CAPÍTULO 1.

MARCO TEÓRICO

1.1 El problema de la deserción escolar en educación primaria

La deserción o abandono escolar es un fenómeno social de escala mundial

que de acuerdo con el Instituto Nacional de Estadística de Estadística y Geografía
[INEGI] (2021) se define como:

El abandono de las actividades escolares antes de terminar algún grado o

nivel educativo. La deserción se clasifica en tres vertientes: deserción
intracurricular, deserción intercurricular y deserción total. El abandono que
ocurre durante el ciclo escolar se denomina deserción intracurricular; al
abandono que se efectúa al finalizar el ciclo escolar, independientemente de
que el alumnado haya aprobado o no, se le llama deserción intercurricular.
(pág. 10)

Pese a que esta problemática ocurre en todos los niveles educativos, ya sea
en educación básica, media superior o superior, el abandono escolar en la etapa de
educación primaria tiene grandes consecuencias negativas para el desarrollo integral
de la persona que abandonó sus estudios y para la sociedad de la que es parte.

La educación primaria institucionalizada llega a ser una etapa crucial en el

desarrollo completo de un individuo, pues ofrece experiencias educativas
enriquecedoras para todos aquellos que la cursan, es en este nivel educativo donde
emerge la empatía y la solidaridad, las personas aprenden a regular sus emociones,
a compartir, a esperar turnos, a convivir con otros, a respetarlos, a escuchar y a
opinar sobre distintos temas, a descubrir que son capaces de hacer, conocer,
investigar y producir; así mismo en este nivel educativo comienza el camino que los
llevará a consolidar sus capacidades físicas, cognitivas y sociales. ( Secretaría de
Educación Pública [SEP], 2022, pág. 17)

El hecho de que un individuo abandone sus estudios o no tenga la oportunidad

de cursarlos durante este nivel llegará a impactarlo negativamente de manera
significativa. La SEP (2022) menciona que si a un alumno no se le brindan las
condiciones adecuadas para que estudie la escuela primaria o no lo cursa:

Las consecuencias son nefastas, su desarrollo intelectual es deficiente y

pierden destreza para pensar, comprender y ser creativos; sus habilidades
manuales y sus reflejos se vuelven torpes, no aprenden a convivir
satisfactoriamente, a trabajar en equipo, a solucionar conflictos ni a
comunicarse con facilidad y pueden convertirse en personas angustiadas,
dependientes o infelices. (pág. 19)

Aunado a esto, desde la perspectiva social, el abandono escolar en este nivel

educativo genera grandes costos que derivan de disponer de una fuerza de trabajo
menos competente. Espíndola y León (2002) mencionan que algunos de estos
costos son: la baja productividad de trabajo y su efecto en el menor crecimiento de
las economías, los mayores gastos en los que es necesario incurrir para financiar
programas sociales y la deserción de reproducción intergeneracional de las
desigualdades sociales. (pág. 4)

Actualmente existen una gran cantidad de organismos locales, nacionales e

internacionales que entienden la magnitud de las consecuencias de este problema
para la sociedad y que están tratando de determinar los factores que la originan, con
el fin de diseñar posibles soluciones o mitigaciones.

Organismos como La Organización de las Naciones Unidas para la Educación,

la Ciencia y la Cultura [UNESCO] (2021) menciona que el análisis y la generación de
estrategias para reducir el abandono escolar no es un desafío nuevo, y que esta
tarea ha sido prioridad para muchos países y organismos internacionales; un
antecedente de esto lo constituye la Iniciativa Mundial por los Niños y Niñas fuera de
la Escuela, liderada por la UNESCO y la UNICEF, que se enfocó en aquellos niños
que se encontraban fuera de las instituciones educativas y que también buscaba
impulsar una mayor comprensión de las causas que llevan al abandono escolar, para
así identificar estudiantes que estaban en riesgo de dejar sus estudios (pág. 4).
 A través de la recolección de estadísticas y mediciones a lo largo del tiempo,
se ha teorizado sobre las posibles causas del abandono escolar en la etapa de la
niñez. La Red Europea de Información en Educación [EURYDICE] (año) afirma que:

El abandono temprano de la educación es un problema complejo y sus causas

varían de un alumno a otro. El entorno familiar o un origen inmigrante, las
circunstancias personales, de género o socioeconómicas, así como varios
factores relacionados con el sistema educativo son solo algunos elementos
implicados en el proceso que lleva al alumnado a abandonar la educación de
manera prematura. (pág. 6).

