Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 269
Perfiles de satisfacción académica universitaria
mediante aprendizaje automático no supervisado
Profiles of university academic satisfaction through unsupervised
machine learning
Ayala-Franco, Enrique
1
Reyes-Magaña, Jorge
2
https://orcid.org/0000-0002-9469-188X
https://orcid.org/0000-0002-8296-1344
enrique.ayala@correo.uady.mx
jorge.reyes@correo.uady.mx
México, Mérida, Universidad Autónoma de Yucatán.
México, Mérida, Universidad Autónoma de Yucatán.
Basto-Díaz, Luis Ramiro
3
Curi-Quintal, Luis Fernando
4
https://orcid.org/0000-0002-6073-5004
https://orcid.org/0000-0002-8184-9473
luis.basto@correo.uady.mx
cquintal@correo.uady.mx
México, Mérida, Universidad Autónoma de Yucatán.
México, Mérida, Universidad Autónoma de Yucatán.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v4/n4/231
Resumen: La satisfacción académica se usa con frecuencia
como indicador de calidad en la educación superior, pero en
México su estudio generalmente se limita al uso de la
estadística descriptiva. Ese enfoque oculta la heterogeneidad
real entre estudiantes. Este trabajo caracterizó perfiles de
satisfacción académica mediante aprendizaje automático no
supervisado y examinó su relación con el rendimiento
académico y otras variables sociodemográficas. Se aplicó un
algoritmo de agrupamiento, con validación jerárquica
complementaria, a los datos de 217 estudiantes de una
facultad de ciencias exactas de una universidad pública
mexicana. Se evaluaron cinco dimensiones: enseñanza,
infraestructura, servicios, organización académica y vida
universitaria. Se identificaron tres perfiles con diferencias
estadísticamente significativas y de gran magnitud en las cinco
dimensiones evaluadas. El hallazgo principal fue que la
satisfacción académica baja conforme avanza la trayectoria
escolar, y lo hace sin relación con el rendimiento académico.
La jerarquía entre dimensiones tampoco cambió entre grupos.
Los servicios institucionales fueron los mejor evaluados,
mientras que la vida universitaria fue la más débil en todos los
casos. En suma, el semestre cursado predice la satisfacción
mejor que el promedio académico, lo que sugiere desarrollar
estrategias de retención considerando el momento de la
trayectoria del estudiante.
Palabras clave: Satisfacción académica, aprendizaje
automático, agrupamiento de datos, educación superior,
trayectoria escolar.
Artículo Científico
Received: 15/Sep/2026
Accepted: 08/Oct/2026
Published: 06/Nov/2026
Cita: Ayala-Franco, E., Reyes-Magaña, J.,
Basto-Díaz, L. R., & Curi-Quintal, L. F. (2026).
Perfiles de satisfacción académica
universitaria mediante aprendizaje automático
no supervisado. Revista Científica Ciencia Y
Método, 4(4), 269-287.
https://doi.org/10.55813/gaea/rcym/v4/n4/231
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2026. Este artículo es un documento de
acceso abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 270
Artículo Científico
Octubre – Diciembre 2026
Abstract:
Academic satisfaction is a quality measure often employed in higher education,
although in Mexico, its research is largely restricted to descriptive data. Such a view
masks the genuine variety of the student population. This study identified academic
satisfaction profiles, based on unsupervised machine learning, and analyzed their link
with academic achievement and other sociodemographic characteristics. A clustering
method complemented with a hierarchical validation processed data from 217 students
from a school of precise sciences in a Mexican public institution. Five dimensions were
evaluated: teaching, facilities, services, academic organization and university life.
Three profiles were found with major statistically significant differences on all five
dimensions tested. The key conclusion was that academic satisfaction decreased as
students went through their education, regardless of academic success, which did not
discriminate between profiles. In all situations, the order of aspects was the same
across groups: institutional services had the greatest ratings and university life the
poorest. To summarize, semester standing is a greater predictor of satisfaction than
grade point average. This shows that student retention tactics should not be based
merely on academic success but also on the student’s position within the academic
trajectory.
Keywords: Academic satisfaction, machine learning, data clustering, higher
education, academic trajectory.
1. Introducción
Las instituciones de educación superior enfrentan una presión creciente para
mantener a sus estudiantes y demostrar su calidad educativa. En este sentido, la
satisfacción académica es un indicador que se relaciona con la permanencia en la
escuela, el compromiso y el rendimiento futuro del alumno (Bernate et al., 2020;
Falcones y Sosa, 2022), por lo que cobra gran relevancia en este contexto. Así mismo,
las autoridades de las universidades pueden guiar las decisiones de mejora continua
con mayor precisión si conocen el grado de satisfacción de sus estudiantes (Marcano
y Uribe, 2022; Surdez-Pérez et al., 2018).
En el contexto de México, posterior a la pandemia, esta situación se ha vuelto más
crítica porque la inscripción en educación superior disminuyó en 763,299 alumnos
entre 2019 y 2020 (lo que equivale a una baja del 2.5%), lo que reveló importantes
carencias tecnológicas entre los estudiantes y condiciones que impidieron su
permanencia en el sistema educativo nacional (Mireles y García, 2022). Por lo que es
necesario entender con más profundidad los elementos que sí les satisfacen y los que
no dentro de su trayectoria universitaria, para procurar retener a un mayor número de
estudiantes y brindarles mejores condiciones de estudio.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 271
Artículo Científico
Octubre – Diciembre 2026
La literatura mexicana alrededor de la satisfacción académica tiene dos restricciones
importantes. La primera es de carácter metodológico. En las investigaciones
revisadas, los análisis de varianza y la estadística descriptiva son los métodos más
utilizados, los cuales comparan grupos predefinidos, pero no permiten identificar
agrupaciones ocultas en los datos (Cavazos, 2025; Paredes et al., 2025; Torres-
Gastelú, 2025). La segunda es de carácter conceptual. Se suele suponer que un
mayor nivel de satisfacción se traduce en un mejor desempeño académico, sin
embargo, esta hipótesis necesita ser comprobada empíricamente antes de utilizarla
como argumento para el desarrollo de políticas institucionales.
Las técnicas de minería de datos educativos (Educational Data Mining, EDM, por sus
siglas en inglés) constituyen una opción para superar estas restricciones. Esta
disciplina emplea técnicas computacionales en datos producidos dentro de contextos
educativos con el objetivo de identificar relaciones y patrones que no se pueden
observar a través de análisis convencionales (Kalita et al., 2025; Romero y Ventura,
2020). Específicamente, el aprendizaje automático no supervisado (Unsupervised
Machine Learning, UML, por sus siglas en inglés) funciona directamente en la
estructura real de los datos, lo cual posibilita la identificación de perfiles distintos sin
tener que suponer o verificar distribuciones predeterminadas (Abdelkader et al., 2022).
