática y ingreso, suspen
incongruencia, faltaba mucho, no Derecho de ellas y ento
salí bien, no tenía buenos estoy en mi ca
resultados, tuve que llevar decidí estudiar
mundiales y suspendí y tenía que
repetir y decidí no seguir cursando
la carrera.
360
Sexo/ID
Pinar del Río/ 13 La Programación y los cálculos eran En tercera Medicina, Me fui para mi
F/210 muy difíciles Ingeniería y trabajo como
Industrial e dependienta en
Informática. restaurant.
Matanzas/ 14 La Matemática y la Programación En tercera. Inglés, Licenciatura en He tratado

M/067 eran muy fuertes y suspendí el Turismo y como no pasar algu
primer año. Después pedí cambiar tenía un promedio alto cursos de
de carrera para un Curso de redes y pedí Informática en a ver si tra
seguridad Informática donde tercera. 3.1 ¿No tiene un hotel, p
empecé, pero era la misma que ver? Pero como yo todavía no
Matemática por lo que decidí vivo en matanzas y podido y a
abandonar la carrera de nuevo. eso, pedí inglés y mismo tiem
turismo, pero como estoy traba
gusta también la en una caf
computación y las
tecnologías pedí en
tercera opción eso.
Matanzas/ 15 El programa de estudios de ahí no La pedí en Medicina e Volví a estudia

M/047 era lo yo tenía pensado, pesé que era primera, Ingeniero en gran estudio, p
algo más suave, algo básico de después de Bioquímica. la base de lo qu
temas de cacharrear una todo fue por visto en la Uni
computadora [silencio] de software embullo de hice técnico in
de cómo organizar una computadora mis amistades ahora me desem
y cuando llegué asignaturas muy y que me técnico inform
fuertes que no era lo que yo tenía gusta la institución recr
previsto y aparte mi vocación es Informática Varadero.
algo más fácil con la Informática, no en cierta
es algo tan duro, tan intenso. Causé manera, pero
baja empezando, los dos o tres fue

Sexo/ID
primeros meses. No terminé el principalmen-
primer semestre. te por embullo
de mis
compañeros
de la escuela.
La Habana/ 16 Problemas personales por tanto Primera Ingeniería Seguí haciendo

M/245 necesidad de buscar trabajo opción. Informática, proyectos con
constante. Ingeniería relación a la
Química, Informática. C
Contabilidad y conocimiento
Finanzas. obtenido me pe
hacer diferente
proyectos en e
tiempo libre m
que sigo estudi
por el curso de
trabajadores di
carrera y traba
obtener dinero
Matanzas/ F/338 17 Causé baja de la universidad ya que En quinta En las tres Estuve un tiem
no pude estudiar verdaderamente lo opción. primeras pedí hacer nada y a
que yo quería. Causé baja en el Medicina, empecé en un
primer semestre al suspender la estomatología y de turismo.
asignatura de Matemática y llevarla enfermería.
para mundial.
362
Sexo/ID
Las Tunas/ 18 Dejé la UCI pues me resultó muy Solicité la Solicité Al salir de la U
M/256 difícil la Matemática. carrera en Informática en mi matriculé en un
1.1. Causé baja en el segundo 2da opción. provincia, en técnico medio
semestre, ya había suspendido las segunda contabilidad y
Matemáticas del primero y eso me Ingeniería en trabajo por cue
decepcionó. Ciencias propia.
Informáticas. En
3ra industrial.
Camagüey/ 19 La razón de la baja fue docente. Al La carrera la Ingeniería Hice los exáme
F/042 comienzo de segundo año. Me di solicité en Informática, de ingreso de n
cuenta de que no me gustaba, me primera contabilidad y y estudio
sentía mal ahí. opción. economía. contabilidad.
La Habana/ 20 Me cuestan mucho trabajo las En décima Lengua Inglesa, Estoy terminan
F/095 ciencias y en especial las opción. psicología y escuela de idio
Matemáticas. sociocultural. por la noche y
trabajo por el d
Las Tunas/ 21 Lo principal fueron problemas de La pedía en En primera Solicité traslad

M/387 salud por dedicar largas horas al cuarta Medicina, después enfermedad, al
estudio. Tengo antecedentes de opción. estomatología y año hice de nu
<enfermedad anonimizada> y psicología. pruebas de ing
comencé con una <enfermedad entré en Medic
anonimizada>. Además, lo que
quería realmente es Medicina.