Así mismo, Espíndola & León (2002) comentan que actualmente se reconocen
dos grandes marcos interpretativos sobre los factores de deserción del sistema
educacional. El primero pone énfasis en la situación socioeconómica y en el contexto
familiar de los niños y jóvenes como fuentes principales de diversos hechos que
directa o indirectamente influyen en el abandono escolar, como lo son: condiciones
de pobreza y marginalidad, adscripción laboral temprana, anomia familiar,
adicciones, entro otros. El segundo marco interpretativo hace referencia a las
situaciones intrasistema que tornan conflictiva la permanencia de los estudiantes en
la escuela: bajo rendimiento, problemas conductuales, autoritarismo docente, etc.

Complementando todo lo anterior, Jiménez García (2012) afirma que también:

La deserción escolar está asociada a motivos personales, algunos de estos

motivos pueden ser correlacionados con la institución educativa pero que a
veces ésta lo desconoce. Lo que si es cierto, que si una persona no tiene claro
hacia donde quiere ir será muy difícil que vea, que a través de la educación
formal puede alcanzar mejores condiciones de vida (pág. 23).

No obstante, la emergencia sanitaria originada por la pandemia de COVID-19

trajo consigo nuevos desafíos en la forma en que tendría que abordar el tema de la
deserción escolar infantil y la determinación de sus causas, todo esto debido a la
interrupción de la educación presencial durante los años 2020 y 2021, optándose
como principales alternativas la modalidad en línea y la modalidad en distancia.
Además de que, por la pandemia, el problema se agravaba, pues durante la crisis
sanitaria la UNESCO (2021) alertó sobre el riesgo de que 3.1 millones de estudiantes
de todos los niveles educativos en América Latina y el Caribe no regresarían a
clases, y que el deterioro del aprendizaje que pudiera generarse durante el
confinamiento podría poner a los alumnos desaventajados en riesgo de abandonar
sus estudios. (pág. 4)

Adicional a esto, la UNESCO (2021) también menciona que la interrupción de

la presencialidad:

Complejizó el análisis del abandono en el contexto de no presencialidad

educativa: la no asistencia a la escuela ya no era un concepto útil para
caracterizar la relación del estudiante con el proceso educativo. […] En este
contexto, se desarrollaron distintos métodos para medir el nivel de vinculación
del estudiante con la escuela, asociándolo a una comunicación baja o nula
entre docentes y estudiantes, a la falta de realización actividades escolares, a
los problemas de conexión con las clases remotas y a otros factores similares.
(pág. 4)

1.2 La deserción escolar en México

Ahora bien, hablando específicamente en el contexto nacional, la deserción

escolar no es algo que deba desestimarse, Jiménez García (2012) menciona que:

La Secretaría de Educación Pública [SEP] en un diagnóstico revela que en

México existen más de 12 millones de niños y jóvenes que dejaron de asistir a
la escuela, y pese al esfuerzo realizado en inversión por las autoridades
correspondientes aún existen rezagos que impiden a éstos ingresar y
permanecer dentro del sistema educativo. (pág. 22)

En la última década la situación ha estado mejorando bastante en lo que se

refiere a educación primaria, pues durante el ciclo escolar 2018-2019 se registraron
datos alentadores en lo que respecta a este nivel educativo, pues en un boletín
emitido por la misma SEP (2020), se menciona que, para este ciclo la tasa de
abandono escolar promedio a nivel nacional en educación primaria solo fue del 0.6
por ciento, y que se implementaría un Sistema de Alerta Temprana, para identificar
posibles casos de abandono escolar y actuar a tiempo.

