Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 323
Gestión universitaria basada en datos y
desigualdades de acceso: un análisis para la toma de
decisiones institucionales
Data-Driven University Management and Access Inequalities: An
Analysis for Institutional Decision-Making
Mendoza-Vargas, Emma Yolanda
1
Castillo-Plaza, Iris Aracely
2
https://orcid.org/0000-0002-0220-4328
https://orcid.org/0000-0002-2595-7154
emendoza@uteq.edu.ec
icastillop@uteq.edu.ec
Ecuador, Quevedo, Universidad Técnica Estatal de
Quevedo.
Ecuador, Quevedo, Universidad Técnica Estatal de
Quevedo.
Manjarrez-Fuentes, Nelly Narcisa
3
Escobar-Terán, Harold Elbert
4
https://orcid.org/0000-0002-7615-3906
https://orcid.org/0000-0001-9165-6627
nmanjarrez@uteq.edu.ec
hescobar@uteq.edu.ec
Ecuador, Quevedo, Universidad Técnica Estatal de
Quevedo.
Ecuador, Quevedo, Universidad Técnica Estatal de
Quevedo.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v4/n4/289
Resumen: La gestión universitaria basada en datos favorece
decisiones sobre planificación, asignación de recursos y
equidad; sin embargo, los análisis agregados de matrícula
pueden ocultar desigualdades de acceso entre áreas y
carreras. El objetivo fue analizar las desigualdades de acceso
en la matrícula de una universidad pública ecuatoriana desde
un enfoque de gestión basada en datos, mediante indicadores
desagregados y evidencia complementaria sobre equidad y
accesibilidad universitaria. Se desarrolló un estudio
cuantitativo, descriptivo, no experimental y transversal, con
una base principal de 9.109 estudiantes y una base
complementaria de 13.963 estudiantes correspondiente a
2024. Se calcularon frecuencias, porcentajes, disparidad en
puntos porcentuales y un semáforo de prioridad. Los
resultados evidenciaron concentraciones marcadas por sexo:
Enfermería registró 82,9 % de mujeres, mientras Mecánica
(rediseño) presentó 8,5 %; también se observaron diferencias
relevantes entre facultades. Estos hallazgos coinciden con la
literatura sobre acceso equitativo al mostrar que los promedios
institucionales pueden invisibilizar segmentaciones y que los
indicadores desagregados facilitan la priorización de acciones.
Se concluye que la equidad debe gestionarse como un ciclo
integrado de datos confiables, indicadores interpretables,
priorización, intervención y evaluación, articulando acceso,
permanencia y accesibilidad universitaria.
Palabras clave: Dataficación; desigualdad; matrícula;
equidad; accesibilidad.
Artículo Científico
Received: 17/Sep/2026
Accepted: 14/Oct/2026
Published: 11/Nov/2026
Cita: Mendoza-Vargas, E. Y., Castillo-Plaza, I.
A., Manjarrez-Fuentes, N. N., & Escobar-
Terán, H. E. (2026). Gestión universitaria
basada en datos y desigualdades de acceso:
un análisis para la toma de decisiones
institucionales. Revista Científica Ciencia Y
Método, 4(4), 323-341.
https://doi.org/10.55813/gaea/rcym/v4/n4/289
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. 324
Artículo Científico
Abstract:
Data-driven university management supports decision-making related to planning,
resource allocation, and equity; however, aggregated enrolment analyses may conceal
access inequalities across academic fields and degree programmes. The objective
was to analyse inequalities in enrolment access at an Ecuadorian public university from
a data-driven management perspective, using disaggregated indicators and
complementary evidence on equity and university accessibility. A quantitative,
descriptive, non-experimental, cross-sectional study was conducted using a primary
database of 9,109 students and a complementary 2024 database comprising 13,963
students. Frequencies, percentages, percentage-point disparities, and a priority traffic-
light system were calculated. The results revealed marked concentrations by sex:
Nursing recorded 82.9% female enrolment, whereas Mechanical Engineering
(redesigned programme) recorded 8.5%; relevant differences were also observed
across faculties. These findings are consistent with the literature on equitable access,
showing that institutional averages may obscure segmentation patterns and that
disaggregated indicators facilitate the prioritisation of actions. It is concluded that
equity should be managed as an integrated cycle of reliable data, interpretable
indicators, prioritisation, intervention, and evaluation, linking access, student retention,
and university accessibility.