Sexo/ID
Santis Spíritus/ 22 La carrera no es lo que yo pensaba Pedí la En primera Ahora trabajo

M/147 en un inicio, pensaba que tenía más carrera en cibernética a mí cuenta propia y
vinculación con la PC desde que segunda me gusta el arreglo celular
empezara. En primer año no usamos opción cacharreo. laptop o PC.
mucho la computadora y tiene
mucha Matemática.
Las Tunas/ 23 Realmente lo que me gusta es En tercera Periodismo, Estoy trabajan

M/331 periodismo, yo entré en la UCI opción Comunicación e la emisora de r
porque fue lo que me llegó, pero mi Informática, en de Las Tunas y
sueño es ser periodista. No estuve ese orden. estudiando
ahí ni tres meses. Comunicación
por encuentros
Santis Spíritus/ 24 Me fui porque no me gustaba la carrera La pedí En primera pedí Realicé nuevame
M/053 ni la Universidad, estaba muy lejos de en tercera Arquitectura y exámenes de ing
mi casa y me sentía sola. No me opción después matriculé Contab
gustaba el régimen de estudio. Economía en mi provincia
Artemisa/F/266 25 Salí embarazada [silencio] cuando No recuerdo Las tres primeras Pensé regresar
terminé el primer semestre [silencio] creo que fue fueron psicología, UCI, pero la ni
a las 21 semanas de embarazo salí en quinta o comunicación salió enfermiza
de licencia de matrícula sexta opción social y alimentos he estudiado m
Las Tunas/ 26 Estudié muchísimo pero no pude Pedí la UCI Primero Medicina, Me tuve que p
M/309 con Matemática y Programación, en segunda segunda la UCI y trabajar pues m
suspendí como seis asignaturas en opción tercera Industrial padre se enferm
primer año casi todas las
Matemáticas [pausa] podía repetir,
pero decidí regresar a mi provincia.
364
Sexo/ID
Artemisa/F/124 27 Escogí mal, la Carrera no era lo que La pedí en Además, pedí Estoy trabajan
yo pensaba. Lo que me gusta es primera Economía y técnica Inform
instalar programas, pero no opción Contabilidad en una Secund
desarrollarlos, suspendí las pienso estudiar
asignaturas del segundo semestre. maestra.
Tuve que repetir, pero no terminé.
Camagüey/ 28 Siempre quise estudiar Informática, Informática Ingeniería en Ya termino es

M/269 pero en mi provincia, no me llegó y en primera Ciencias
fui para la UCI, así que cuando Informáticas en
terminé primer año con más de 4 de segunda y la
promedio pedí el traslado para mi Ingeniería
provincia Mecánica en
tercera
Villa Clara/ 29 Estudié mucho y terminé el primer Yo pedí la Siempre quise Bueno pedí ca
F/238 año con más de cuatro y pedí UCI en Medicina, Biología carrera, pero
cambio de carrera. octava o Bioquímica, en que ser una In
opción ese orden pedí, entonces cogí
pero no me llegaron y ya me gradu
Villa Clara/ 30 Esto fue lo que me llegó, pero no Yo pedí la Pedí en primera Bueno hice un
F/313 me gusta la carrera. Suspendí todo UCI en Lengua Inglesa, de inglés y aho
de Matemática y Programación, ni novena o en segunda estoy en un téc
siquiera me presenté a los exámenes décima Historia Universal medio de econ
finales opción y Psicología en además trabajo
tercera cuenta propia.
366
ANEXOS
ANEXO 4. Convocatoria para participar en un
Grupo de Discusión
Estimados colegas: Mediante la presente les solicito su participación en un grupo de
discusión a fin de concretar las acciones de la tercera fase de la investigación doctoral titulada
“Acciones tutoriales con TIC atendiendo a factores predictivos de la deserción estudiantil en
carreras de perfil Ingeniería Informática”. El objetivo es identificar matriz DAFO en relación
con el diseño y desarrollo de la acción tutorial para atender factores predictivos de deserción
estudiantil. Con antelación les agradezco por su colaboración. A continuación, cuestiones
que debe conocer:
¿Qué es un Grupo de Discusión? Es una técnica de investigación cualitativa. Un