Dado su buen rendimiento y efectividad al analizar datos basados en escalas de tipo
Likert estandarizadas (Ahmed, 2024), el algoritmo K-medias es uno de los métodos
más empleados en este campo. Normalmente, la elección de la cantidad ideal de
grupos se basa en el coeficiente de silueta, que mide cuán separados y unidos están
los conglomerados (Chicco et al., 2025), así como en validaciones adicionales a través
del agrupamiento jerárquico.
Hay algunos antecedentes internacionales en donde se emplearon estas técnicas
para entender la satisfacción de los estudiantes. En el estudio de Semerikov et al.
(2026), el cual emplea EDM, fue posible identificar factores académicos como la
calidad docente y la relevancia de los cursos, como determinantes de la satisfacción
estudiantil. Por su parte, Abdelkader et al. (2022) demostraron que la selección de las
características o variables más relevantes mejoran la precisión de los modelos de
minería de datos para predecir la satisfacción estudiantil en el aprendizaje en línea.
Asimismo, Karadag et al. (2021), en un estudio que incluyó a cerca de quince mil
alumnos en treinta universidades en Turquía, encontraron que la capacidad
tecnológica de la institución y la calidad del profesorado son algunos de los elementos
más relevantes para los estudiantes.
El estudio más similar al que se presenta es el de Sanjari et al. (2023), en el que se
utilizó agrupamiento con particionamiento alrededor de medoides con alumnos iraníes
de ciencias de la salud, y se hallaron dos perfiles relevantes basados en satisfacción
y agotamiento académico, destacando que no existe una correlación significativa con
el desempeño. En el contexto latinoamericano, Morán-Castillo et al. (2026) recalcan
que las analíticas del aprendizaje permiten identificar señales de decaimiento
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 272
Artículo Científico
Octubre – Diciembre 2026
académico, incluso más pronto que los métodos tradicionales; lo que permite
intervenir de manera preventiva, para evitar el rezago y la desafección, los cuales son
factores que impactan directamente en la percepción de éxito y de satisfacción del
estudiante.
La satisfacción académica tiene varias definiciones según la perspectiva desde la que
se aborde. Desde el punto de vista del comportamiento del consumidor, se entiende
como la condición psicológica que resulta de cotejar las expectativas previas con el
rendimiento observado, también es una valoración acumulativa que se forma a través
de varias interacciones (Oliver, 1997; Tse et al., 1990). Desde el punto de vista
psicológico, la satisfacción académica se puede ver como el elemento cognitivo-
emocional del bienestar subjetivo del alumno (Gadosey et al., 2022; Robles-Bello et
al., 2022).
Desde de la percepción institucional, se entiende como la evaluación que el estudiante
hace de los servicios, procesos y condiciones que brinda la institución para su
capacitación (Mejías y Martínez, 2009; González-Peiteado et al., 2017). Para su mejor
aprovechamiento, no es posible reducir la satisfacción académica a un único índice.
Es decir, es necesario desagregarla en dimensiones que abarquen diferentes
aspectos de la experiencia universitaria, tales como la infraestructura, la enseñanza,
los servicios, la organización académica y la vida en el campus (Leyva, 2022; Mireles
y García, 2022).
La correlación entre el rendimiento escolar y la satisfacción académica es un asunto
que vale la pena analizar; si bien para algunos autores existe una relación positiva
moderada (Alonso, 2016; Herrera et al., 2018), algunas investigaciones recientes con
modelos de ecuaciones estructurales indican que el rendimiento académico tiene un
valor predictivo bajo respecto a la satisfacción si se compara con otras variables como
la personalidad y elementos motivacionales (Sharabi et al., 2025; Gadosey et al.,
2022).
Además, dado su carácter afectivo, la satisfacción percibida por el estudiante ayuda a
una mejor valoración de su entorno, desde un punto de vista subjetivo. Sin embargo,
si se acumula la insatisfacción, puede derivar en la deserción escolar y además
perjudicar la salud psicológica del alumnado (Zalazar-Jaime et al., 2022). Por otro
lado, hay evidencias en el contexto de instituciones latinoamericanas, que el uso de
tecnologías digitales en la educación puede influir en la relación entre el potencial
institucional para innovar en estrategias pedagógicas y la satisfacción de los
estudiantes (Cárdenas-Pañi y Padilla-Pallazhco, 2026; Vega-Sampayo et al., 2022).
A pesar de su importancia y potencial de uso, no se encontró ningún estudio en
universidades públicas de México que utilice agrupamiento no supervisado para
describir perfiles de satisfacción académica analizando varias dimensiones de forma
simultánea, o que comparara empíricamente la relación entre esos perfiles y el
rendimiento académico real del alumnado. Por lo que se formularon tres preguntas de
investigación para abordar ese vacío. La primera es para determinar cuáles son los
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 273
Artículo Científico
Octubre – Diciembre 2026
perfiles de satisfacción académica de los alumnos de una facultad de una universidad
mexicana, considerando varias dimensiones al mismo tiempo. La segunda estudia qué
dimensiones institucionales separan mejor a esos perfiles y la tercera evalúa hasta
qué punto el promedio académico predice la pertenencia a un perfil específico. De tal
forma que el propósito de este estudio es describir los perfiles de satisfacción
académica de los alumnos de la Facultad de Matemáticas de la Universidad Autónoma
de Yucatán (UADY) mediante aprendizaje automático no supervisado y examinar su
relación con variables de rendimiento académico y sociodemográficas.
2. Materiales y métodos
Diseño de investigación
El estudio tuvo un enfoque cuantitativo con diseño no experimental, transversal y
descriptivo-analítico. Fue no experimental porque no se manipuló ninguna variable;
transversal porque los datos se recopilaron en un único momento, durante el segundo
semestre de 2022; y descriptivo-analítico porque el objetivo no se limitó a caracterizar
los datos, sino a descubrir su estructura latente mediante una técnica de aprendizaje
automático no supervisado (Hernández-Sampieri y Mendoza). La unidad de análisis
fue el estudiante universitario inscrito en una facultad de ciencias exactas de una
universidad pública mexicana.
