Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.2
Edición Especial UG 2026
Página 232
MODELO PREDICTIVO DE TUTORÍAS ACADÉMICAS PARA ESTUDIANTES DE
EDUCACIÓN SUPERIOR: UNA BREVE REVISIÓN
PREDICTIVE MODEL OF ACADEMIC TUTORING FOR HIGHER EDUCATION
STUDENTS: A BRIEF REVIEW
Autores: ¹Washington Raúl Fierro Saltos, ²Elizabeth Alexandra Veloz Segura, ³Amalín Ladaysé
Mayorga Albán y
4
Fabián Rivera.
¹ORCID ID: https://orcid.org/0000-0001-7274-4701
Afiliación:
1*2*4*
Universidad Estatal de Bolívar, Facultad de Ciencias de la Educación, Sociales, Filosóficas y Humanísticas, Guaranda,
(Ecuador).
3*
Universidad de Guayaquil, (Ecuador).
Universidad de Guayaquil, (Ecuador).
Artículo recibido: 13 de Enero del 2026
Artículo revisado: 15 de Enero del 2026
Artículo aprobado: 25 de Enero del 2026
¹Universidad Estatal de Bolívar, Facultad de Ciencias de la Educación, Sociales, Filosóficas y Humanísticas, Guaranda, (Ecuador).
²Universidad Estatal de Bolívar, Facultad de Ciencias de la Educación, Sociales, Filosóficas y Humanísticas, Guaranda, (Ecuador).
³Universidad de Guayaquil, (Ecuador).
4
Universidad Estatal de Bolívar, Facultad de Ciencias de la Educación, Sociales, Filosóficas y Humanísticas, Guaranda, (Ecuador).
Resumen
La presente revisión examina el uso de modelos
predictivos para apoyar las tutorías académicas
en educación superior, con foco en la
Universidad Estatal de Bolívar (UEB). El
problema central es anticipar riesgos
académicos y personalizar el acompañamiento
para mejorar rendimiento y reducir deserción.
Se aplicó el protocolo PRISMA, realizando
búsquedas en Scopus, Web of Science y
Google Scholar; se identificaron 125 registros,
se cribaron 78 y se incluyeron 30 estudios por
pertinencia y calidad metodológica. Los
trabajos revisados reportan desempeños
promisorios para árboles de decisión/Random
Forest, redes neuronales y gradiente reforzado
(XGBoost) en la identificación temprana de
estudiantes en riesgo y la predicción de éxito
por asignatura, especialmente cuando se
integran variables académicas y
socioeconómicas y se actualizan los modelos
por cohortes. La literatura sugiere que el
impacto aumenta al vincular la predicción con
intervenciones tutoriales (alertas tempranas),
incorporar esquemas Human-in-theLoop
(HITL) y utilizar motores de inferencia para
personalización por nivel y necesidad.
Palabras clave: Tutorías académicas,
Modelos predictivos, Rendimiento
académico, Educación Superior.
Abstract
This review examines the use of predictive
models to support academic tutoring in higher
education, focusing on Bolívar State University
(UEB). The central problem is to anticipate
academic risks and personalize support to
improve performance and reduce dropout rates.
The PRISMA protocol was applied, conducting
searches in Scopus, Web of Science, and
Google Scholar; 125 records were identified,
78 were screened, and 30 studies were included
based on relevance and methodological quality.
The reviewed studies report promising
performance for decision trees/Random Forest,
neural networks, and gradient boosting
(XGBoost) in the early identification of at-risk
students and the prediction of success by
subject, especially when academic and
socioeconomic variables are integrated and
models are updated by cohorts. The literature
suggests that the impact increases when linking
prediction with tutorial interventions (early
warnings), incorporating Human-in-the-Loop
(HITL) schemes, and using inference engines
for level and need.
Keywords: Academic tutoring, Predictive
models, Academic performance, Higher
Education.