procedimiento de producción de información (discursos en este caso) que consiste en un
número reducido de personas (seleccionadas por las características que el investigador
decida), que mantiene un debate sobre un tema sugerido por un moderador, produciendo
como resultado un discurso grupal. [Teniendo en cuenta la situación de aislamiento en la que
nos encontramos producto a la Pandemia por la COVID 19, les pido su participación de forma
virtual].
¿Qué es una matriz DAFO? Es una técnica cualitativa, de carácter participativo, que se
basa en el trabajo grupal y está dirigida al análisis de campos de fuerza, sistematizando la
búsqueda de alternativas de solución a los problemas identificados, lo que permite considerar
todas las variantes de combinación de las fuerzas, positivas y negativas, tanto externas como
internas, a la hora de diseñar el Proyecto de Intervención.
¿Qué se define como acción tutorial para la presente investigación? La acción tutorial es
un medio para acompañar, guiar, apoyar, facilitar y orientar el proceso continuo de
inserción del estudiante en el medio universitario. Constituye la labor pedagógica
encaminada al acompañamiento y seguimiento de los estudiantes con la intención de que el
proceso educativo se desarrolle en las condiciones más favorables posible, e incluye otras
que realiza cada profesor dentro de su asignatura en función del proceso de aprendizaje de
cada uno de sus estudiantes.
¿Cuáles son los factores predictivos de deserción? La autora ha identificado, a partir de un

estudio teórico, un grupo de factores que inciden en la deserción de los estudiantes en carreras
del perfil Ingeniería Informática a nivel internacional y se presentan en Anexo de este
documento.
Temas para considerar sobre el diseño y desarrollo de la Acción Tutorial
• Nivel de preparación para el diseño y desarrollo de la acción tutorial para atender factores
predictivos de deserción estudiantil.
• Necesidad de asesoramiento para su diseño y desarrollo.
367
• Vías para la preparación de la acción tutorial.

• Herramientas para el desarrollo de la acción tutorial.
•
Teniendo en cuenta la imposibilidad de realizar el encuentro de forma presencial, les ruego
opinar sobre los aspectos relacionados en la Matriz DAFO que aparece a continuación,
identificando Debilidades, Amenazas, Fortalezas y Oportunidades que presentamos en
nuestro contexto durante el proceso de diseño y desarrollo de la Acción Tutorial (AT)
para atender factores predictivos de deserción estudiantil en el primer año.
Puntos fuertes Puntos débiles

Fortalezas: Condición Debilidades: Condición existente en el
existente en el proceso de proceso de diseño y desarrollo de la AT
diseño y desarrollo de la AT, que, de no controlarse, puede actuar
Internos que favorece el logro de los oponiéndose al logro de los objetivos
objetivos trazados. trazados.
(Espacio para escribir) (Espacio para escribir)
Oportunidades: Condición Amenazas: Condición existente en el

existente en el contexto donde contexto donde se desarrolla el proceso y
se desarrolla el proceso y que, que, de no enfrentarse, puede actuar
de utilizarse, puede favorecer oponiéndose al logro de los objetivos
Externos
el logro de los objetivos trazados.
trazados.
(Espacio para escribir) (Espacio para escribir)
La matriz DAFO también una herramienta analítica que facilita el trabajo con toda la
información que se tenga sobre una organización, situación, proceso o persona, que permite
diseñar estrategias, sobre la base del análisis de la interacción entre los aspectos
identificados.
368
ANEXOS
ANEXO 5. Consulta a especialistas sobre
pertinencia de aplicación de la propuesta en la UCI