Población y muestra
La población comprendió a los estudiantes activos de seis programas de licenciatura
del área de ciencias de la computación y matemáticas. La muestra se obtuvo mediante
un muestreo no probabilístico por conveniencia, considerando a los estudiantes
presentes en aula durante el periodo de aplicación del instrumento. Se obtuvieron
doscientas diecisiete respuestas válidas, sin valores faltantes en ninguna variable, con
representación de todos los semestres entre el primero y el noveno, lo que permitió
explorar la variación de la satisfacción a lo largo de toda la trayectoria escolar. La
muestra de los 217 estudiantes resultó adecuada para el análisis de clustering, ya que
según Hair et al. (2019), los modelos de agrupamiento requieren un mínimo de cinco
observaciones por variable. Para este estudio, se manejaron cinco dimensiones de
satisfacción y se alcanzó un ratio de 43.4 observaciones por variable, lo que garantiza
estabilidad en la aplicación de los algoritmos de clustering.
Instrumento de recolección de datos
Se utilizó un cuestionario estructurado con treinta y ocho ítems distribuidos en dos
bloques. El primer bloque recabó datos sociodemográficos y académicos: edad, sexo,
carrera, semestre y promedio académico, este último codificado en tres niveles
(insuficiente, suficiente y sobresaliente). En el segundo bloque se midió la satisfacción
académica con treinta y tres ítems en escala Likert de cinco puntos, los cuales se
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 274
Artículo Científico
Octubre – Diciembre 2026
agruparon en cinco dimensiones: enseñanza, infraestructura, servicios, organización
académica y vida universitaria.
El instrumento se adaptó del modelo de índices de satisfacción académica de Mejías
y Martínez (2009). Para evaluar la fiabilidad interna del cuestionario se empleó el
Coeficiente Alfa de Cronbach y los valores por dimensión oscilaron entre 0.775
(Enseñanza) y 0.852 (Organización Académica), todos ellos por encima del umbral de
0.70 recomendado por Hair et al. (2019), lo que indica una buena consistencia interna.
Para la validez de contenido, se pidió a seis profesores de la Facultad de Matemáticas
de la UADY que juzgaron la claridad de cada ítem y su pertenencia a las cinco
dimensiones de satisfacción académica. Con sus observaciones se hicieron pequeños
ajustes en la redacción para su mejor entendimiento. El cuestionario se diseñó a través
de un formulario digital en la plataforma Google Forms, se aplicó durante el periodo
de estudio y las respuestas se procesaron con el lenguaje de programación Python
versión 3.12 y bibliotecas disponibles.
Variables del estudio
Las cinco puntuaciones de las dimensiones de satisfacción se consideraron como las
variables independientes y se calculó su valor mediante el promedio aritmético de los
ítems de cada dimensión; estas variables fueron las que alimentaron directamente el
algoritmo de agrupamiento. Las variables sociodemográficas y de rendimiento (sexo,
carrera, semestre y promedio académico) no fueron tomadas en cuenta para la
construcción de los grupos, sino que se utilizaron para describir y comparar los perfiles
identificados. La variable de validación cruzada fue la satisfacción general, ya que
permitió comprobar que los perfiles eran consistentes con la autoevaluación global del
estudiante, sin que hubiera intervenido en su construcción.
Procedimiento analítico
El análisis se realizó en tres etapas. En la primera fase de tipo exploratoria, se
calcularon estadísticos descriptivos de todas las variables; se construyó una matriz de
correlaciones de Spearman entre las dimensiones de satisfacción, el promedio
académico y el semestre, para detectar si hay asociaciones entre las variables
ordinales; y se aplicó la prueba de Kruskal-Wallis para evaluar si la satisfacción difiere
significativamente entre grupos según los niveles de promedio académico (Hair et al.,
2019; Gambarota & Altoè, 2024).
En la segunda etapa se aplicó el algoritmo de K-means sobre las cinco puntuaciones
de las dimensiones. El algoritmo de K-means es una técnica de aprendizaje
automático no supervisado que divide a los individuos en un número predefinido de k
conglomerados (grupos), de modo que cada estudiante queda asignado al grupo cuyo
centroide le resulta más cercano. El procedimiento parte de k centroides iniciales y de
forma iterativa realiza dos pasos: primero, asigna cada observación al centroide más
próximo según la distancia euclidiana; y segundo, recalcula cada centroide como la
media de las observaciones que se le asignaron. Se repiten los pasos hasta que las
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 275
Artículo Científico
Octubre – Diciembre 2026
asignaciones se estabilizan y la inercia intragrupo, definida como la suma de las
distancias al cuadrado de cada punto a su centroide, alcanza su valor mínimo (Hair et
al., 2019; Humaira y Rasyidah, 2020).
En este estudio, los grupos se construyeron exclusivamente con las cinco
dimensiones de la satisfacción académica: enseñanza, infraestructura, servicios,
organización académica y vida universitaria. Las variables promedio académico, el
semestre y la satisfacción general se dejaron para las etapas de validación. Fue
necesaria una estandarización previa con media cero y desviación estándar uno, para
evitar que las dimensiones con mayor escala dominaran el cálculo de las distancias.
Para el propósito de determinar el número óptimo de grupos, se evaluaron
simultáneamente tres criterios. El método del codo (Humaira y Rasyidah, 2020) que
examina la variación de la inercia intragrupo en función del número de grupos,
identificando el punto donde la disminución comienza a ser lineal. El coeficiente de
silueta que mide la cohesión y separación de los conglomerados, con valores que
oscilan entre -1 y 1, en donde los valores más altos indican clusters mejor definidos
(Chicco et al., 2025). También se calculó el índice de Davies-Bouldin (Anfossi &
Chicco, 2026) para evaluar la compacidad relativa de los conglomerados
determinando el promedio de las razones entre dispersión intragrupo y separación
intergrupos, donde valores más bajos indican mejor calidad de agrupamiento. La
concordancia entre los tres criterios proporcionó mayor solidez para determinar la
selección del número final de clusters. El modelo final se entrenó con tres grupos, 20
inicializaciones aleatorias y 500 iteraciones máximas para garantizar la estabilidad de
la convergencia.
Como forma de validación por concordancia entre métodos, en la tercera etapa se
empleó un agrupamiento jerárquico aglomerativo con enlace de Ward, calculando el
índice de Rand ajustado para evaluar si los perfiles de satisfacción encontrados con
k-means eran reales y robustos (Randriamihamison et al., 2021). El enlace de Ward
es un método que parte de cada estudiante como un grupo individual y, en cada paso,
fusiona los dos conglomerados cuya unión produce el menor incremento posible en la
varianza intragrupo (la suma de cuadrados dentro de los grupos), de modo que se
forman conglomerados homogéneos internamente; el proceso se repite para todas las
observaciones completando una estructura jerárquica que se representa mediante un
dendrograma (Hair et al., 2019). También en esta etapa, se realizó la prueba de
Kruskal-Wallis entre los tres perfiles obtenidos para confirmar diferencias significativas
en cada dimensión, calculándose el tamaño del efecto mediante eta cuadrado, con los
umbrales convencionales de magnitud mediana y grande. Se utilizó el lenguaje de
programación Python y sus bibliotecas pandas, scikit-learn, scipy y matplotlib para
todo el procesamiento.