Sin embargo, durante el ciclo escolar 2020-2021, a causa de la ausencia de

presencialidad en las clases derivada por la pandemia de COVID-19, de acuerdo con
la Encuesta para la Medición del Impacto COVID-19 en la Educación realizada por el
INEGI (2020) a nivel nacional un 2.4 por ciento de alumnos no se inscribió al ciclo
escolar 2020-2021, donde el 60 por ciento de los no inscritos dieron como motivo de
esta decisión al mismo COVID-19, registrándose así, un aumento sin precedentes de
abandono escolar a nivel nacional en los últimos tiempos.

Respecto a lo que concierne al estado de Jalisco, la Comisión Estatal de

Derechos Humanos en Jalisco [CEDHJ] (2021) en su Informe especial sobre el
impacto de la pandemia por COVID-19 en la Educación de Niñas, Niños y
Adolescentes de Jalisco declaró que 6 722 de un total de 935 421 alumnos en nivel
primaria abandonaron sus estudios durante el ciclo escolar 2020-2021, resultando en
una cantidad histórica para la entidad hasta ese momento.

Debido a este fuerte incremento en el abandono escolar generalizado en el

país, para el ciclo escolar 2021-2022, la Subsecretaría de Educación Básica de la
SEP (2021) diseñó una estrategia con el fin de prevenir el abandono escolar y
establecer mecanismos de retención de alumnos. Esta estrategia se conforma de
acciones y tareas que deberían de ser ejecutadas por las autoridades educativas
locales. Estas tareas incluyen adaptar el Sistema de Alerta Temprana a las
necesidades de la situación actual, valorar a nivel escuela los casos de estudiantes
en riesgo de abandono, realizar búsqueda de alumnos que no se hayan incorporado
a clases presenciales, realizar campañas masivas para maximizar las tasas de
reinscripción, recopilar datos de alumnos a nivel escuela para trazar intervenciones
más específicas sobre aquellos con desventajas sociales, entre otras más.
 1.3 Ciencia de Datos Aplicada en la Educación

De manera general, al revisar las diversas aportaciones de diferentes autores

y organismos nacionales e internacionales que intentan determinar las causas de la
deserción escolar en educación primaria en conjunto con los cambios que ha traído
la pandemia de COVID-19 a este fenómeno, es posible percatarse que aún no hay
un consenso claro del todo al establecer sus causas y que los factores con los que
se correlacionan van a estar variando constantemente dependiendo marco temporal
y espacial en el que se estudie. Este tipo de problemas, en donde las variables que
lo componen están en constante cambio, son un candidato perfecto para resolver a
través de la Ciencia de Datos y la analítica.

Rosenberg et al. (2022) nos mencionan que una de las definiciones más
aceptadas actualmente para la Ciencia de Datos es aquella que la define como la
intersección entre la aplicación de las matemáticas y estadística, las ciencias
computacionales y técnicas y programación y el conocimiento sobre una disciplina en
particular. Al tomar esta definición como base, la Ciencia de Datos en la Educación
podría definirse como: la intersección de capacidades relacionadas con las
matemáticas y la estadística, la programación en ciencias computacionales y el
conocimiento sobre la enseñanza, el aprendizaje y los sistemas educativos. (pág. 4).

Esta definición se ve complementada por Bovee et al. (2022) quienes

argumentan que la Ciencia de Datos en la Educación es vista también como un
conjunto de técnicas para dar sentido a los datos sobre enseñanza, el aprendizaje y
los sistemas educativos y así resolver problemas de este ámbito.

