Técnicas de Análisis de Supervivencia para la Identificación de Deserción en Estudiantes: Una Revisión Sistemática de la Literatura
DOI:
https://doi.org/10.32870/recibe.v15i1.489Palabras clave:
Educación en Ingeniería de Software, Análisis de Supervivencia, Deserción estudiantil, Revisión Sistemática de la LiteraturaResumen
Este trabajo presenta una Revisión Sistemática de la Literatura (RSL) sobre el uso de técnicas de Análisis de Supervivencia (AS) para predecir la deserción estudiantil para el problema de Ingeniería de Software. La educación en Ingeniería de Software enfrenta altas tasas de abandono, lo que resalta la necesidad de enfoques predictivos que apoyen la retención escolar. El AS, aplicado con éxito en áreas como la salud, permite modelar tanto la ocurrencia como el momento de un evento, ofreciendo ventajas frente a otros métodos. Siguiendo las directrices de Kitchenham y el enfoque Quasi-Gold Standard, se identificaron 36 estudios primarios publicados entre 2013 y 2025. Los resultados muestran que el modelo de riesgos proporcionales de Cox es la técnica más utilizada, junto con Kaplan-Meier y otros enfoques de regresión. Asimismo, se identificaron 29 variables relevantes y 16 métricas de validación. La revisión evidencia que el AS facilita la detección temprana de estudiantes en riesgo, aunque enfrenta retos como la necesidad de datos extensos y su limitada adopción en el ámbito educativo.Citas
Y. Wang, Software engineering foundations: A software science perspective, Auerbach Publications, 2007.
Sommerville, Software engineering tenth edition (2016).
Cico, Lean software startup practices and software engineering education, in: Proceedings of the ACM/IEEE 44th International Conference on Software Engineering: Companion Proceedings, 2022, pp. 281–285.
N. R. Mead, D. Garlan, M. Shaw, Half a century of software engineering education: The cmu exemplar, IEEE Software 35 (5) (2018) 25–31.
S. Bayona-Oré, Dropout in computer science, systems engineering and software engineering programs, in: World Conference on Information Systems and Technologies, Springer, 2023, pp. 592–599.
S. Ameri, M. J. Fard, R. B. Chinnam, C. K. Reddy, Survival analysis based framework for early prediction of student dropouts, in: Proceedings of the 25th ACM international on conference on information and knowledge management, 2016, pp. 903–912.
H. Shi, Y. Zhou, Stay or leave? exploring student factors associated with dropout patterns in massive open online courses, in: 2023 IEEE International Conference on Advanced Learning Technologies (ICALT), IEEE, 2023, pp. 26–30.
S. B. Plank, S. DeLuca, A. Estacion, High school dropout and the role of career and technical education: A survival analysis of surviving high school, Sociology of Education 81 (4) (2008) 345–370.
J. B. F. Gomes, M. Holanda, C. C. Koike, M. T. L. Costa, et al., Study on computer science undergraduate students dropout at the university of brasilia, in: 2023 IEEE Frontiers in Education Conference (FIE), IEEE, 2023, pp. 1–7.
B. A. Kitchenham, D. Budgen, P. Brereton, Evidence-Based Software Engineering and Systematic Reviews, Chapman and Hall/CRC, 2015. doi:10.1201/b19467.
H. Zhang, M. A. Babar, P. Tell, Identifying relevant studies in software engineering, Information and Software Technology 53 (2011) 625–637. doi:10.1016/j.infsof.2010.12.010.
J. Popay, L. Arai, M. Rodgers, N. Britten, Guidance on the conduct of narrative synthesis in systematic reviews: A product from the esrc methods programme (2006). doi:10.13140/2.1.1018.4643.
J. Sanchez-Garcia, Apéndice a: Reposirotio estudios primarios (2025). doi: 10.5281/zenodo.17518840. URL https://doi.org/10.5281/zenodo.17518840
K. Boualaphet, H. Goto, Determinants of school dropout in lao people’s democratic republic: A survival analysis, Journal of International Development 32 (6) (2020) 961–975.