Consideraciones éticas
La participación de los estudiantes fue voluntaria e informada. Los datos fueron
recopilados de forma anónima, evitando la identificación individual o el uso de datos
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 276
Artículo Científico
Octubre – Diciembre 2026
sensibles, la información se utilizó exclusivamente con fines académicos, conforme a
la normativa institucional de acceso a la información de la universidad.
3. Resultados
En este apartado se presentan los hallazgos obtenidos conforme a la secuencia en la
que se fueron realizando los procedimientos analíticos. En primer lugar, se caracterizó
la muestra y se calcularon los estadísticos descriptivos de las cinco dimensiones de
satisfacción evaluadas; después, se examinaron las relaciones con el promedio
académico y el semestre cursado. Posteriormente, se reporta el procedimiento de
aprendizaje automático no supervisado aplicado, además de los resultados con los
que se determinó el número óptimo de perfiles, luego se describieron los perfiles
identificados y su relación con la trayectoria escolar, para finalmente, mostrar la
validación estadística e interna que respalda la elección de los agrupamientos.
3.1. Características de la muestra
La muestra quedó conformada por 217 estudiantes. Como se muestra en la tabla 1,
el cincuenta y ocho por ciento fueron hombres y el cuarenta y dos por ciento mujeres;
el sesenta y uno por ciento reportó un promedio académico suficiente, el veintisiete
por ciento sobresalientes y el doce por ciento insuficiente. En cuanto a la trayectoria
escolar, el treinta y siete por ciento de los estudiantes cursaba entre el primero y el
tercer semestre, el treinta y seis por ciento entre el cuarto y el sexto, y el veintiséis por
ciento entre el séptimo y el noveno, lo que garantiza una representación de todos los
semestres en la trayectoria escolar de los estudiantes.
Tabla 1
Distribución de la muestra por variables sociodemográficas y académicas.
Variable
Categoría
n
%
Sexo
Hombre
126
58.1
Mujer
91
41.9
Promedio académico
Suficiente
132
60.8
Sobresaliente
59
27.2
Insuficiente
26
12.0
Semestre
Primero a tercero
81
37.3
Cuarto a sexto
79
36.4
Séptimo a noveno
57
26.3
Nota: n = 217 (Autores, 2026).
3.2. Estadísticos descriptivos de las dimensiones de satisfacción
La satisfacción general se distribuyó de la siguiente manera: 53% de los estudiantes
se ubicó en la categoría algo satisfecho, 20% en ni satisfecho ni insatisfecho, 15% en
poco satisfecho y 12% en totalmente satisfecho. Por otro lado, en la tabla 2 se observa
la satisfacción desglosada por las dimensiones previamente definidas, la dimensión
de servicios obtuvo la media más alta (4.05), mientras que la dimensión de vida
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 277
Artículo Científico
Octubre – Diciembre 2026
universitaria obtuvo la más baja (3.29) y, además, es la mayor dispersión entre las
cinco dimensiones evaluadas.
Tabla 2
Estadísticos descriptivos por dimensión de satisfacción.
Dimensión
Media
Desviación estándar
Servicios
4.05
0.71
Enseñanza
3.90
0.68
Infraestructura
3.64
0.76
Organización académica
3.64
0.74
Vida universitaria
3.29
1.05
Nota: Escala de 1 (nada satisfecho) a 5 (totalmente satisfecho). n = 217 (Autores, 2026).
3.3. Relación entre satisfacción, promedio académico y semestre
La tabla 3 presenta las correlaciones de Spearman entre las dimensiones, el promedio
académico y el semestre. Las cinco dimensiones correlacionaron entre sí de forma
positiva, lo que indicó que midieron facetas distintas de un mismo constructo
subyacente sin ser redundantes. El promedio académico no mostró correlación
significativa con ninguna dimensión ni con el semestre. El semestre, en cambio,
correlacionó de forma negativa y significativamente con las cinco dimensiones, con
valores del coeficiente de correlación de Spearman (ρ) entre -0.18 y -0.44. La
asociación más fuerte se dio con la vida universitaria (ρ = -0.44, p < .001) y la más
débil con servicios (ρ = -0.18, p = .007). La satisfacción disminuye conforme avanza
la trayectoria escolar, y la caída es especialmente marcada en la dimensión de vida
universitaria.
Tabla 3
Correlaciones de Spearman entre dimensiones de satisfacción, promedio académico
y semestre.
Enseñanza
Infra-
estructura
Servicios
Organización
Vida
univ.
Promedio
Infraestructura
0.49***
—
Servicios
0.51***
0.57***
—
Organización
0.59***
0.55***
0.55***
—
Vida universitaria
0.52***
0.44***
0.45***
0.56***
—
Promedio
académico
0.11
0.02
0.07
0.09
0.11
—
Semestre
-0.26***
-0.27***
-0.18***
-0.29***
-0.44***
0.03
Nota: Coeficiente de correlación de Spearman (ρ). n = 217. * p < .05, ** p < .01, *** p < .001. Las
correlaciones sin marca no fueron estadísticamente significativas (Autores, 2026).
3.4. Determinación del número óptimo de perfiles
Se evaluaron soluciones entre dos y ocho grupos mediante tres criterios de validación
interna. El coeficiente de silueta y el índice de Davies-Bouldin favorecieron una
solución de dos grupos (silueta = 0.339 y Davies-Bouldin = 1.124 en k = 2, frente a
0.256 y 1.317 en k = 3); sin embargo, el método del codo (inercia intragrupo) mostró
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 278
Artículo Científico
Octubre – Diciembre 2026
una inflexión clara entre dos y tres grupos (la inercia intragrupo se redujo de 645.7 a
509.4), y la solución de tres grupos mantuvo un coeficiente de silueta en rango
aceptable.
Los resultados que se muestran en la figura 1, orientaron la decisión de definir k = 3.
También, considerando el plano interpretativo, ya que una solución de dos grupos se
limitaría a separar a estudiantes satisfechos de insatisfechos, mientras que la de tres
produciría un perfil intermedio de satisfacción moderada, de mayor utilidad para
orientar intervenciones.
