Modelos predictivos en la orientación vocacional: un análisis teórico para la reducción de la deserción universitaria

Abstract

Esta monografía de tipo compilatorio, con enfoque descriptivo-analítico, tiene como objetivo analizar los modelos predictivos basados en técnicas de aprendizaje supervisado aplicados al ámbito de la orientación vocacional, con el fin de contribuir a la reducción de la deserción universitaria. A través de una revisión sistemática de literatura científica en bases de datos académicas como Scopus, IEEE, Google Scholar, UNAD, se identificaron y clasificaron 35 estudios que emplean técnicas de minería de datos como regresión logística, árboles de decisión, Random Forest, XGBoost y redes neuronales. Se examinan las variables académicas, socioeconómicas y vocacionales, así como las métricas de evaluación (exactitud, sensibilidad, precisión, F1-score, AUC-ROC) que permiten validar su desempeño. Los resultados muestran que Random Forest y la regresión logística son las técnicas más utilizadas, con un rendimiento que oscila entre el 70% y el 85% de precisión, según el contexto. Se identifica como principal brecha la escasa incorporación de variables vocacionales (solo en el 23% de los estudios). Finalmente, se proponen lineamientos teóricos para la implementación ética y efectiva de estos modelos como herramienta de apoyo a la orientación vocacional, destacando la necesidad de equilibrar precisión e interpretabilidad, y de integrar constructos psicoeducativos como autoeficacia, indecisión y adaptabilidad profesional.