Aswani et al. (2021) realizaron un estudio sobre como a través de la Ciencia

de Datos podrían resolverse los siguientes cuatro problemas apremiantes que se
presentan actualmente en el sector educativo a nivel mundial:

 Incapacidad del sistema educativo para identificar la discapacidad de

aprendizaje en un estudiante: Es posible generar modelos de Aprendizaje
 Máquina para identificar de manera temprana si un estudiante pueda llegar
a tener alguna dificultad de aprendizaje como: discalculia, disgrafía,
dislexia, problemas de aprendizaje no verbal, trastorno del lenguaje
oral/escrito, déficit específico de comprensión lectora, TDAH, dispraxia,
entre otros.
 Métodos tradicionales ineficaces de evaluación: En lugar de evaluar un
tema como un todo en un examen escrito, con la Ciencia de Datos es
posible generar evaluaciones regulares que tome en cuenta múltiples
parámetros del estudiante.
 Falta de enfoque en la evaluación del desempeño docente y los métodos
de enseñanza: Con la Ciencia de Datos se pueden generar modelos de
Aprendizaje Máquina para clasificar el desempeño de un docente, en
donde se tomen en cuenta incluso rasgos del carácter de los profesores.
 Alta tasa de deserción de estudiantes en varios niveles educativos: Con la
Ciencia de Datos es posible realizar predicciones sobre los estudiantes que
abandonarán sus estudios en un ciclo académico, además de predecir la
cantidad de estudiantes que abandonarán sus estudios en una escuela o
región en particular.

El estudio anterior respalda el hecho de que es posible analizar y buscar

soluciones a la problemática de la deserción escolar a través de la Ciencia de Datos
aplicada a la Educación. En la siguiente sección, se ahondará con más detalle que
tipo de problema es la deserción escolar desde el enfoque de la Ciencia de Datos y
las posibles estrategias para darle solución desde esta perspectiva.

1.4 La deserción escolar vista desde la Ciencia de Datos

Para entender la forma en la que la Ciencia de Datos puede buscar soluciones

al problema de deserción escolar, primeramente, es necesario conocer el concepto
de Aprendizaje Máquina y en qué consiste, el cual es uno de los componentes más
importantes de esta disciplina.
 El Aprendizaje Máquina es en esencia es una rama de la Inteligencia Artificial
[IA] y las Ciencias Computacionales, que se enfoca en el uso de datos y algoritmos
estadísticos para imitar la forma en la que los humanos aprenden, mejorando
gradualmente su precisión. (IBM Cloud Education, 2020).

De acuerdo con Delua (2021), el Aprendizaje Máquina, se divide

principalmente en dos enfoques:

 Aprendizaje supervisado: Se define por el uso de conjunto de datos

etiquetados. Estos conjuntos de datos se diseñan para entrenar o
“supervisar” algoritmos con el fin de clasificar datos o predecir resultados
con precisión.
 Aprendizaje no supervisado: Analizan y agrupan conjuntos de datos no
etiquetados. Estos algoritmos descubren patrones ocultos en los datos sin
necesidad de intervención humana.

Ahora bien, una de las principales preocupaciones respecto al fenómeno de la

deserción escolar es entender los factores que la originan, esto con el fin de predecir
que posibles alumnos son propensos a abandonar sus estudios y generar estrategias
de manera temprana para que no lo hagan. Por lo tanto, esta problemática se puede
abordar desde el enfoque de aprendizaje supervisado del Aprendizaje Máquina.

En concreto, existen dos tipos de algoritmos para resolver problemas de

aprendizaje supervisado: regresión y de clasificación.

“La regresión es el tipo de aprendizaje supervisado que aprende de los

conjuntos de datos etiquetados y luego puede predecir una salida de valor continuo
para los nuevos datos proporcionados al algoritmo. Se utiliza cuando el resultado
requerido es un número.” (Kumar, 2020)

“La clasificación es un algoritmo de categorización de un conjunto dado de

datos en clases. […] El proceso comienza con la predicción de la clase de puntos de
datos dados. Las clases a menudo se denominan objetivo, etiqueta o categorías.”
(Waseem, 2022).
 Regresando al caso de uso de estudio, la deserción escolar se puede abordar
como un problema que se puede resolver a través un algoritmo de clasificación,
donde lo que se busca predecir es si un estudiante, a través de sus características,
se etiquetará como posible desertor o no. En la siguiente sección se ahondará con
más detalle cómo abordar el fenómeno del abandono escolar como un problema de
clasificación.