Keywords: Datafication; inequality; enrolment; equity; accessibility.
1. Introducción
En los últimos años, las universidades públicas han incrementado el uso de registros
administrativos, tableros e indicadores para respaldar decisiones sobre planificación
académica, asignación de recursos y aseguramiento de la calidad. Este giro hacia la
gestión universitaria basada en datos se inscribe en un proceso más amplio de
dataficación de la educación superior, entendido como la transformación de
fenómenos educativos complejos en métricas y reportes que orientan la acción
institucional (Selwyn & Gašević, 2020; Williamson et al., 2020). Aunque este enfoque
promete mayor eficiencia y trazabilidad, también plantea riesgos: lecturas reductivas,
sesgos en categorías y desigualdades inadvertidas si el análisis se limita a promedios
o indicadores agregados (Francis et al., 2020; Hubbard, 2024).
En este contexto, un desafío clave para la gestión universitaria es que la equidad no
se expresa únicamente en el volumen total de matrícula, sino en cómo se distribuye
el acceso entre carreras, facultades y rutas formativas. La literatura sobre ampliación
de la participación en la educación superior señala que el aumento de cobertura puede
coexistir con segmentaciones persistentes por condiciones sociales y educativas
previas; por ello, se requieren indicadores contextuales y desagregaciones
consistentes para identificar desigualdades de acceso de manera verificable (Boliver
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 325
Artículo Científico
et al., 2022; Chowdry et al., 2013; Gorard et al., 2019). Asimismo, las intervenciones
orientadas a ampliar el acceso deben evaluarse con evidencia y criterios claros,
evitando que la política se reduzca a metas numéricas sin mejoras reales en
oportunidades (Baines et al., 2024; Schulte & Benson-Egglenton, 2025).
Para las instituciones públicas ecuatorianas, la discusión cobra especial relevancia
por la heterogeneidad del estudiantado y la necesidad de integrar la equidad como
parte de la gestión. En la Universidad Técnica Estatal de Quevedo (UTEQ), los análisis
institucionales han mostrado que la gestión basada en datos permite visibilizar
desigualdades de acceso en la matrícula y traducirlas en decisiones de admisión,
orientación vocacional, acompañamiento y planificación académica (Mendoza et al.,
2026). Además, la equidad debe comprenderse de manera multidimensional: no solo
como distribución por sexo, sino también considerando condiciones socioeconómicas,
interculturales y de accesibilidad, donde la universidad accesible exige remover
barreras físicas, tecnológicas y de proceso para garantizar oportunidades efectivas de
participación (Escobar-Terán et al., 2025).
De forma complementaria, la equidad de acceso debe considerar también la
permanencia y el éxito académico. La evidencia disponible muestra que los programas
institucionales orientados a la retención, el desempeño y la experiencia estudiantil
pueden contribuir favorablemente a estos resultados, lo que refuerza la importancia
de diseñar políticas de apoyo sustentadas en evidencia y ajustadas a las necesidades
del estudiantado (Eather et al., 2022).
En consecuencia, el objetivo de esta investigación es analizar las desigualdades de
acceso en la matrícula desde un enfoque de gestión universitaria basada en datos,
utilizando indicadores desagregados por unidades académicas y carreras, e
incorporando evidencia complementaria sobre equidad y accesibilidad universitaria
para fortalecer la toma de decisiones institucionales. Con ello, se busca aportar una
base empírica y operativa para orientar intervenciones focalizadas (captación
inclusiva, apoyos por carrera, ajustes de accesibilidad y monitoreo) y consolidar una
cultura de gestión universitaria basada en evidencia, con enfoque de equidad y
responsabilidad pública (Selwyn & Gašević, 2020; Tsai et al., 2020).
