UNIVERSIDAD POLITÉCNICA DE QUERÉTARO
ANÁLISIS DE EDUCACIÓN SUPERIOR
01. EL PROBLEMA
Deserción escolar no detectada a tiempo en la UPQ debido a esquemas de tutoría reactivos y falta de integración de datos en tiempo real.
02. METODOLOGÍA
Arquitectura ETL automatizada en Python con cruce de variables sociodemográficas, académicas y contextuales mediante SQLite.
03. OBJETIVOS
Implementar un motor de inferencia preventivo R_total que alerte situaciones de riesgo e impulse prescripciones institucionales.
04. LOS DATOS
Consolidación de 34,413,485 registros universitarios unificados y calibrados dinámicamente con la API oficial del INEGI.
05. RESULTADOS
Dashboard interactivo de diagnóstico integral que optimiza la retención estudiantil y agiliza la toma de decisiones.
La Misión de la Intervención Predictiva
La deserción escolar en el nivel medio superior y superior representa uno de los desafíos estructurales más complejos del sistema educativo mexicano. Este fenómeno no solo interrumpe el desarrollo intelectual de los jóvenes, sino que perpetúa los ciclos de desigualdad económica Social. Para abordar esta problemática de manera efectiva, este proyecto propone una transición de la tutoría reactiva a la intervención predictiva. Utilizando bases de datos relacionales SQLite que consolidan información socioeconómica, académica y familiar, hemos desarrollado un modelo de ponderación de riesgos. El objetivo es identificar vulnerabilidades de manera temprana y prescribir apoyos institucionales específicos antes de que el estudiante decida abandonar las aulas.
Registros unificados procedentes de las bases de datos relacionales SQLite locales.
Contexto macro de referencia para el ajuste de los umbrales del algoritmo predictivo.
Conexión con Datos Oficiales e INEGI
Para fundamentar nuestras decisiones en datos macroeconómicos y educativos oficiales, nuestra plataforma simula la conexión con la API del Sistema de Indicadores del INEGI. Específicamente, analizamos la tasa de abandono escolar a nivel nacional y estatal donde logramos calibrar los umbrales de nuestro algoritmo. Esto nos permite entender si las problemáticas de nuestros estudiantes (como la falta de internet o la necesidad de trabajar) son anomalías aisladas o reflejan las carencias estructurales reportadas por el Estado.
async function fetchInegiIndicators() {
const url = 'https://api.inegi.org.mx/v2/Indicadores/1002000034/es/0700/true/JSON/';
try {
const response = await fetch(url, { headers: { 'Token': 'YOUR_INEGI_API_KEY' } });
const data = await response.json();
// Calibración dinámica de umbrales institucionales (Umbral Crítico >= 40%)
calibrateRiskThresholds(data.Series[0].OBSERVATIONS);
} catch (error) {
console.error("Error consumiendo la API de INEGI:", error);
}
}Indicadores Regionales Normalizados (por 100k Habitantes)
Escuelas por 100k
Interpretación: Escuelas
Querétaro lidera la densidad de infraestructura escolar con 7.6 escuelas por cada 100k habitantes. Esta concentración refleja una alta cobertura institucional superior en comparación con el promedio regional. La disponibilidad de un mayor número de instituciones favorece el acceso a la educación superior, fortalece la oferta académica y permite atender una mayor demanda estudiantil. Además, esta ventaja posiciona al estado como un referente educativo dentro de la región del Bajío.
🔄 Clic para volver a la gráficaEgresados por 100k
Interpretación: Egresados
Muestra el flujo de egreso universitario. Querétaro registra cerca de 920 egresados por 100k habitantes, consolidando a la entidad como un nodo de atracción y graduación de talento técnico-automotriz. Este indicador refleja una capacidad constante para formar profesionistas que responden a las necesidades del sector industrial, fortaleciendo la competitividad del estado y contribuyendo al desarrollo económico mediante la incorporación de capital humano calificado.