Figura 1
Criterios para la selección del número óptimo de grupos (k): método del codo,
coeficiente de silueta e índice Davies-Bouldin.
Nota: (Autores, 2026).
3.5. Descripción de los perfiles identificados
El modelo final, entrenado con tres grupos, asignó a los estudiantes en perfiles
ordenados de menor a mayor satisfacción general. El primer perfil, denominado de
baja satisfacción, agrupó al veinticinco por ciento de la muestra y mostró las
puntuaciones más bajas en las cinco dimensiones, con un semestre promedio de 5.9.
El segundo perfil, de satisfacción moderada, concentró al cuarenta y siete por ciento
de los estudiantes, con fortalezas en enseñanza y servicios, pero debilidades en
organización académica y vida universitaria, y un semestre promedio de 5.1. El tercer
perfil, de alta satisfacción, agrupó al veintiocho por ciento restante, con evaluaciones
favorables en todas las dimensiones y un semestre promedio de 3.6, sensiblemente
más bajo que en los otros dos grupos.
Como se observa en la figura 2, la jerarquía entre dimensiones se mantuvo constante
en los tres perfiles: la dimensión de servicios ocupó siempre el primer lugar y la de
vida universitaria el último, independientemente del nivel general de satisfacción del
grupo. La distribución del promedio académico fue prácticamente idéntica entre los
tres perfiles y no presentó diferencias estadísticamente significativas respecto a la
muestra global, lo que confirmó que el rendimiento académico no discriminó la
pertenencia a ningún perfil.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 279
Artículo Científico
Octubre – Diciembre 2026
Figura 2
Perfil radar de los tres grupos de satisfacción identificados mediante agrupamiento k-
means, con k=3
Nota: (Autores, 2026).
3.6. Relación entre los perfiles y la trayectoria escolar
La figura 3 presenta la evolución de la satisfacción general media por semestre
individual. Se observó una tendencia descendente en general: la satisfacción media
pasó de 4.38 en el primer semestre a un mínimo de 3.29 en el octavo, con variaciones
intermedias y una ligera recuperación en el noveno (3.48), y una media global de 3.71.
La tendencia lineal fue negativa y estadísticamente significativa (r = -0.38, p < .001).
Esta tendencia es coherente con los coeficientes de la tabla 3, donde el semestre
correlaciona de forma negativa con las cinco dimensiones.
Figura 3
Evolución de la satisfacción académica general según el semestre cursado.
Nota: (Autores, 2026).
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 280
Artículo Científico
Octubre – Diciembre 2026
3.7. Validación de los perfiles
La verificación de los perfiles se hizo de dos formas. En primer lugar, se comprobó si
los tres perfiles diferían de forma estadísticamente significativa en cada dimensión de
satisfacción mediante la prueba de Kruskal-Wallis, que compara las distribuciones de
grupos independientes, para datos de tipo ordinal, como los de una escala Likert; se
cuantificó la magnitud de esas diferencias con el tamaño del efecto eta cuadrado,
interpretado según los umbrales convencionales de magnitud pequeña, mediana y
grande. En segundo lugar, se estudió la estabilidad de la solución agrupando mediante
el método de agrupamiento jerárquico con enlace de Ward y comparando su
coincidencia con el resultado original mediante el índice de Rand ajustado.
La tabla 4 resume los resultados de la primera parte, correspondiente a la validación
estadística interna de los tres perfiles. La prueba de Kruskal-Wallis arrojó diferencias
altamente significativas en las cinco dimensiones, con tamaños de efecto que
oscilaron entre cincuenta y uno y cincuenta y ocho centésimas, todos
correspondientes a una magnitud grande según los umbrales convencionales.
Tabla 4
Resultados de validación estadística de los tres perfiles identificados.
Dimensión
Estadístico H
Valor p
Tamaño del efecto
Enseñanza
110.2
< .001
0.505 (grande)
Infraestructura
112.9
< .001
0.518 (grande)
Servicios
118.1
< .001
0.543 (grande)
Organización académica
125.4
< .001
0.577 (grande)
Vida universitaria
111.3
< .001
0.511 (grande)
Nota: Prueba de Kruskal-Wallis entre los tres perfiles. Tamaño del efecto calculado mediante eta
cuadrado. Coeficiente de silueta del agrupamiento jerárquico = 0.241; índice de Rand ajustado entre
soluciones = 0.71 (Autores, 2026).
En la segunda parte, el agrupamiento jerárquico con enlace de Ward, que se presenta
en la figura 4, produjo una solución equivalente de tres grupos, y el índice de Rand
ajustado entre ambas soluciones de agrupamiento alcanzó setenta y un centésimas,
lo que indicó una concordancia sustancial entre métodos. En el dendrograma (figura
4), el eje vertical representa la distancia de fusión de Ward: cuanto mayor es la altura
a la que se combinan dos ramas, más disímiles son los conglomerados que se unen.
La estructura muestra tres agrupaciones principales: una rama pequeña a la izquierda
y un bloque grande que se subdivide en dos, cuyas fusiones finales se producen a
distancias superiores a las uniones internas de cada grupo, lo que respalda de forma
visual la solución de tres perfiles de satisfacción académica y su cohesión interna.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 281
Artículo Científico
Octubre – Diciembre 2026
Figura 4
Dendrograma jerárquico con enlace de Ward sobre una muestra de ochenta
estudiantes, mostrando el corte para tres grupos.
Nota: (Autores, 2026).
Finalmente, la distribución de la variable satisfacción general dentro de cada uno de
los tres perfiles confirmó la coherencia de la solución: en el perfil 1, el 68% de los
estudiantes reportó estar poco satisfecho o ni satisfecho ni insatisfecho; en el perfil 2,
el 71% reportó estar algo satisfecho; y en el perfil 3, el 82% indicó estar algo satisfecho
o totalmente satisfecho. La satisfacción general se consideró una variable externa que
no participó en la construcción de los grupos; por ello, su distribución ascendente y
ordenada del perfil 1 al perfil 3 respalda la validez de la solución.
4. Discusión
Los resultados para elegir la cantidad de grupos por los tres métodos variaban entre
2 y 3 grupos. Sin embargo, considerando que una solución con k = 2 obtendría sólo
grupos con valores de satisfechos e insatisfechos, se buscó una alternativa con mayor
heterogeneidad, por lo que se estableció k = 3 grupos para realizar los agrupamientos.