Esta sección fundamenta esta investigación desde dos ejes convergentes: (i) la
gestión universitaria basada en datos y la dataficación de la educación superior y las
desigualdades de acceso, ampliación de la participación (widening participation) y
acceso justo (fair access), en la matrícula, entendidas como diferencias sistemáticas
en la probabilidad de ingreso y en la distribución por carreras y rutas de admisión. El
marco integra enfoques críticos (riesgos, sesgos y gobernanza) y enfoques aplicados
(tableros, métricas institucionales, rutas de admisión e intervenciones).
La dataficación de la educación superior y sus implicaciones para la gestión
La “dataficación” en educación superior describe el proceso mediante el cual prácticas
académicas, administrativas y pedagógicas se traducen en datos, indicadores y
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 326
Artículo Científico
visualizaciones que influyen en decisiones institucionales. Selwyn y Gašević (2020)
señalan que este giro promete mejorar la eficiencia y la rendición de cuentas, pero
también introduce riesgos: simplificación de realidades complejas, dependencia de
métricas y la posibilidad de reforzar desigualdades si los indicadores capturan solo lo
“fácilmente medible”. En línea crítica, Williamson et al. (2020) advierten que la
enseñanza y su evaluación pueden reorientarse hacia aquello que los sistemas
registran, desplazando dimensiones cualitativas (bienestar, pertenencia, cultura
académica) y abriendo tensiones éticas sobre vigilancia y estandarización.
Un punto clave para este estudio es que la dataficación no ocurre en abstracto, sino
dentro de instituciones con restricciones reales. Brooks y Timms (2025) documentan
que la implementación de iniciativas de dataficación está condicionada por
infraestructura, tiempos, capacidades analíticas y presiones externas; por tanto, no
basta con “tener datos”, sino con poseer capacidad organizacional para convertirlos
en decisiones consistentes y justas. A nivel de gobernanza del sistema, Beerkens
(2022) explica que los datos de desempeño han evolucionado en la gobernanza de la
educación superior hacia configuraciones más intensivas (big data era), donde
indicadores, comparaciones y reportes se integran a la dirección estratégica. Esta
evolución incrementa la necesidad de criterios de gobernanza de datos y de
interpretación responsable cuando se usan métricas para políticas de acceso y
equidad.
¿Cómo se “hacen” los datos? categorías, conducta y poder institucional
Un supuesto metodológico importante es que los datos institucionales no son
neutrales: se construyen a través de definiciones, clasificaciones y decisiones
técnicas. Whitman (2020) muestra cómo lo que se registra como “conducta” o
“comportamiento” responde a traducciones organizacionales: qué cuenta como
evento, qué se mide y qué queda invisibilizado. En esta misma línea, Thompson y
Prinsloo (2023) proponen “devolver la mirada” (returning the data gaze), es decir,
analizar críticamente quién observa a quién con datos, con qué fines y con qué
efectos, especialmente cuando los datos influyen en perfiles de riesgo o decisiones
de apoyo.
Este enfoque crítico es particularmente relevante para la investigación, ya que si la
institución utiliza datos para detectar desigualdades de acceso debe asegurar que las
métricas no reproduzcan sesgos, por ejemplo, atribuyendo “déficit” a los estudiantes
en lugar de identificar barreras estructurales. Asimismo, las categorías utilizadas
deben ser consistentes, trazables y auditables (Selwyn & Gašević, 2020; Thompson
& Prinsloo, 2023; Williamson et al., 2020).