Sumário
Esta revisão examina o uso de modelos
preditivos para apoiar a tutoria acadêmica no
ensino superior, com foco na Universidade
Estadual de Bolívar (UEB). O problema central
é antecipar riscos acadêmicos e personalizar o
apoio para melhorar o desempenho e reduzir as
taxas de evasão. O protocolo PRISMA foi
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.2
Edición Especial UG 2026
Página 233
aplicado, realizando buscas no Scopus, Web of
Science e Google Scholar; 125 registros foram
identificados, 78 foram selecionados e 30
estudos foram incluídos com base na relevância
e qualidade metodológica. Os estudos
revisados relatam desempenho promissor para
árvores de decisão/Random Forest, redes
neurais e gradiente reforçado (XGBoost) na
identificação precoce de alunos em risco e na
predição de sucesso por disciplina,
especialmente quando variáveis acadêmicas e
socioeconômicas são integradas e os modelos
são atualizados por coorte. A literatura sugere
que o impacto aumenta quando a predição é
vinculada a intervenções de tutoria (alertas
precoces), incorporando esquemas de interação
humana (Human-in-the-Loop - HITL) e
utilizando mecanismos de inferência para
personalização por nível e necessidade.
Palavras-chave: Tutoria acadêmica,
Modelos preditivos, Desempenho acadêmico,
Ensino superior.
Introducción
En la vida universitaria, muchas trayectorias
académicas se ven truncadas no por falta de
talento, sino por la ausencia de un
acompañamiento oportuno que permita a los
estudiantes superar las dificultades que
enfrentan en su proceso formativo. Las tutorías
académicas, en este sentido, se constituyen en
un pilar esencial del apoyo en la educación
superior, ya que buscan responder a la creciente
diversidad de perfiles estudiantiles y a la
necesidad de personalizar el aprendizaje. Su
importancia radica en que no solo refuerzan el
rendimiento académico, sino que también
contribuyen a disminuir la deserción
universitaria. Sin embargo, lograr que estas
tutorías sean efectivas exige anticipar riesgos y
adaptar las estrategias de acompañamiento a las
características individuales de cada estudiante.
Es en este marco donde los modelos
predictivos, apoyados en técnicas de
aprendizaje automático y análisis estadístico,
han cobrado protagonismo en los últimos años.
A partir del uso de datos históricos
institucionales, estas herramientas permiten
estimar el desempeño académico y la
probabilidad de abandono, lo que habilita
intervenciones tempranas, focalizadas y con
mayor probabilidad de éxito.
La Universidad Estatal de Bolívar enfrenta
actualmente el reto de incorporar estas
innovaciones a sus programas de tutoría, con la
finalidad de fortalecer el acompañamiento
académico y mejorar la experiencia estudiantil.
No obstante, su implementación requiere
atender desafíos estratégicos, entre los que
destacan; la calidad, disponibilidad y
confiabilidad de los datos institucionales; la
interoperabilidad con los sistemas académicos
existentes; y el fortalecimiento de las
capacidades del personal docente y
administrativo para interpretar y aplicar los
resultados de los modelos en la práctica tutorial.
Ante este panorama, el presente trabajo realiza
una revisión sistemática de la literatura reciente
sobre la aplicación de modelos predictivos en
tutorías académicas dentro de la educación
superior, con especial atención a su pertinencia
para la Universidad Estatal de Bolívar. Se
analizan enfoques metodológicos, algoritmos y
experiencias documentadas en investigaciones
previas, identificando sus ventajas, limitaciones
y posibles líneas de adaptación. El objetivo del
presente estudio consiste en establecer
lineamientos que orienten la implementación de
un modelo predictivo contextualizado a la
realidad de la institución, de modo que se
optimice la personalización del
acompañamiento, se fortalezcan los programas
de tutoría y se contribuya a reducir la deserción
estudiantil. La hipótesis central sostiene que la
integración de modelos predictivos en las
tutorías permitirá mejorar la toma de decisiones
académicas, generar intervenciones más
precisas y elevar la calidad del proceso
formativo en la universidad.