🔄 Clic para volver a la gráficaRezago Educativo por 100k
Interpretación: Rezago
Querétaro mantiene el indicador de rezago más bajo del Bajío (~15,500 por 100k habitantes), mientras que estados colindantes presentan valores superiores a 25,000, sustentando la necesidad de contención preventiva en la UPQ. Aunque los resultados son favorables, es importante implementar estrategias de seguimiento y apoyo académico para evitar que este indicador aumente, garantizando la permanencia y el éxito de los estudiantes a largo plazo.
🔄 Clic para volver a la gráficaArquitectura de Datos y Procesos ETL
¿Qué se hizo? Desarrollamos un proceso de extracción y consolidación de datos (ETL) a partir de tres bases de datos relacionales en formato SQLite3: factor_socioeconomico, factor_academico y factor_familiar. Cada una de estas tablas contiene un registro unificado mediante la llave primaria id_estudiante, permitiéndonos analizar el perfil del alumno desde una perspectiva de 360 grados. ¿Cómo se implementó? La implementación técnica se dividió en tres fases: Extracción (SQL): Conexión activa a los archivos .db mediante la librería sqlite3 de Python y lectura de cada una de las tablas. Procesamiento de Datos: Uso de pandas para cruzar la información escolar y calcular estadísticas clave como promedios grupales, frecuencias de materias reprobadas e ingresos mensuales. Visualización Interactiva: Renderizado de gráficos de distribución que permiten al usuario explorar las variables críticas que detonan la deserción en nuestra muestra.
02_factor_socioeconomico.db
SQLite3 Activa03_factor_academico.db
SQLite3 Activa04_factor_familiar.db
SQLite3 ActivaMétricas de Distribución
Distribución de Promedios Escolares
Interpretación: Promedios
La población estudiantil muestra una distribución gaussiana concentrada en el rango de 8.0 a 8.9 (~850 alumnos). La zona de alerta temprana se focaliza en los 120 alumnos con promedios de 6.0 a 6.9, prioritarios para tutoría académica. Este comportamiento indica que la mayoría de los estudiantes mantiene un desempeño estable; sin embargo, el grupo con promedios bajos requiere estrategias de seguimiento, asesorías y acompañamiento personalizado para prevenir el rezago y mejorar su rendimiento académico.
🔄 Clic para volver a la gráficaFrecuencia de Materias Reprobadas
Interpretación: Reprobación
Más de 1,100 estudiantes mantienen 0 materias reprobadas, reflejando un desempeño académico favorable en la mayor parte de la comunidad estudiantil. Sin embargo, el motor prescriptivo activa banderas rojas al acumular 2 o más materias reprobadas, donde el riesgo estadístico de deserción se triplica. Este indicador permite identificar oportunamente a los alumnos en situación de riesgo y orientar acciones de apoyo, tutorías y regularización antes de que el problema se agrave.
🔄 Clic para volver a la gráficaEstatus Laboral: Trabajan vs No Trabajan
Interpretación: Estatus Laboral
El 68% de los alumnos se dedica exclusivamente a estudiar, mientras que el resto combina sus estudios con alguna actividad laboral. La combinación de empleo a tiempo completo con una carga académica elevada representa una de las variables sociodemográficas con mayor peso en el algoritmo de riesgo $R_{total}$. Este resultado evidencia la importancia de implementar esquemas de flexibilidad, acompañamiento académico y seguimiento personalizado para estudiantes que enfrentan mayores responsabilidades fuera del entorno universitario.
🔄 Clic para volver a la gráficaAlgoritmo de Diagnóstico Preventivo
El núcleo de nuestra aplicación es el Algoritmo de Diagnóstico Preventivo. Este modelo calcula un Índice de Riesgo Multidimensional (R_total) expresado como el porcentaje de puntos acumulados sobre el total de puntos de riesgo posibles. Si el riesgo resultante es mayor o igual al 40% (R_total >= 40%), el sistema emite de manera inmediata un veredicto de 'Es Probable' y activa el módulo de prescripción, el cual evalúa de forma dinámica en cuáles de las dimensiones (socioeconómica, académica o familiar) se superaron los límites críticos para sugerir y activar los apoyos institucionales correspondientes.