Tableros y visualización para decisiones: el rol de Power BI y la “política” del
dashboard
En la práctica, gran parte de la gestión basada en datos se materializa en tableros
(dashboards) que sintetizan indicadores y orientan decisiones. Weinberg (2025)
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 327
Artículo Científico
discute el caso de Power BI en educación superior danesa, destacando que los
dashboards además de mostrar información, contribuyen a definir aquello que la
institución considera relevante, establecen ritmos de seguimiento y pueden influir en
la manera en que se interpreta el progreso, el riesgo o el éxito. Por ello, la visualización
debe ser entendida como un componente de gobernanza, ya que permite establecer
prioridades, generar comparaciones y orientar intervenciones institucionales. Desde
esta perspectiva, se justifica el uso de instrumentos simples y comunicables, como la
disparidad en puntos porcentuales y el semáforo de prioridad, siempre acompañados
de una interpretación contextual y de criterios explícitos de lectura que eviten reducir
fenómenos complejos a un único indicador (Selwyn & Gašević, 2020; Weinberg,
2025).
Analítica de aprendizaje: tendencias, barreras y dilemas éticos
La analítica de aprendizaje y la analítica institucional han experimentado un desarrollo
creciente en Europa, con patrones relativamente consistentes en el uso de datos para
el monitoreo de la progresión, la participación estudiantil, el bienestar, la retención y
la mejora pedagógica, aunque persisten barreras recurrentes para su adopción. Tsai
et al. (2020) identifican obstáculos como la fragmentación de datos, la falta de
capacidades analíticas, las resistencias culturales y los desafíos de gobernanza para
escalar iniciativas desde pilotos hacia políticas institucionales. Desde una óptica ética
y evaluativa, Francis et al. (2020) advierten sobre las implicaciones de vincular la
analítica de aprendizaje con los resultados y la evaluación, pues la búsqueda de
eficiencia puede producir efectos no deseados sobre la equidad si no se revisan los
supuestos, los criterios de medición y las consecuencias de su uso.
Más recientemente, Hubbard (2024) discute críticamente las métricas institucionales
de brechas de resultados académicos (awarding gaps): pueden ser herramientas
útiles para visibilizar inequidades, pero también corren el riesgo de convertirse en
“distracciones reductivas” si se utilizan como clasificación, meta numérica o medida
única, sin conectarlas con acciones efectivas ni con explicaciones multicausales. Por
ello, el uso de tableros orientados a la equidad requiere no solo indicadores, sino
también criterios de interpretación y evaluación continua. En un enfoque aplicado,
Bayer et al. (2024) proponen un tablero de EDI (equality, diversity and inclusion) para
explorar brechas de resultados académicos, mostrando que el valor de la analítica
para la equidad depende de la selección de variables, las desagregaciones
pertinentes y las formas de exploración utilizadas.
Desigualdades de acceso: medición, “fair access” y estratificación
El segundo eje del marco se centra en la desigualdad de acceso a la educación
superior. Chowdry et al. (2013) muestran el valor de vincular datos administrativos
para analizar la ampliación de la participación (widening participation), evidenciando
que el acceso no puede explicarse únicamente a partir del mérito académico
individual, sino que también intervienen las condiciones educativas previas y las
estructuras de oportunidad. Gorard et al. (2019) profundizan en el debate sobre los
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 328
Artículo Científico
indicadores contextuales adecuados para estudiar este fenómeno y señalan que la
selección de variables como zona de residencia, nivel de ingresos, tipo de institución
educativa de procedencia o condición de primera generación universitaria influye
directamente en la focalización y en la justicia de las políticas orientadas a ampliar el
acceso.
Boliver et al. (2022) proponen reconceptualizar el acceso justo a universidades
altamente selectivas, argumentando que la equidad no puede reducirse a una
igualdad formal de criterios, sino que requiere considerar las desigualdades
acumuladas en la preparación previa y las oportunidades diferenciadas.