Materiales y Métodos
Se adoptó un diseño documental, no
experimental, transversal, basado en la
recopilación, clasificación y análisis crítico de
estudios previos siguiendo el protocolo
PRISMA (Preferred Reporting Items for
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.2
Edición Especial UG 2026
Página 234
Systematic Reviews and Meta-Analyses) para
asegurar transparencia y exhaustividad en la
identificación, selección y síntesis de la
evidencia (Page et al., 2021). El proceso se
organizó en cuatro fases: identificación,
cribado, elegibilidad e inclusión. Se efectuaron
búsquedas en Scopus, Web of Science y Google
Scholar, combinando palabras clave como
“modelos predictivos”, “tutorías académicas”,
“universidad” y “rendimiento académico”
mediante operadores booleanos (AND, OR,
NOT). En la fase de identificación se
recuperaron 125 registros potencialmente
relevantes.
La población objeto de análisis estuvo
conformada por la producción científica
reciente relacionada con el uso de modelos
predictivos aplicados a tutorías académicas en
educación superior. El grupo de estudio
correspondió a los artículos publicados en
revistas indexadas, disponibles en texto
completo, en idioma inglés o español, y con
fecha de publicación desde 2018 hasta 2023, lo
que asegura la pertinencia y actualidad de los
hallazgos. Se excluyeron duplicados y trabajos
que no cumplieran estos criterios, reduciendo el
conjunto a 78 artículos tras el cribado.
Posteriormente, en elegibilidad se evaluó la
calidad metodológica considerando: claridad de
objetivos, descripción del modelo predictivo, y
análisis y validación de resultados; con ello se
seleccionaron 30 estudios para la síntesis. Se
priorizaron los artículos que presentaban
enfoques innovadores y alta pertinencia para el
contexto de la Universidad, conformando el
conjunto final para el análisis y la discusión. La
información de los estudios incluidos se
organizó para describir enfoques y algoritmos
empleados, variables consideradas y el modo en
que se validaron los modelos, ofreciendo una
visión comparativa de las propuestas más
relevantes reportadas por la literatura reciente.
La extracción de información se realizó
utilizando una matriz de registro sistemático
diseñada ad hoc, en la cual se organizaron
variables clave como:
➢ Tipo de algoritmo o modelo predictivo
empleado (e.g., regresión logística,
Random Forest, redes neuronales,
clustering).
➢ Variables académicas y contextuales
consideradas (socioeconómicas,
demográficas, rendimiento previo,
comportamiento en plataformas virtuales).
➢ Estrategias de validación aplicadas
(validación cruzada, métricas de precisión,
recall, F1score, entre otras).
➢ Principales hallazgos y limitaciones
reportadas.
La información recopilada fue procesada
mediante un análisis descriptivo y comparativo,
con el objetivo de identificar patrones comunes,
enfoques innovadores y tendencias emergentes
en la aplicación de modelos predictivos para
tutorías académicas. Se organizaron los
resultados en categorías según el tipo de
algoritmo, la población estudiada y la
pertinencia para el contexto de la Universidad
Estatal de Bolívar. Este procedimiento
metodológico asegura la replicabilidad del
estudio y aporta una visión integral de las
metodologías disponibles en la literatura
reciente, con el fin de ofrecer lineamientos
aplicables a la realidad institucional.
Resultados y Discusión
La evidencia muestra que los modelos
predictivos permiten identificar tempranamente
a estudiantes en riesgo, predecir el éxito
académico y mejorar el rendimiento cuando se
integran a las tutorías con intervenciones
oportunas (García Castro et al., 2016), (Karale
et al., 2022). Estos enfoques combinan
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.2
Edición Especial UG 2026
Página 235
aprendizaje automático y análisis estadístico y
se alinean con prácticas de personalización del
aprendizaje en educación superior. En los
estudios analizados son recurrentes: regresión
logística, árboles de decisión/Random Forest y
redes neuronales por su balance entre
interpretabilidad y capacidad para patrones
complejos (García et al., 2016; Mosqueira et al.,
2023; Rodríguez, 2021). También se emplean
técnicas de gradient boosting (XGBoost) para
captar interacciones no lineales y mejorar la
precisión (Karale et al., 2022).