Es decir, surgió un tercer perfil de satisfacción moderada, el cual concentra a casi la
mitad de la muestra y presenta otras características distintivas. Este agrupamiento
destaca fortalezas en enseñanza y servicios, mientras que muestra debilidades en
organización académica y vida universitaria, con dos grupos estas diferencias
hubiesen pasado desapercibidas. La decisión también fue sustentada en estudios
recientes sobre analítica educativa, los cuales afirman que el número de grupos debe
elegirse dando prioridad a la interpretabilidad de los perfiles para orientar
intervenciones pedagógicas, y no solo en base a criterios cuantitativos de cohesión
estadística (Song et al., 2024).
El hallazgo más relevante de este estudio es que la satisfacción académica disminuye
a medida que avanzan los semestres, independientemente del desempeño
académico. Los coeficientes de la tabla 3 corroboran con mayor solidez este patrón,
pues muestran correlaciones negativas y estadísticamente significativas entre el
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 282
Artículo Científico
Octubre – Diciembre 2026
semestre y las cinco dimensiones (ρ entre -0.18 y -0.44). Este patrón no es exclusivo
del contexto mexicano, pues otros estudios demuestran que el costo motivacional
percibido por el estudiante, que regularmente crece con el avance académico, se
asocia de manera negativa con la satisfacción (Gadosey et al., 2022), y que la fatiga
emocional y el compromiso académico muestran patrones negativos más evidentes
en semestres avanzados, cuando los estudiantes enfrentan una mayor carga
académica y expectativas profesionales (Mamani-Benito et al., 2024). En el contexto
de las carreras de ciencias exactas, los estudiantes de semestres superiores se
enfrentan con asignaturas más exigentes y una mayor presión por prácticas
profesionales, dimensiones que resultan ser precisamente las peor evaluadas en el
perfil de baja satisfacción. Este resultado indica que el decremento de satisfacción que
se evidencia en este estudio, puede ser un indicador de riesgo de abandono escolar.
Se observó que el promedio académico no está asociado a ninguna dimensión de
satisfacción, lo que contrasta con parte de la literatura, sin embargo, otros estudios
recientes como los de Sanjari et al. (2023), reportan que la satisfacción no tiene
relación significativa con el rendimiento académico, cuando aplicaron el método de
clustering por particionamiento en estudiantes de ciencias de la salud. Esta
interpretación concuerda con otros hallazgos que evidencian que las variables
cognitivas y de rendimiento poseen un bajo poder predictivo sobre la satisfacción
académica, en contraste con los rasgos de personalidad y motivación (Sharabi et al.,
2025). Una posible explicación es que el promedio refleja capacidades cognitivas y
hábitos de estudio, mientras que la satisfacción refleja la evaluación subjetiva de las
condiciones institucionales; es decir, un estudiante de alto rendimiento puede estar
insatisfecho con la infraestructura deportiva o el sistema de becas, sin que esto afecte
a su calificación, pero sí afecta su posible decisión de abandonar los estudios.
La tendencia uniforme de resultados entre dimensiones, por ejemplo, servicios bien
valorados y vida universitaria mal valorada, expresan rasgos estructurales de la
institución, que son percibidos totalmente por los estudiantes. Sobre el hecho de que
la vida universitaria sea sistemáticamente débil, encuentra eco en la literatura, ya que
la participación en actividades extracurriculares se ha asociado con un mayor sentido
de pertenencia institucional y tasas de abandono más bajas (Mamani-Benito et al.,
2024), además de que un entorno universitario de apoyo también favorece el bienestar
psicológico general del estudiante (Liu y Wang, 2024). En el estudio, la vida
universitaria es la dimensión más sensible al avance en la trayectoria escolar al
presentar la correlación negativa más fuerte con el semestre (ρ = -0.44; tabla 3), de
forma que su deterioro se acentúa precisamente en los semestres avanzados, lo que
refuerza la necesidad de considerarla en las estrategias de retención. El uso de
clustering permitió obtener grupos con patrones diferenciados que posibilita el diseño
de intervenciones acordes a cada perfil, en coincidencia con estudios recientes sobre
minería de datos educativa orientada a la construcción de perfiles estudiantiles
accionables (Alvarez-Garcia et al., 2024; Song et al., 2024).
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 283
Artículo Científico
Octubre – Diciembre 2026
Este estudio tiene algunas limitaciones relacionadas con el diseño transversal, el cual
no permite diferenciar si la menor satisfacción en semestres avanzados es
consecuencia de la trayectoria escolar o si refleja un efecto de selección, en el cual
los estudiantes más insatisfechos abandonan antes de llegar a semestres superiores.
El muestreo no probabilístico también restringe la posibilidad de generalizar los
perfiles identificados a otras facultades o instituciones. Algunos subgrupos son
pequeños, especialmente en los últimos semestres
5. Conclusiones
C El presente estudio identificó tres perfiles de satisfacción académica entre los
estudiantes universitarios de una facultad de ciencias exactas. El primer perfil, de baja
satisfacción en general, se concentra en una cuarta parte de la muestra, y se ubica en
semestres intermedios y avanzados. El segundo grupo, de satisfacción moderada, es
el más amplio y combina fortalezas en docencia y servicios con debilidades
persistentes en organización académica y vida universitaria. El tercer perfil, altamente
satisfecho, evalúa positivamente todos los aspectos de la experiencia universitaria y
se centra en los semestres iniciales. El rendimiento académico no fue un buen
predictor para diferenciar a estos perfiles, sino el semestre cursado, se observa que
la satisfacción va disminuyendo de forma sistemática a medida que avanza la
trayectoria escolar, sin importar las calificaciones obtenidas.
Este es un indicador que puede ser empleado en la gestión institucional. En el sentido
de priorizar las estrategias de retención estudiantil para los semestres intermedios,
donde comienza a consolidarse el perfil de baja satisfacción, y no de manera posterior,
cuando el estudiante manifiesta intención de abandonar los estudios. Los perfiles
identificados también permiten priorizar recursos, al poder clasificar a los estudiantes,
y concentrar esfuerzos en el grupo de mayor riesgo. Además, dado que el rendimiento
académico no resultó un predictor confiable de pertenencia a un perfil de satisfacción,
se requiere un mejor diseño de los sistemas tradicionales de alerta académica, que
se basan solamente en las calificaciones, pues no sirven para identificar a los
estudiantes que pueden abandonar por insatisfacción con la institución.
La jerarquía entre dimensiones y resultados de las fortalezas y debilidades
institucionales en la vida universitaria, indican también dónde se deben concentrar las
estrategias de mejora. Por ejemplo, para abordar los aspectos peor evaluados (vida
universitaria) en los tres perfiles, se debe reforzar la oferta deportiva, cultural y de
becas, lo cual puede aportar beneficios potenciales para retención y el bienestar
estudiantil.