Complementariamente, Ford et al. (2021) muestran cómo la consolidación de ventajas
de clase puede persistir en las matrículas universitarias, reforzando estratificación y
oportunidades desiguales. En contextos con políticas de financiamiento, Msigwa
(2016) discute el caso de Tanzania mostrando que ampliar acceso mediante
préstamos estudiantiles puede incrementar participación, pero también crea tensiones
de sostenibilidad y focalización, reforzando la importancia de un enfoque de equidad
que no se limite al ingreso, sino que considere trayectorias.
Rutas de admisión, ofertas contextuales e intervenciones: ¿qué funciona y cómo se
evalúa?
En la práctica, las instituciones han desarrollado mecanismos para ampliar acceso:
rutas alternativas de admisión, ofertas contextuales y programas de intervención
temprana. Walker et al. (2026) analizan la ampliación de las rutas de admisión y su
relación con los logros a la culminación de los estudios, aportando evidencia para
discutir si diversificar las vías de admisión afecta o no el desempeño final. En el ámbito
británico, Schulte y Benson-Egglenton (2025) evalúan el impacto de ofertas
contextuales en una institución altamente selectiva, mostrando aportes a la ampliación
del acceso para los estudiantes objetivo. Este enfoque se conecta con el debate de
medición: no basta con implementar política; es crucial evaluar su contribución real y
evitar que la selectividad institucional neutralice los efectos.
Sobre las intervenciones, Baines et al. (2024), mediante una revisión sistemática,
evidencian que la evaluación robusta de programas de ampliación de la participación
en escolares suele ser limitada; esto refuerza la necesidad de diseños de evaluación
más sólidos y de métricas consistentes. En paralelo, Summers et al. (2024) aportan
evidencia empírica mediante datos de analítica de aprendizaje y muestran que tanto
la modalidad de enseñanza como las características de los estudiantes influyen en la
participación y el logro bajo distintos regímenes educativos. Estos resultados
respaldan la necesidad de que las decisiones institucionales sobre acceso y
permanencia consideren el contexto y la heterogeneidad del estudiantado, evitando
asumir que una misma intervención produce resultados equivalentes en todas las
poblaciones.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 329
Artículo Científico
Síntesis conceptual: gestión basada en datos y equidad de acceso
A partir de la literatura revisada, el estudio se sustenta en cuatro ideas integradoras.
En primer lugar, los datos y los tableros no son neutrales, ya que contribuyen a definir
qué se observa y qué se prioriza; por ello, deben diseñarse con criterios de equidad,
trazabilidad y control de sesgos (Selwyn & Gašević, 2020; Weinberg, 2025; Whitman,
2020). En segundo lugar, la analítica institucional requiere capacidades y gobernanza,
pues sin una cultura del dato y una adecuada coordinación, los sistemas pueden
generar indicadores sin que estos se traduzcan necesariamente en decisiones
efectivas (Beerkens, 2022; Brooks & Timms, 2025; Tsai et al., 2020). En tercer lugar,
las métricas de inequidad adquieren utilidad cuando se vinculan con acciones
concretas, de modo que la identificación de brechas de resultados académicos o
desigualdades de acceso, oriente intervenciones focalizadas y procesos de
evaluación, evitando interpretaciones reduccionistas (Bayer et al., 2024; Francis et al.,
2020; Hubbard, 2024).
En cuarto lugar, el acceso justo requiere una lectura contextual, ya que la ampliación
de la participación implica utilizar indicadores pertinentes y considerar las
desigualdades acumuladas, la estratificación y las distintas rutas de admisión (Boliver
et al., 2022; Chowdry et al., 2013; Ford et al., 2021; Gorard et al., 2019; Schulte &
Benson-Egglenton, 2025; Walker et al., 2026). En coherencia con este marco, el
estudio utiliza la disparidad en puntos porcentuales y el semáforo de prioridad como
instrumentos de gestión que facilitan la identificación de áreas que requieren mayor
atención institucional. Estos indicadores se interpretan desde una perspectiva crítica
y de equidad, por lo que su función es orientar la priorización del análisis y la toma de
decisiones, sin reducir la complejidad de la realidad estudiantil a una única medida.