Estimado(a) profesor(a): Lo hemos seleccionado como experto para consultarle respecto a la
pertinencia o no de una Propuesta para el diseño didáctico y la puesta en práctica de acciones
tutoriales con TIC para atender factores predictivos de la deserción estudiantil en la carrera
Ingeniería en Ciencias Informáticas de la Universidad de las Ciencias Informáticas. Le
pedimos que lea el material adjunto para realizar la evaluación de cada uno de los aspectos,
estando seguros de que su contribución constituye una gran ayuda para el éxito de nuestro
trabajo, por lo que le agradecemos.
A continuación, le ofrecemos la relación de los aspectos a evaluar en una tabla, para su

valoración tenga en cuenta las categorías Muy adecuado (MA), Bastante adecuado (BA),
Adecuado (A), Poco adecuado (PA) e Inadecuado (I).
I.- Marque con una cruz (x) la evaluación que concede a cada aspecto
Aspectos que evaluar MA BA A PA I

Elementos estructurales de la propuesta para el diseño didáctico de la
acción tutorial
(p.11-16)
Elementos de contenidos de la propuesta para el diseño didáctico de la
acción tutorial
(p.16-27)
Acciones definidas para la etapa de diagnóstico de la planeación
estratégica para la puesta en práctica de las acciones tutoriales
(p.40-47)
Acciones definidas para la etapa de entrenamiento y demostración de
la planeación estratégica para la puesta en práctica de las acciones
tutoriales (p.40-47)
Acciones definidas para la etapa de control y evaluación de la
planeación estratégica para la puesta en práctica de las acciones
tutoriales (p.40-47)
Concepción general de la propuesta como vía para favorecer la
permanencia de los estudiantes
Posibilidad de aplicación en la UCI
II.- Le agradecemos, refiera a continuación, cualquier sugerencia o recomendación sobre la propuesta.
369

Tesis Doctoral Presentada Por

Cargado por

Tesis Doctoral Presentada Por

Cargado por

Universidad de Granada

PROGRAMA DE DOCTORADO EN CIENCIAS DE LA EDUCACIÓN

Línea de investigación: Currículum, organización y formación para la

ACCIONES TUTORIALES CON TIC ATENDIENDO A FACTORES

PREDICTIVOS DE LA DESERCIÓN ESTUDIANTIL EN CARRERAS DE

Tesis Doctoral Presentada por:

Investigación financiada por la Asociación Universitaria Iberoamericana de Posgrado (AUIP). Programa de

Granada, septiembre de 2020

Director/es de la Tesis/Thesis Director(s)

Fdo. Zoraida Callejas Carrión Fdo. David Griol Barres

SRA. COORDINADORA DEL PROGRAMA DE DOCTORADO EN CIENCIAS DE LA

Código Seguro de verificación:hjUH1vrFCFKmmM5ki2PVBg==. Permite la verificación de la integridad de una

(AUIP). Programa de Formación de Doctores en Educación, con énfasis en Tecnologías

educativas. Convenio específico de colaboración entre AUIP, UCI (Cuba), UGR y US

(España). Mayo 2015.

Quiero agradecer a la Universidad de las Ciencias Informáticas, a la Asociación

Universitaria Iberoamericana de Posgrado y a la Universidad de Granada, la posibilidad

de realizar esta tesis doctoral.

me permitieron crecer y avanzar para llegar a feliz término de nuestra investigación.

