Acceso usuarios
Rosita Romero, Katherine Araya Carvajal, Francisca Andrade Carvajal, Karla Montero Godoy
La investigación analiza los factores que influyen en la deserción en la formación online entre 2020 y 2024, identificando tendencias y oportunidades para mejorar la retención mediante herramientas tecnológicas y modelos predictivos. Se realizó una revisión sistemática de la literatura utilizando el framework SALSA, revisando bases de datos como WoS, Scopus, ERIC, Dialnet y SciELO. Tras aplicar criterios de selección, se analizaron un total de 63 estudios mediante codificación cualitativa para identificar patrones temáticos. Los resultados destacan la incidencia de factores individuales como la autoeficacia, autorregulación y gestión del tiempo, así como aspectos sociodemográficos y del entorno, como responsabilidades laborales y familiares. A nivel institucional, elementos como el diseño pedagógico adaptado, soporte técnico e intervenciones personalizadas son clave para la retención. Además, herramientas como la analítica de aprendizaje y la inteligencia artificial emergen como estrategias esenciales para predecir y mitigar el abandono. Estas tecnologías permiten detectar patrones de comportamiento en plataformas virtuales y diseñar apoyos personalizados, en tiempo real, siendo efectivos para identificar estudiantes en riesgo. La investigación concluye que la adopción de estas herramientas y enfoques predictivos, basados en analítica de aprendizaje y estrategias adaptativas, es crucial para personalizar el aprendizaje y reducir la deserción en la educación en línea.
A pesquisa analisa os fatores que influenciam as taxas de evasão na educação virtual entre 2020 e 2024, identificando tendências e oportunidades para melhorar a retenção por meio de ferramentas tecnológicas e modelos preditivos. Foi realizada uma revisão sistemática da literatura utilizando a estrutura SALSA em bancos de dados como WoS, Scopus, ERIC, Dialnet e SciELO. Após a aplicação dos critérios de seleção, 63 estudos foram analisados usando codificação qualitativa para identificar padrões temáticos. Os resultados destacam o impacto de fatores individuais, como autoeficácia, autorregulação e gestão do tempo, bem como aspectos sociodemográficos e contextuais, como trabalho e responsabilidades familiares. No âmbito institucional, elementos como design pedagógico adaptado, suporte técnico e intervenções personalizadas são essenciais para a retenção. Além disso, ferramentas como análise de aprendizagem e inteligência artificial estão surgindo como estratégias-chave para prever e mitigar a evasão. Essas tecnologias permitem a detecção de padrões de comportamento em plataformas virtuais e o desenho de suporte personalizado em tempo real, sendo eficazes na identificação de alunos em risco. A pesquisa conclui que a adoção dessas ferramentas e abordagens preditivas, baseadas em análises de aprendizagem e estratégias adaptativas, é crucial para personalizar o processo de aprender e reduzir a evasão na educação online.
The study examines the factors influencing dropout rates in virtual education between 2020 and 2024, identifying trends and opportunities to improve retention through technological tools and predictive models. A systematic literature review was conducted using the SALSA framework, analyzing databases such as WoS, Scopus, ERIC, Dialnet, and SciELO. After applying selection criteria, a total of 63 studies were analyzed using qualitative coding to identify thematic patterns. The results highlight the impact of individual factors such as self-efficacy, self-regulation, and time management, as well as sociodemographic and environmental aspects such as work and family responsibilities. At the institutional level, key elements for retention include tailored pedagogical design, technical support, and personalized interventions. Additionally, tools such as learning analytics and artificial intelligence emerge as essential strategies to predict and mitigate dropout rates. These technologies enable the detection of behavioral patterns on virtual platforms and the design of real-time personalized support, proving effective in identifying at-risk students. The study concludes that the adoption of these tools and predictive approaches—based on learning analytics and adaptive strategies—is crucial to personalizing learning and reducing dropout rates in online education.