2. Materiales y métodos
L Enfoque y diseño
La investigación se desarrolló bajo un enfoque cuantitativo, debido a que analizó
información numérica procedente de registros administrativos de matrícula y empleó
estadística descriptiva para examinar su distribución. El alcance fue descriptivo,
puesto que se buscó caracterizar las desigualdades de acceso a partir de la
composición de la matrícula por sexo, facultad, carrera y nivel académico, sin
establecer relaciones causales entre las variables. Se adoptó un diseño no
experimental u observacional, ya que los datos fueron analizados tal como se
encontraban registrados institucionalmente, sin manipulación de las variables.
Asimismo, el estudio fue transversal, porque la información correspondió a un periodo
determinado y no implicó seguimiento longitudinal de los estudiantes (Martínez-Abad
& León, 2023; Sánchez-Martín et al., 2024).
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 330
Artículo Científico
3.2. Población y fuentes de datos
La unidad de análisis estuvo constituida por estudiantes matriculados en la
Universidad Técnica Estatal de Quevedo. Los datos procedieron de registros
administrativos de la institución correspondientes al año 2024. La base principal
estuvo integrada por 9.109 estudiantes de pregrado y contenía información
desagregada por sexo, coordinación o facultad, carrera y nivel académico. Esta
información permitió examinar la distribución de la matrícula entre las diferentes
unidades y programas académicos.
De manera complementaria, se utilizó una segunda base institucional conformada por
13.963 estudiantes, que incorporó información sobre etnia, nivel socioeconómico,
discapacidad y rendimiento académico. Su inclusión permitió ampliar el análisis hacia
otras dimensiones relacionadas con la equidad y la accesibilidad universitaria. Ambas
fuentes correspondieron a registros administrativos de la Universidad Técnica Estatal
de Quevedo del año 2024. Las bases presentaron diferente número de registros y
disponibilidad de variables, por lo que fueron utilizadas de manera complementaria y
no para realizar comparaciones directas entre ellas.
3.3. Variables de análisis
En la base principal se analizaron las variables sexo, coordinación o facultad, carrera
y nivel académico. El sexo se utilizó para establecer la participación relativa de
hombres y mujeres, mientras que la desagregación por facultad y carrera permitió
identificar concentraciones que podían permanecer ocultas en los valores globales de
matrícula. El nivel académico se incorporó para observar el comportamiento de esta
distribución en los distintos niveles de formación. La base complementaria incluyó
etnia, nivel socioeconómico, tipo de discapacidad y rendimiento académico.
Estas variables permitieron ampliar el análisis de la equidad más allá de la distribución
por sexo e incorporar condiciones socioeconómicas, interculturales y de accesibilidad
presentes en la población estudiantil. En este estudio, las desigualdades de acceso
se analizaron a partir de las diferencias observadas en la distribución de la matrícula
por sexo, facultad y carrera. Por tanto, los resultados describen patrones de
representación entre quienes accedieron a la universidad, sin estimar probabilidades
individuales de admisión.
3.4. Indicadores y criterios de análisis
Para describir la composición de la matrícula se calcularon frecuencias absolutas y
porcentajes, tanto a nivel institucional como por facultad, carrera y nivel académico.