1.5 La deserción escolar como un problema de clasificación

Antes de analizar a detalle el caso de la deserción escolar como un problema

de clasificación, es necesario determinar la variable dependiente y las variables
independientes que intervienen en el fenómeno.

“Una variable dependiente es una variable de resultado que queremos explicar

usando otras variables. Las variables independientes son las variables que usamos
para explicar la variación en la variable dependiente” (López Ortiz, 2020, pág. 2)

Además, según con Minitab, LLC. (2022) las variables se pueden clasificar en
variables categóricas y variables cuantitativas, donde para las variables categóricas,
también denominadas variables cualitativas o variables de atributos, sus valores son
categorías o grupos mutuamente excluyentes y pueden tener o no tener un orden
lógico, y para las variables cuantitativas, sus valores de una variable cuantitativa son
números que suelen representar un conteo o una medición.

Para el caso de la deserción escolar, las variables independientes vendrían a

ser el conjunto de características de un estudiante, como lo son los factores
sociodemográficos del mismo, y la variable dependiente sería la etiqueta o
clasificación que describe si abandonó o no abandonó la escuela, como una variable
categórica con dos posibles valores: si abandonó sus estudios y no abandonó sus
estudios.
 1.5.1 Selección de características

Se le conoce como características a las variables independientes, las cuales

serán las variables de entrada de nuestro algoritmo de aprendizaje máquina. Puede
que no todas las características de un conjunto de datos expliquen completamente la
variable dependiente, es por esto por lo que es necesario asegurar que solo las
características esenciales del fenómeno se usen para entrenar el algoritmo. Si se
tienen demasiadas características, se tiene el riesgo de que el algoritmo capture
patrones que no importantes y de como resultado predicciones y clasificaciones
imprecisas. La selección de características consiste en elegir las características más
importantes y relevantes de un fenómeno. (Menon, 2021)

Existen varios métodos de selección de características que se clasifican de la

siguiente forma:

 Métodos de filtro: Estos métodos de selección de características son

usados generalmente como un paso de preprocesamiento
independientemente del algoritmo de Aprendizaje Máquina. A través de
diversas pruebas estadísticas se mide la correlación de cada una de las
características (variable independiente) respecto a la variable dependiente
y se seleccionan aquellas que tengan el puntaje o ‘score’ más alto.
(Kaushik, 2016).
Existen varias de pruebas estadísticas de correlación y dependiendo de los
tipos de las variables dependiente e independiente a comparar se
seleccionará una en concreto.
Algunas de las pruebas estadísticas más utilizadas y su respectivo caso de
uso son las siguientes:
o Coeficiente de correlación lineal de Pearson: Profillidis & Botzoris
(2019) afirman que este coeficiente es un índice que mide el grado
de covariación lineal entre dos variables cuantitativas. El coeficiente
de correlación toma valores que oscilan entre +1 y -1. Siendo el
 valor de +1 el correspondiente a una relación es perfecta positiva, el
valor de -1 a una relación perfecta negativa y el valor de 0 indica
que no se encontró correlación. Se calcula de acuerdo con la
siguiente fórmula:

o Análisis discriminante lineal (LDA): Se utiliza preferentemente

cuando la variable dependiente es categórica con dos o más clases
y las variables independientes son continuas. Busca encontrar una
combinación lineal de variables de entrada o características que
logre la máxima separación de muestras entre clases y la mínima
separación de muestras dentro de casa clase. (Brownlee, 2020)
o ANOVA F-test: Los estadísticos-F son una clase de pruebas
estadísticas que calculan el radio entre valores de varianzas, como
la varianza de dos muestras diferentes o la varianza explicada y no
explicada por una prueba estadística, como ANOVA. El método
ANOVA es un tipo de estadístico-F y se aplica cuando una variable
es cuantitativa y la otra es cualitativa. (Brownlee, 2020)
o Chi-cuadrado: De acuerdo con Kumar Gajawada (2019) La prueba
de chi-cuadrado se usa para probar la independencia de dos
eventos. Dados los datos de dos variables, podemos obtener el
conteo observado y el conteo esperado. Chi-Square mide cómo el
conteo esperado y el conteo observado se desvían entre sí. Se
utiliza para determinar la relación entre dos variables categóricas.
Un valor alto de chi-cuadrado indica que las variables son
independientes.
 Métodos de envoltura: Este método necesitan de un algoritmo de
aprendizaje máquina y utilizan su rendimiento como criterio de evaluación.
El método busca las características que sean más adecuadas para el
algoritmo y tiene como objetivo mejorar su rendimiento. Las estrategias
 que utiliza este método para lograr una selección de características son:
Selección hacia adelante, donde se comienza sin tener características en
el modelo y de manera iterativa se van añadiendo características hasta
conseguir el mejor rendimiento posible; y Selección hacia atrás, donde se
comienza con todas las características y en cada iteración se va quitando
la menos significativa hasta tener el mejor desempeño posible. (González,
2019)
 Métodos embebidos: “Combinan las cualidades de los métodos de filtro y
de envoltura. Se implementa mediante algoritmos que tienen sus propios
métodos de selección de características incorporados” (Kaushik, 2016).
Algunos ejemplos más de estos métodos son las regresiones de RIDGE y
LASSO.

1.5.2 Algoritmos de clasificación

Existen una gran variedad de algoritmos de clasificación, estos algoritmos

deben de alimentarse de las variables independientes con mayor correlación con la
variable dependiente y de la misma variable independiente de un conjunto de datos
de entrenamiento, con el fin de entrenar y generar un modelo de aprendizaje
máquina que ayudará a realizar futuras clasificaciones.

De acuerdo con Shah (2016), un conjunto de datos de entrenamiento es una

muestra, por lo general del 70 por ciento de un conjunto de datos, utilizada para
entrenar el modelo; un conjunto de datos de validación es una muestra ,por lo
general del 30 por ciento de los datos de entrenamiento, cuyo fin es realizar una
evaluación imparcial de un entrenamiento de un modelo mientras se ajustan sus
parámetros del mismo; y un conjunto de datos de pruebas es aquella muestra
restante del conjunto de datos utilizada para proporcionar una evaluación imparcial
de un entrenamiento final de un modelo.

Algunos de los algoritmos de clasificación más usados son los siguientes:

 Algoritmo de regresión logística: Dara Flair (2022) menciona que es un
algoritmo utilizado para predecir la probabilidad de una variable objetivo,
tiene la ventaje de que resulta muy simple de implementar e interpretar,
además de ser muy eficiente de entrenar; se utiliza para problemas de
clasificación de tipo binario, de modo que la salida pertenezca a cualquiera
de las dos clases 0 o 1, sin embargo, no se recomienda utilizar cuando la
cantidad de observaciones es menor que la cantidad de características,
para realizar la predicción el algoritmo trata de calcular el valor de los
coeficientes b de la siguiente ecuación:
(b0+b1 x)
e
y= (b +b )x
1+e 0 1

 Árboles de decisión: Waseem (2022) describe que este algoritmo

construye el modelo de clasificación en forma de estructura de árbol; utiliza
las reglas si-entonces que son igualmente exhaustivas y mutuamente
excluyentes en la clasificación, el proceso continúa partiendo los datos en
estructuras más pequeñas y, finalmente con asociándolas con un árbol de
decisión incremental. La estructura final parece un árbol con nodos y hojas;
las reglas se aprenden secuencialmente utilizando los datos de
entrenamiento de uno en uno. El proceso continúa en el conjunto de
entrenamiento hasta que se alcanza el punto de terminación. Un nodo de
decisión tendrá dos o más ramas y una hoja representa una clasificación o
decisión. El nodo superior en el árbol de decisión que corresponde al mejor
predictor se llama nodo raíz. Un árbol de decisiones ofrece la ventaja de la
simplicidad de comprensión y visualización, además requiere muy poca
preparación de datos. La desventaja que sigue con el árbol de decisión es
que puede crear árboles complejos que pudieran no categorizarse de
manera eficiente.
 Nota. Adaptado de Simple Decision Tree, de Analytics Vidhya, 2021,
https://editor.analyticsvidhya.com/uploads/517381.jpg