Gracias por enamorarse de este proyecto y también por su amistad.

Maximiliano Ritaco y Almudena Ocaña. Gracias a todos por su dedicación.

de investigación; al Dr. Jorge Sergio Menéndez por su ayuda incondicional. A mi querida

Carlos y Liliana. Gracias también a Alién, Nora y Basulto.

hermana, por la confianza espiritual que me inspira.

trabajos de madrugada, este resultado también es tuyo.

Dedico esta tesis

A mis amados hijos Adriana, Alejandro y Amanda

A mis queridos estudiantes

Tabla 1. Tasa de deserción en países de América Latina y el Caribe, carreras de Derecho,

relevante y de alcance internacional. El estudio de los factores que predicen y determinan la

incrementado en las últimas décadas.

El creciente desarrollo científico-técnico de la sociedad y la informatización de los

procesos, demanda de las universidades una mayor cantidad de egresados de carreras de

demanda; lo que constituye una problemática compleja, multicausal y que requiere de

estudios contextualizados a las condiciones educativas concretas.

Ante la deserción estudiantil, las instituciones educativas proponen diversas

estrategias de intervención y de integración para lograr la permanencia del mayor número de

estudiantes. La mayoría de las propuestas para carreras de Ingeniería Informática están

relacionadas con el desarrollo de acciones de orientación y tutoría, actualización de los

métodos de enseñanza-aprendizaje y/o el incremento del uso de las Tecnologías de la

Información y las Comunicaciones (TIC).

El objetivo general de esta investigación consiste en identificar los factores que

determinan la deserción estudiantil universitaria en las carreras de Ingeniería Informática y

proponer elementos estructurales y de contenido para el diseño didáctico y la puesta en

El estudio se realiza mediante un diseño de investigación mixto no experimental. En

primer lugar, a partir de la sistematización rigurosa de la bibliografía se obtiene un modelo

teórico de deserción en carreras de Ingeniería Informática. Posteriormente se determinan los

factores predictivos de deserción estudiantil en Cuba mediante un estudio cuantitativo

correlacional, multivariado y predictivo empleando una muestra representativa de estudiantes

de la Universidad de las Ciencias Informáticas de La Habana. Se complementa con un estudio

cualitativo mediante entrevista semiestructurada a estudiantes que causaron baja de esta

carrera. A continuación, se realiza una triangulación metodológica para confirmar los

Con el objetivo de realizar una propuesta para la retención de los estudiantes, se

obtienen, mediante el análisis y síntesis de las propuestas revisadas, las fortalezas y

atender los factores predictivos de deserción identificados para la carrera Ingeniería en

Ciencias Informáticas de la Universidad de las Ciencias Informáticas de Cuba. Se evalúa la

pertinencia de aplicación de la misma mediante consulta con especialistas (directivos

Palabras Clave: Deserción estudiantil, Abandono, Educación Superior, Ingeniería

Informática, Metodología cuantitativa y cualitativa, Acción tutorial.

increased in the last decades.

of processes demand of universities more Computer Engineering graduates. However,

studies contextualized to the specific educational conditions.

of Information and Communication Technologies (ICT).

the rigorous systematization of bibliography, a theoretical model of dropout in Computer

Engineering degrees is obtained. Afterwards, the predictive factors of students' dropout in

over a representative sample of students from University of Informatics Sciences of La

Habana. The study is complemented with a qualitative analysis through semi-structured

understanding of the factors identified.

predictive factors of student dropout in Computer Engineering at the University of

Informatics Sciences in Cuba.

Keywords: Students dropout, Higher education, Computer Science, Computer

Engineering, Quantitative and qualitative methodologies, Tutoring actions.

un primer acercamiento a los antecedentes encontrados sobre las principales temáticas

abordadas en la investigación; a continuación, se explica el contexto donde se aplica el

estudio y finalmente se describe la estructura del presente documento.

1.1. Justificación de la investigación