Desde el punto de vista metodológico, este trabajo aporta evidencia de que el
aprendizaje automático no supervisado es una herramienta viable y replicable para
analizar la satisfacción de los estudiantes en las instituciones públicas de educación
superior, superando las limitaciones de los enfoques puramente descriptivos utilizados
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 284
Artículo Científico
Octubre – Diciembre 2026
hasta ahora en gran parte de la literatura nacional. El procedimiento descrito, puede
aplicarse en otras facultades y universidades que cuenten con datos de encuestas de
satisfacción estudiantil. Quedan como líneas futuras de investigación el desarrollo de
estudios longitudinales que permitan dar seguimiento a las mismas cohortes a lo largo
de su trayectoria escolar, la replicación de este procedimiento en otras facultades para
evaluar la consistencia de los perfiles identificados, y la incorporación de variables
adicionales de bienestar psicológico y condiciones socioeconómicas que pudieran
influir en la relación entre las condiciones institucionales y la satisfacción del
estudiantado.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
DECLARACIÓN SOBRE EL USO DE INTELIGENCIA ARTIFICIAL GENERATIVA
“Los autores declaran que no utilizaron herramientas de inteligencia artificial
generativa en la elaboración de este manuscrito.”
Referencias Bibliográficas
Abdelkader, H. E., Gad, A. G., Abohany, A. A., & Sorour, S. E. (2022). An efficient data
mining technique for assessing satisfaction level with online learning for higher
education students during the COVID-19. IEEE Access, 10, 6286–6303.
https://doi.org/10.1109/ACCESS.2022.3143035
Ahmed, E. (2024). Student performance prediction using machine learning algorithms.
Applied Computational Intelligence and Soft Computing, 2024(1), Artículo
4067721. https://doi.org/10.1155/2024/4067721
Alonso Dos Santos, M. (2016). Calidad y satisfacción: el caso de la Universidad de
Jaén. Revista de la Educación Superior, 45(178), 79–95.
https://doi.org/10.1016/j.resu.2016.02.005
Alvarez-Garcia, M., Arenas-Parra, M., & Ibar-Alonso, R. (2024). Uncovering student
profiles: An explainable cluster analysis approach to PISA 2022. Computers &
Education, 223, Artículo 105166.
https://doi.org/10.1016/j.compedu.2024.105166
Anfossi, A., & Chicco, D. (2026). An easy guide to the Davies-Bouldin index for
unsupervised internal clustering evaluation. Discover Computing, 29, Artículo
212. https://doi.org/10.1007/s10791-026-10094-0
Bernate, J. A., Guataquira Romero, A., Romero Melo, E. N., & Reyes Escobar, P. C.
(2020). Satisfacción de la calidad educativa en educación superior. Podium,
(38), 37–50. https://doi.org/10.31095/podium.2020.38.3
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 285
Artículo Científico
Octubre – Diciembre 2026
Cárdenas-Pañi, M. E., & Padilla-Pallazhco, M. V. (2026). Metodologías activas en la
educación superior virtual: una revisión bibliográfica. Revista Científica Ciencia
y Método, 4(1), 170–190. https://doi.org/10.55813/gaea/rcym/v4/n1/144
Cavazos Salazar, R. L. (2025). Satisfacción estudiantil en la UANL en modalidades no
escolarizada y mixta. VECTORES, 4(2). https://doi.org/10.56375/ve4.2-53
Chicco, D., Campagner, A., Spagnolo, A., Ciucci, D., & Jurman, G. (2025). The
Silhouette coefficient and the Davies-Bouldin index are more informative than
Dunn index, Calinski-Harabasz index, Shannon entropy, and Gap statistic for
unsupervised clustering internal evaluation of two convex clusters. PeerJ
Computer Science, 11, Artículo e3309. https://doi.org/10.7717/peerj-cs.3309
Falcones Benalcázar, M. J., & Sosa Bone, M. P. (2022). La satisfacción de los
estudiantes: un reto en la formación integral universitaria. Revista Científica
Hallazgos21, 7(3), 273–283. https://doi.org/10.69890/hallazgos21.v7i3.592
Gadosey, C. K., Grunschel, C., Kegel, L. S., Schnettler, T., Turhan, D., Scheunemann,
A., Bäulke, L., Thomas, L., Buhlmann, U., Dresel, M., Fries, S., Leutner, D., &
Wirth, J. (2022). Study satisfaction among university students during the
COVID-19 pandemic: Longitudinal development and personal-contextual
predictors. Frontiers in Psychology, 13, Artículo 918367.
https://doi.org/10.3389/fpsyg.2022.918367
Gambarota, F., & Altoè, G. (2024). Ordinal regression models made easy: A tutorial
on parameter interpretation, data simulation and power analysis. International
Journal of Psychology, 59(6), 1263–1292. https://doi.org/10.1002/ijop.13243
González-Peiteado, M., Pino-Juste, M., & Penado-Abilleira, M. (2017). Estudio de la
satisfacción percibida por los estudiantes de la UNED con su vida universitaria.
RIED. Revista Iberoamericana de Educación a Distancia, 20(1), 243–260.
https://doi.org/10.5944/ried.20.1.16377
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data
analysis (8.ª ed.). Cengage Learning.
Hernández-Sampieri, R., & Mendoza Torres, C. P. (2018). Metodología de la
investigación: las rutas cuantitativa, cualitativa y mixta. McGraw-Hill Educación.
Herrera Torres, L., Souza Soares de Quadros, M. R., & Soares de Quadros Júnior, J.
F. (2018). Evaluación de la calidad en la educación superior: una revisión de la
literatura a partir de la satisfacción del alumnado. Cadernos de Pesquisa, 25(2),
71–89. https://doi.org/10.18764/2178-2229.v25n2p71-89
Humaira, H., & Rasyidah, R. (2020). Determining the appropiate cluster number using
elbow method for K-means algorithm. En Proceedings of the 2nd Workshop on
Multidisciplinary and Applications (WMA 2018). EAI.
https://doi.org/10.4108/eai.24-1-2018.2292388
Kalita, E., Oyelere, S. S., Gaftandzhieva, S., Rajesh, K. N. V. P. S.,
Jagatheesaperumal, S. K., Mohamed, A., Elbarawy, Y. M., Desuky, A. S.,
Hussain, S., Cifci, M. A., Theodorou, P., Hilčenko, S., Hazarika, J., & Ali, T.