 Algoritmo clasificador Naïve Bayes: Es clasificador probabilístico simple

con fuerte suposición de independencia. Aunque la suposición de la
independencia de los atributos no es algo completamente realista para los
conjuntos de datos verdaderos, puede llegar a proporcionar una mejor
precisión de clasificación en conjuntos de datos en tiempo real que
cualquier otro algoritmo. También requiere una pequeña cantidad de datos
de entrenamiento. Aprende de los datos de entrenamiento y luego predice
la clase de la instancia de prueba con la mayor probabilidad posterior.
(Mosquera & Parra, 2018)
1.6 Bibliografía

 Aswani, Y., Geetha, J., Gouhar, S., & Wajahat, S. (16 de Septiembre de
2021). Application Of Data Science In The School Education Sector.
https://analyticsindiamag.com/application-of-data-science-in-the-school-
education-sector/

 Bovee, E. A., Estrellado, R. A., Mostipak, J., Rosenberg, J. M., &

Velásquez, I. C. (2022). Data Science in Education Using R:
https://datascienceineducation.com/

 Brownlee, J. (2020). Machine Learning Magistery.

https://machinelearningmastery.com/blog/

 Comisión Estatal de los Derechos Humanos de Jalisco [CEDHJ]. (2021).

Informe especial sobre el impacto de la pandemia por COVID-19 en la
educación de niñas, niños y adolescentes en Jalisco.
http://cedhj.org.mx/recomendaciones/inf.%20especiales/2021/Informe
%20Especial%20132-2021%20Educaci%C3%B3n%20F.pdf

 Data Flair. (2022). Machine Learning Classification – 8 Algorithms for Data

Science Aspirants. https://data-flair.training/blogs/machine-learning-
classification-algorithms/

 Delua, J. (12 de Marzo de 2021). Supervised vs. Unsupervised Learning:

What’s the Difference. https://www.ibm.com/cloud/blog/supervised-vs-
unsupervised-learning

 Espíndola, E., & León, A. (2002). La deserción escolar en América Latina :

un tema prioritario para la agenda regional . Red de información educativa:
https://rieoei.org/historico/documentos/rie50a03.pdf

 González, L. (2019). Métodos de Selección de Características.

https://aprendeia.com/metodos-de-seleccion-de-caracteristicas-machine-
learning/#:~:text=La%20Selecci%C3%B3n%20de%20Caracter
 %C3%ADsticas%20es,una%20mejor%20comprensi%C3%B3n%20del
%20proceso

 IBM Cloud Education. (15 de Julio de 2020). Machine Learning. IBM Cloud
Learn Hub: https://www.ibm.com/cloud/learn/machine-learning

 Instituto Nacional de Estadística y Geografía [INEGI]. (2020). INEGI

presenta resultados de la encuesta para la medición del impacto COVID-
19 en la educación (ECOVID-ED).
https://www.inegi.org.mx/contenidos/saladeprensa/boletines/2021/OtrTemE
con/ECOVID-ED_2021_03.pdf

 Jiménez García, J. M. (2012). Causas de la deserción escolar en

educación primaria. http://200.23.113.51/pdf/29809.pdf

 Kaushik, S. (1 de Diciembre de 2016). Introduction to Feature Selection

methods with an example (or how to select the right variables?).
https://www.analyticsvidhya.com/blog/2016/12/introduction-to-feature-
selection-methods-with-an-example-or-how-to-select-the-right-variables/

 Kumar Gajawada, S. (2019). Chi-Square Test for Feature Selection in

Machine learning. https://towardsdatascience.com/chi-square-test-for-
feature-selection-in-machine-learning-206b1f0b8223#:~:text=In%20feature
%20selection%2C%20we%20aim,hypothesis%20of%20independence
%20is%20incorrect.