Tabla 1. Criterios y resultados de la búsqueda
Fase
PRISMA
Objetivo
Bases de datos / Estrategia
Criterios y acciones
Resultado (n)
Identificación
Localizar la
evidencia relevante
Scopus, Web of Science, Google Scholar; uso de operadores booleanos (AND/OR/NOT) y
palabras clave: “modelos predictivos”, “tutorías académicas”, “universidad”, “rendimiento
académico”.
Búsqueda exhaustiva con combinación de términos controlados y libres.
125 registros
potenciales.
Cribado
Depurar resultados
iniciales
—
Eliminación de duplicados y exclusión de: (i) estudios que no aborden modelos
predictivos en tutorías; (ii) artículos sin texto completo; (iii) publicaciones
anteriores a 2018.
78 artículos tras
cribado.
Elegibilidad
Verificar pertinencia
y calidad
—
Revisión de resúmenes y textos completos; criterios de calidad: claridad de
objetivos, descripción del modelo, análisis de resultados.
30 estudios elegibles.
Inclusión
Conformar el conjunto
final para síntesis
—
Selección final de estudios con enfoques innovadores y alta relevancia para el
contexto UEB.
Conjunto final incluido
(n según síntesis).
Fuente: Elaboración propia
Los modelos más sólidos integran antecedentes
académicos (notas previas), datos demográficos
y socioeconómicos y comportamiento
estudiantil (actividad/compromiso,
participación extracurricular). La literatura
también destaca la actualización periódica de
datos para recalibrar los modelos (Burman et
al., 2018; Lebkiri et al., 2021; Page et al., 2021).
Varias propuestas conectan la predicción con la
acción tutorial: (i) sistemas de alertas tempranas
para activar apoyos personalizados (Mosqueira-
Rey et al., 2023); (ii) Human-in-the-Loop
(HITL), donde el tutor ajusta recomendaciones
y umbrales de decisión (Wu et al., 2022); (iii)
flujos de trabajo adaptativos y juegos
pedagógicos para personalizar contenidos y
aumentar la motivación (Karale et al., 2022); y
(iv) motores de inferencia multicapa para
modular la granularidad del contenido según el
nivel del estudiante (Stamper et al., 2014). La
combinación de algoritmos (p. ej., regresión +
árboles + redes) mejora la exactitud y robustez
de las predicciones, facilitando intervenciones
tutoriales focalizadas; además, los enfoques
adaptativos elevan la efectividad y
personalización del aprendizaje (Contreras
Bravo et al., 2022; Lebkiri et al., 2021). La
adopción institucional enfrenta barreras de
calidad/disponibilidad de datos, integración
tecnológica con sistemas existentes y
capacitación del personal para interpretar y usar
las predicciones en la práctica tutorial (Toulia et
al., 2023). Los resultados respaldan un piloto
institucional que combine Random Forest para
predicción con clustering para segmentar
perfiles y adecuar las tutorías; se recomienda
enlazarlo con un sistema de alertas y protocolos
HITL para el ajuste experto (Contreras Bravo et
al., 2022; Lebkiri et al., 2021). La preferencia
reportada por los estudios se concentra en
modelos de ensamble e interpretables se
visualiza en la Figura 1.
Figura 1. Frecuencia de usos de los algoritmos
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.2
Edición Especial UG 2026
Página 236
La mayor adopción de Random Forest y
Regresión logística sugiere una preferencia por
modelos con buena relación desempeño-
interpretabilidad y facilidad de integración en
flujos de trabajo institucionales. La presencia de
XGBoost y redes neuronales refleja el interés
por enfoques más potentes para patrones no
lineales, aunque con mayor complejidad de
ajuste. La frecuencia de uso no implica
superioridad de desempeño; indica
preferencia/viabilidad reportada por los autores.
En la mediana, XGBoost y Random Forest
muestran el mayor F1, con redes neuronales
cercanas. Logística aparece como un baseline
competitivo. Las superposiciones de IQR entre
familias (p. ej., Random Forest vs. redes
neuronales) indican que las diferencias pueden
no ser consistentes en todos los
contextos/datasets. La selección del modelo
debe considerar desbalance de clases,
trazabilidad/explicabilidad y recursos de
cómputo, además de la métrica F1. En términos
de F1, los ensambles basados en árboles
presentan medianas superiores, aunque con
IQRs que se solapan con redes neuronales como
se ilustra en la Figura 2.