(2025). Educational data mining: A 10-year review. Discover Computing, 28,
Artículo 81. https://doi.org/10.1007/s10791-025-09589-z
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 286
Artículo Científico
Octubre – Diciembre 2026
Karadag, E., Su, A., & Ergin-Kocaturk, H. (2021). Multi-level analyses of distance
education capacity, faculty members' adaptation, and indicators of student
satisfaction in higher education during COVID-19 pandemic. International
Journal of Educational Technology in Higher Education, 18, Artículo 57.
https://doi.org/10.1186/s41239-021-00291-w
Leyva Martínez, C. A. (2022). Análisis del nivel de satisfacción de estudiantes
universitarios usando técnicas de minería de datos [Tesis de licenciatura,
Universidad Autónoma de Yucatán].
Liu, X., & Wang, J. (2024). Depression, anxiety, and student satisfaction with university
life among college students: A cross-lagged study. Humanities and Social
Sciences Communications, 11, Artículo 1172. https://doi.org/10.1057/s41599-
024-03686-y
Mamani-Benito, O., Esteban, R. F. C., Huayta-Meza, M. V., Castillo-Blanco, R.,
Chaparro, J. E. T., & Morales-García, W. C. (2024). Emotional fatigue,
academic engagement, and satisfaction with studies during the return to post-
pandemic university attendance. Frontiers in Education, 9, Artículo 1297302.
https://doi.org/10.3389/feduc.2024.1297302
Marcano Molano, P. G., & Uribe Veintimilla, A. M. (2022). Satisfacción estudiantil como
un indicador de la calidad educativa. Revista Ciencias Pedagógicas e
Innovación, 10(1), 79–84. https://doi.org/10.26423/rcpi.v10i1.520
Mejías, A., & Martínez, D. (2009). Desarrollo de un instrumento para medir la
satisfacción estudiantil en educación superior. Docencia Universitaria, 10(2),
29–47. http://saber.ucv.ve/ojs/index.php/rev_docu/article/view/3704/3546
Mireles Vázquez, M. G., & García García, J. A. (2022). Satisfacción estudiantil en
universitarios: una revisión sistemática de la literatura. Revista Educación,
46(2), 610–626. https://doi.org/10.15517/revedu.v46i2.47621
Morán-Castillo, G. G., Zamora-Moreno, Z. F., Jimenez-Villares, A. M., Zamora-
Moreno, A. B., & Vera-Flores, S. C. (2026). Analítica de aprendizaje para
mejorar el rendimiento académico en estudiantes de secundaria. Revista
Científica Ciencia y Método, 4(2), 79–95.
https://doi.org/10.55813/gaea/rcym/v4/n2/182
Oliver, R. L. (1997). Satisfaction: A behavioral perspective on the consumer. McGraw-
Hill.
Paredes Arriaga, A. M., Muñoz González, L. F., & Solís Tepexpa, S. (2025).
Satisfacción de estudiantes universitarios pregrado antes y durante la
pandemia de Covid-19. Administración y Organizaciones, 28(54).
https://doi.org/10.24275/HUKW5229
Randriamihamison, N., Vialaneix, N., & Neuvial, P. (2021). Applicability and
interpretability of Ward's hierarchical agglomerative clustering with or without
contiguity constraints. Journal of Classification, 38(2), 363–389.
https://doi.org/10.1007/s00357-020-09377-y
Robles-Bello, M. A., Sánchez-Teruel, D., Gavin Chocano, Ó., González Luque, A., &
Camacho Conde, J. A. (2022). Co-operative learning, psychometric adaptation,
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 287
Artículo Científico
Octubre – Diciembre 2026
and invariability of the academic satisfaction scale in Spanish university
students. Frontiers in Psychology, 13, Artículo 864510.
https://doi.org/10.3389/fpsyg.2022.864510
Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An
updated survey. WIREs Data Mining and Knowledge Discovery, 10(3), Artículo
e1355. https://doi.org/10.1002/widm.1355
Sanjari, E., Majidian Dehkordi, F., & Raeisi Shahraki, H. (2023). Clustering
undergraduate students based on academic burnout and satisfaction from the
field using partitioning around medoid. Computational and Mathematical
Methods in Medicine, 2023(1), Artículo 8898939.
https://doi.org/10.1155/2023/8898939
Semerikov, S. O., Bondarenko, O. V., Nechypurenko, P. P., Vakaliuk, T. A., & Mintii, I.
S. (2026). Student elective course selection patterns and satisfaction
determinants identified through educational data mining. Scientific Reports, 16,
Artículo 6965. https://doi.org/10.1038/s41598-026-37712-7
Sharabi, A., Carretti, B., Cueli, M., Rodríguez, C., & Pellegrino, G. (2025).
Undergraduates' achievement and satisfaction: The role of study-related factors
and soft skills. Frontiers in Psychology, 16, Artículo 1653072.
https://doi.org/10.3389/fpsyg.2025.1653072
Song, R., Pang, F., Jiang, H., & Zhu, H. (2024). A machine learning based method for
constructing group profiles of university students. Heliyon, 10(7), Artículo
e29181. https://doi.org/10.1016/j.heliyon.2024.e29181
Surdez-Pérez, E. G., Sandoval-Caraveo, M. del C., & Lamoyi-Bocanegra, C. L. (2018).
Satisfacción estudiantil en la valoración de la calidad educativa universitaria.
Educación y Educadores, 21(1), 9–26. https://doi.org/10.5294/edu.2018.21.1.1
Torres-Gastelú, C. A. (2025). Satisfacción de estudiantes universitarios en un
programa educativo de reciente creación. RIDE. Revista Iberoamericana para
la Investigación y el Desarrollo Educativo, 16(31). e947.
https://doi.org/10.23913/ride.v16i31.2559
Tse, D. K., Nicosia, F. M., & Wilton, P. C. (1990). Consumer satisfaction as a process.
Psychology & Marketing, 7(3), 177–193.
https://doi.org/10.1002/mar.4220070304
Vega-Sampayo, Y., Olivero-Vega, E., & Acosta-Prado, J. C. (2022). Efecto mediador
de las tecnologías de la información y la comunicación (TIC) en la relación
capacidad de innovación y satisfacción estudiantil, en instituciones de
educación superior. Formación Universitaria, 15(3), 107–118.
https://doi.org/10.4067/S0718-50062022000300107
Zalazar-Jaime, M. F., Moretti, L. S., & Medrano, L. A. (2022). Contribution of academic
satisfaction judgments to subjective well-being. Frontiers in Psychology, 13,
Artículo 772346. https://doi.org/10.3389/fpsyg.2022.772346
