Introducción: La tasa de abandono estudiantil en las instituciones de educación superior es un problema global que requiere soluciones personalizadas y adaptadas a cada institución. El presente artículo se realiza en la Universidad Politécnica Estatal del Carchi (UPEC) en Ecuador. Objetivo: Identificar los factores determinantes del abandono universitario mediante un modelo logístico que permita predecir si un estudiante puede abandonar la universidad de manera prematura. Métodos: Como técnica de modelado estadístico multivariante se utiliza un modelo de regresión logística LR. La muestra de estudiantes corresponde a 3821 registros de matrículas en la UPEC. Resultados: Los resultados evidencian que el modelo logístico propuesto presenta una precisión del 90%. Además, se identificó una relación inversa entre la deserción estudiantil, el número de miembros en el hogar y el nivel educativo del padre y la madre; por lo que se evidencia la necesidad de instaurar medidas de apoyo y prevención específicas para los estudiantes de hogares con menores niveles educativos y mayores cargas familiares. Conclusiones: El abandono estudiantil en la UPEC ocurre principalmente durante el primer nivel de carrera, determinando además que los factores relevantes que influyen en la deserción estudiantil en esta universidad son: la edad, el número de miembros en el hogar, el nivel de estudio y el promedio académico. Esta información permitirá a las autoridades universitarias plantear medidas preventivas para mejorar la permanencia y el éxito académico de sus estudiantes.

The field of educational research increasingly emphasizes predictive modeling of academic performance, focusing on identifying determinants of student success and crafting models to forecast future achievements. This investigation evaluates the efficacy of different feature selection techniques in predicting mathematics performance among Ecuadorian students, based on data from the 2021-2022 cycle of the Ser Estudiante test. Employing supervised logistic regression for classification, the study compares three feature selection methods: selection based on the highest k-scores, recursive feature elimination with cross-validation (RFECV), and recursive feature elimination (RFE). The assessment reveals that both the highest k-scores and RFECV methods are highly effective in isolating the most pertinent features for predicting mathematical prowess. These methods achieved prediction accuracies exceeding 90%, with k-scores attaining 96% and RFECV 92%. Furthermore, they demonstrated remarkable recall (94% and 97%, respectively) and F1-Score (96% and 91%, respectively). Additionally, both methods presented Receiver Operating Characteristic (ROC) curves with an area under the curve (AUC) of 99%, signifying superior discriminatory capability. The findings illuminate the critical role of judicious feature selection in enhancing the precision of predictive models for academic performance, particularly in mathematics. The results advocate for the application of these techniques in pinpointing key factors contributing to student success. This study not only contributes to the methodological discourse in educational data analysis but also provides practical insights for the Ecuadorian education system in leveraging data-driven approaches to enhance student outcomes.

Esta investigación tiene como objetivo analizar la severidad de los accidentes de tránsito en Ecuador identificando factores que intervienen, y aplicando modelos estadísticos en la identificación de patrones accidentológicos. El estudio se centró en 94 accidentes de tráfico que involucraron autobuses entre 2017 y 2018. Se empleó una metodología que incluyó el análisis de variables agrupadas en cuatro categorías principales: infraestructura, vehículo, entorno y factor humano. A través de Árboles de Decisión CART y Random Forest, se determinaron las variables más significativas para analizar la severidad del accidente. Entre los resultados, se determinó que la severidad asociada al tipo de arcén natural es alta con una probabilidad del 92.3%, así mismo, cuando el lugar del accidente es en curva o recta la severidad asociada al tipo de accidente como alcance del autobús, vuelco sobra la calzada, salida de la vía y vuelco es alta con el 83.3%. En conclusión, el estudio destaca que los patrones accidentológicos identificados como accidentes de tránsito altamente severos en el contexto ecuatoriano incluyen situaciones donde el arcén se encuentra en mal estado, el accidente se manifiesta como vuelco y ocurre en tramos curvos de la vía.

Tourism is increasingly recognized as a driver of well-being and sustainability in nature-based destinations, yet the mechanisms underlying this relationship remain unclear. This study investigates how travel frequency influences tourist happiness through the mediating role of perceived stress. Data were collected from 385 visitors to Cotopaxi National Park, Ecuador, and analyzed using Structural Equation Modeling (SEM). A Confirmatory Factor Analysis validated the measurement model, followed by a mediation SEM that incorporated demographic controls (age and income). Results indicate that perceived stress exerts a strong negative effect on happiness (β = −0.58, p < 0.001), confirming its role as a key inhibitor of well-being. Travel frequency significantly reduces stress (β = −0.36, p < 0.001), while its direct effect on happiness is not significant (β = 0.07, p > 0.05), evidencing full mediation. These findings refine traditional assumptions that “more travel equals more happiness,” highlighting stress mitigation as the critical pathway to sustainable tourist well-being. Practical implications suggest prioritizing low-stress, high-adjustment experiences through clear signage, real-time information, and simplified booking systems. This research contributes to tourism psychology and sustainable destination management by demonstrating that happiness depends on reducing stress rather than increasing hedonic stimuli.