Estos indicadores permitieron comparar la participación de hombres y mujeres en las
diferentes unidades académicas. La magnitud y dirección de las diferencias se
estimaron mediante la disparidad en puntos porcentuales, calculada a partir de la
diferencia entre el porcentaje de mujeres y el porcentaje de hombres: Disparidad (pp)
= % mujeres − % hombres.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 331
Artículo Científico
Los valores positivos indican una mayor participación femenina, mientras que los
valores negativos reflejan una mayor participación masculina. Para ordenar las
diferencias observadas y facilitar su lectura institucional, se estableció un criterio
operativo de priorización basado en la magnitud absoluta de la disparidad: alta,
cuando |pp| ≥ 30; media, entre 15 y 29,9 puntos porcentuales; y baja, cuando |pp| <
15. Estos puntos de corte fueron utilizados como criterio analítico del estudio y no
corresponden a una escala estandarizada.
En la base complementaria se calcularon distribuciones porcentuales por etnia y nivel
socioeconómico, frecuencias y porcentajes según tipo de discapacidad y promedios
de rendimiento académico según etnia y nivel socioeconómico. Estos indicadores
permitieron incorporar otras condiciones de la población estudiantil al análisis de las
desigualdades de acceso y accesibilidad.
3.5. Procedimiento
El procesamiento inició con la revisión de la consistencia de los registros y de las
categorías contenidas en las bases institucionales. Se verificó la correspondencia
entre los totales registrados y la distribución de hombres y mujeres, así como la
uniformidad de las categorías utilizadas. Posteriormente, se calcularon las frecuencias
y porcentajes globales y desagregados por facultad, carrera y nivel académico. A
continuación, se determinó la disparidad en puntos porcentuales entre mujeres y
hombres para cada facultad y carrera. Los resultados se ordenaron según la magnitud
absoluta de las diferencias y se clasificaron mediante el criterio de prioridad definido
para el estudio. Finalmente, la información se organizó para facilitar la comparación
entre unidades académicas y programas. Los datos complementarios sobre etnia,
nivel socioeconómico, discapacidad y rendimiento académico se incorporaron como
una segunda dimensión de análisis destinada a ampliar la interpretación de las
desigualdades observadas.
3.6. Consideraciones éticas
La investigación utilizó registros administrativos institucionales y trabajó
exclusivamente con información agregada. No se emplearon nombres, números de
identificación ni otros datos que permitieran reconocer individualmente a los
estudiantes. El tratamiento de la información se restringió a las variables necesarias
para el cumplimiento del objetivo de la investigación y los resultados se presentaron
de forma consolidada, preservando la confidencialidad de los registros.
3.7. Limitaciones
El carácter descriptivo, no experimental y transversal del estudio permite identificar
patrones y desigualdades en la distribución de la matrícula, pero no establecer
relaciones causales ni determinar los factores que explican las concentraciones
encontradas. Asimismo, las dos bases utilizadas presentan diferente tamaño y
contenido, por lo que la información sobre etnia, nivel socioeconómico, discapacidad
y rendimiento académico se empleó como evidencia complementaria y no para
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 332
Artículo Científico
realizar comparaciones directas entre ambas fuentes. El análisis tampoco permite
establecer la evolución temporal de las desigualdades, debido a que los registros
corresponden a un periodo específico.
3. Resultados
Los resultados se presentan de forma progresiva, partiendo de la composición global
de la matrícula y avanzando hacia su desagregación por facultad, carrera y nivel
académico. Esta estructura permite determinar si una distribución aparentemente
equilibrada a nivel institucional se mantiene cuando los datos se examinan en
unidades académicas específicas o si, por el contrario, existen concentraciones que
evidencian desigualdades de acceso. El análisis de la disparidad en puntos
porcentuales permite identificar la magnitud y dirección de estas diferencias, mientras
que la clasificación por niveles de prioridad facilita reconocer los programas que
requieren mayor atención institucional.
De manera complementaria, la incorporación de variables como etnia, nivel
socioeconómico, discapacidad y rendimiento académico amplía el análisis de la
equidad más allá de la distribución por sexo. Estas dimensiones permiten reconocer
diferencias vinculadas con condiciones sociales, económicas y de accesibilidad
presentes en la población estudiantil. En conjunto, los resultados aportan evidencia
para identificar desigualdades, establecer prioridades y orientar decisiones
institucionales acordes con el objetivo del estudio.