Figura 2. Desempeño de los algoritmos
La evidencia de los 30 estudios sintetizados
confirma que los modelos predictivos permiten
detectar tempranamente a estudiantes en riesgo
y personalizar el acompañamiento tutorial,
desplazando el enfoque institucional desde la
reacción hacia la intervención proactiva. Este
enfoque se asocia con menor deserción y con
mejoras de rendimiento cuando la predicción se
vincula a acciones concretas. Los estudios
muestran una preferencia por modelos
interpretable-robustos como regresión logística
y árboles/Random Forest, por su equilibrio
entre desempeño y trazabilidad; al mismo
tiempo, se incrementa el uso de ensambles
graduales (p. ej., XGBoost) para capturar
interacciones no lineales y mejorar la precisión.
Las redes neuronales aparecen como alternativa
potente, aunque con mayor complejidad de
ajuste y demanda de datos. En conjunto, la
comparación de familias sugiere que el
ensamble y la combinación de algoritmos
suelen ofrecer beneficios al aprovechar
fortalezas complementarias (Burman et al.,
2018; Karale et al., 2022; Stamper et al., 2014).
La literatura enfatiza que la utilidad real de los
modelos emerge al integrarlos con flujos de
trabajo adaptativos, juegos pedagógicos y
motores de inferencia que ajustan contenido y
estrategias al perfil del estudiante; además, los
esquemas Human-in-the-Loop permiten que
tutores modulen umbrales y recomendaciones,
incrementando la pertinencia de las
intervenciones (Amershi et al., 2014; González
y Pérez, 2020; Martínez y López, 2021).
Persisten retos operativos asociados a
calidad/disponibilidad de datos,
interoperabilidad con sistemas académicos y
formación del personal para interpretar y usar
las predicciones; se recomienda la actualización
periódica de datos/modelos y el uso de
metodologías como CRISP-DM para asegurar
el ciclo de mejora (planificación, preparación,
modelado, evaluación y despliegue) (Lebkiri et
al., 2021). Para la Universidad Estatal de
Bolívar, la evidencia favorece un piloto que
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.2
Edición Especial UG 2026
Página 237
combine Random Forest para predicción con
clustering para segmentar perfiles de riesgo y
necesidades; esta arquitectura facilita la
asignación de intervenciones diferenciadas y el
escalamiento institucional progresivo. Integrar
el piloto con un flujo HITL y rutas adaptativas
puede aumentar la relevancia pedagógica y la
aceptación docente. La heterogeneidad de
variables y contextos limita comparaciones
directas entre estudios; por ello, se recomienda
reportar sistemáticamente métricas de
clasificación (p. ej., F1, recall, AUC) y
considerar análisis de equidad (subgrupos) para
evitar sesgos. Además, la sostenibilidad del
despliegue depende de gobernanza de datos y de
mantenimiento (re-entrenamiento/calibración)
alineados con los ciclos académicos. Estas
consideraciones deben incorporarse en el diseño
del piloto institucional y en estudios
prospectivos controlados.
Conclusiones
Los modelos de ensamble basados en árboles,
particularmente XGBoost y Random Forest,
demostraron el mejor equilibrio entre precisión
y robustez (F1≈0,82–0,84), superando en
consistencia a alternativas como redes
neuronales o máquinas de soporte vectorial
(SVM). Sin embargo, su verdadero valor no
radica únicamente en la capacidad predictiva,
sino en la articulación de la predicción con la
acción tutorial, a través de sistemas de alertas
tempranas y esquemas Human-in-the-Loop que
permitan ajustar umbrales y recomendaciones
en función del contexto y la experiencia del
tutor. Para la UEB, la vía más adecuada es
implementar un piloto incremental que combine
Random Forest con técnicas de clustering para
segmentar perfiles estudiantiles y priorizar
intervenciones personalizadas. Este enfoque
debe estar acompañado de políticas claras de
gobernanza de datos y procesos de recalibración
periódica, asegurando la pertinencia y
sostenibilidad del modelo en el tiempo.