 Kumar, A. (25 de Noviembre de 2020). What is Supervised Learning and

its different types? https://www.edureka.co/blog/supervised-learning/

 La Organización de las Naciones Unidas para la Educación, la Ciencia y la

Cultura [UNESCO]. (2021). UNESDOC Biblioteca digital. Los sistemas de
alerta temprana para prevenir el abandono escolar en América Latina y el
Caribe: https://unesdoc.unesco.org/ark:/48223/pf0000380354

 López Ortiz, B. (Junio de 2020). Análisis de regresión lineal.

http://herzog.economia.unam.mx/profesores/blopez/tallerVI-practica5.pdf
 Menon, K. (16 de Septiembre de 2021). Everything You Need to Know
About Feature Selection In Machine Learning.
https://www.simplilearn.com/tutorials/machine-learning-tutorial/feature-
selection-in-machine-learning

 Minitab, LLC. (2022). Comparación de variables categóricas y cuantitativas.

Soporte de Minitab® 18: https://support.minitab.com/es-mx/minitab/18/help-
and-how-to/statistics/tables/supporting-topics/basics/categorical-and-
quantitative-variables/#:~:text=Los%20valores%20de%20una
%20variable,un%20contro%20o%20una%20medici%C3%B3n.

 Mosquera, R. C., & Parra, L. (2018). Máquinas de Soporte Vectorial,

Clasificador Naïve Bayes y Algoritmos Genéticos para la Predicción de
Riesgos Psicosociales en Docentes de Colegios Públicos Colombianos.
Información tecnológica: https://dx.doi.org/10.4067/S0718-
07642018000600153

 Profillidis, V., & Botzoris, G. (2019). Modeling of Transport Demand.

Elsevier.

 Red Europea de Información en Educación [EURYDICE]. (2014). Resumen

ejecutivo Eurydice. La lucha contra el abandono temprano de la educación
y la formación en Europa: estrategias, políticas y medidas:
https://sede.educacion.gob.es/publiventa/resumen-ejecutivo-eurydice-la-
lucha-contra-el-abandono-temprano-de-la-educacion-y-la-formacion-en-
europa-estrategias-politicas-y-medidas/educacion-formacion-europa/20556

 Rosenberg, J., Lawson, M., Anderson, D., Jones, R., & Rutherford, T.
(2020). Making Data Science Count In and For Education.
https://www.researchgate.net/publication/343875656_Making_Data_Scienc
e_Count_In_and_For_Education

 Secretaría de Educación Pública [SEP]. (2020). Boletín No. 167 Trabaja

SEP para mitigar la deserción y el abandono escolar ante la pandemia por
el COVID-19. Secretaría de educación pública Blog:
 https://www.gob.mx/sep/articulos/boletin-no-167-trabaja-sep-para-mitigar-
la-desercion-y-el-abandono-escolar-ante-la-pandemia-por-el-covid-19?
idiom=es

 Secretaría de Educación Pública [SEP]. (2022). III - La educación básica.

Plan y programas de estudio para la educación básica:
https://www.planyprogramasdestudio.sep.gob.mx/descargables/biblioteca/
basica-educ-fisica/III-LA-EDUCACION-BASICA.pdf

 Shah, T. (6 de Diciembre de 2016). About Train, Validation and Test Sets

in Machine Learning. https://towardsdatascience.com/train-validation-and-
test-sets-72cb40cba9e7

 Subsecretaría de Educación Básica. (2021). Estrategia Nacional para el

Regreso Seguro Ciclo 2021-2022.
https://educacionbasica.sep.gob.mx/multimedia/RSC/BASICA/Documento/
202105/202105-RSC-Lz0fiisOtD-Estgia_Nac.pdf

 Waseem, M. (05 de Enero de 2022). Data Science with Python.

https://www.edureka.co/blog/classification-in-machine-learning/#:~:text=MN
IST%20Digit%20Classification-,What%20is%20Classification%20In
%20Machine%20Learning,as%20target%2C%20label%20or
%20categories.