La evaluación del piloto debe incorporar no
solo métricas clásicas de desempeño predictivo
(F1, Recall, AUC), sino también análisis por
subgrupos poblacionales que garanticen
criterios de equidad e inclusión. Asimismo, es
fundamental medir indicadores de impacto
académico, tales como tasas de retención,
mejora en el rendimiento y satisfacción
estudiantil, a fin de sustentar decisiones sobre
su escalamiento institucional. La adopción de
modelos predictivos en tutorías académicas
debe concebirse como un proceso gradual y
sostenible, que trascienda la mera
implementación tecnológica. Es indispensable
consolidar una cultura institucional de
innovación educativa, fortaleciendo las
capacidades del personal académico en el uso
de analítica de datos y fomentando la
participación activa de estudiantes y tutores.
Solo así será posible garantizar que la
tecnología se convierta en un medio para
potenciar el aprendizaje y no en un fin en sí
mismo.
Referencias Bibliográficas
Ausubel, N. (1983). Aprendizaje por
American Psychological Association.
(2020). Publication manual of the
American Psychological Association
(7th ed.). APA Publishing.
Arias, F. (2012). El proyecto de investigación:
Introducción a la metodología científica (6.ª
ed.). Episteme.
Bardin, L. (2011). Análisis de contenido. Akal.
Beauchamp, T., & Childress, J. (2019).
Principles of biomedical ethics (8th ed.).
Oxford University Press.
Constitución de la República del Ecuador.
(2008). Registro Oficial No. 449.
Emanuel, E. (2016). Reforming the health care
system. New England Journal of Medicine,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.2
Edición Especial UG 2026
Página 238
375(12), 1201–1204.
https://doi.org/10.1056/NEJMsb1609873
Flick, U. (2018). An introduction to qualitative
research (5th ed.). SAGE Publications.
Hernández, R., Fernández, C., & Baptista, P.
(2014). Metodología de la investigación (6.ª
ed.). McGraw-Hill Education.
Instituto Nacional de Estadística y Censos.
(2022). Tecnologías de la información y
comunicación (TIC) en los hogares. INEC.
https://www.ecuadorencifras.gob.ec
Kaplan, A., & Haenlein, M. (2010). Users of the
world, unite! The challenges and
opportunities of social media. Business
Horizons, 53(1), 59–68.
https://doi.org/10.1016/j.bushor.2009.09.00
3
Kotler, P., Kartajaya, H., & Setiawan, I. (2017).
Marketing 4.0: Moving from traditional to
digital. John Wiley & Sons.
Krippendorff, K. (2018). Content analysis: An
introduction to its methodology (4th ed.).
SAGE Publications.
Ley Orgánica de Defensa del Consumidor.
(2000). Registro Oficial Suplemento No.
116.
Ley Orgánica de Protección de Datos
Personales. (2021). Registro Oficial
Suplemento No. 459.
Ley Orgánica de Salud. (2006). Registro Oficial
Suplemento No. 423.
Lorenzetti, R. (2019). Responsabilidad civil de
los médicos (2.ª ed.). Rubinzal-Culzoni
Editores.
Organización Mundial de la Salud. (2020).
Ethics and governance of artificial
intelligence for health. OMS.
https://www.who.int
Petticrew, M., & Roberts, H. (2006). Systematic
reviews in the social sciences: A practical
guide. Blackwell Publishing.
Rodríguez, P., & García, M. (2021). Protección
de datos personales y derecho a la intimidad
en el ámbito sanitario. Revista
Iberoamericana de Derecho Informático,
12(2), 45–67.
Ventola, C. (2014). Social media and health
care professionals: Benefits, risks, and best
practices. Pharmacy and Therapeutics,
39(7), 491–520.
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Washington Raúl
Fierro Saltos, Elizabeth Alexandra Veloz Segura,
Amalín Ladaysé Mayorga Albán y Fabián Rivera.