3.1. Estructura global de la matrícula (línea base institucional)
Tabla 1
Resumen global de matrícula
N total
Hombres (N)
Mujeres (N)
% Hombres
% Mujeres
9109
4081
5028
44,80
55,20
Nota: Elaboración propia con datos institucionales de la UTEQ (matrícula analizada) (Autores, 2026).
La composición global de la matrícula muestra una distribución relativamente próxima
entre hombres y mujeres, por lo que el dato institucional agregado no evidencia por sí
solo las diferencias que constituyen el interés central del estudio. Su función es
establecer una línea base desde la cual contrastar la distribución en facultades y
carreras. Para el objetivo de la investigación, este resultado confirma la necesidad de
trabajar con información desagregada, ya que una lectura exclusivamente global
puede ocultar concentraciones específicas dentro de la estructura académica.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 333
Artículo Científico
3.2. Distribución por coordinación/facultad: desigualdad por campo formativo
Tabla 2
Distribución por coordinación/facultad y disparidad (pp)
Coordinación
Hombres
Mujeres
Total
%
Hombres
%
Mujeres
Disparidad
(pp)
Mujeres-
Hombres
Salud
65
316
381
17,10
82,90
65,8
Facultad de ciencias
agrarias
412
262
674
61,10
38,90
-22,2
Facultad de ciencias
ambientales
418
713
1131
37,00
63,00
26,0
Facultad de ciencias
de la ingeniería
1529
736
2265
67,50
32,50
-35,0
Facultad de ciencias
empresariales
746
1686
2432
30,70
69,30
38,6
Facultad de ciencias
pecuarias
693
949
1642
42,20
57,80
15,6
Otras facultades
218
366
584
37,30
62,70
25,4
Nota: Disparidad (pp) = % Mujeres - % Hombres. Elaboración propia con datos institucionales.
La desagregación por facultad evidencia que la distribución por sexo varía según el
campo de formación y que el equilibrio observado a nivel institucional no se reproduce
de manera uniforme. La presencia predominantemente femenina en determinadas
áreas y masculina en otras revela una segmentación de la matrícula asociada al
ámbito disciplinar. Para la investigación, este resultado es relevante porque permite
localizar las diferencias dentro de la estructura académica y demuestra que la gestión
de la equidad requiere diagnósticos específicos por unidad, en lugar de acciones
generales aplicadas de forma homogénea a toda la universidad.
3.3. Distribución por carrera: concentración y disparidad en puntos
porcentuales
Tabla 3
Carreras con nivel de disparidad alto por sexo
Carrera
%
Mujeres
%
Hombres
Disparidad
(pp)
Mujeres-
Hombres
|Disparidad|
(pp)
Nivel de
disparidad
Enfermería
82,90
17,10
65,8
65,8
ALTA
Alimentos (rediseño)
75,10
24,90
50,2
50,2
ALTA
Licenciatura en
contabilidad y auditoría -
cpa
74,70
25,30
49,4
49,4
ALTA
Licenciatura en marketing
73,80
26,20
47,6
47,6
ALTA
Contabilidad y auditoría
(rediseño)
72,80
27,20
45,6
45,6
ALTA
Mecánica (rediseño)
8,50
91,50
-83,0
83,0
ALTA
Ingeniería mecánica
11,90
88,10
-76,2
76,2
ALTA
Ingeniería en electricidad
13,70
86,30
-72,6
72,6
ALTA
Electricidad (rediseño)
16,30
83,70
-67,4
67,4
ALTA
Software (rediseño)
21,40
78,60
-57,2
57,2
ALTA
Nota: Disparidad (pp) = % Mujeres − % Hombres. Semáforo: ALTA (|pp| ≥ 30), MEDIA (15–29,9), BAJA
(< 15).
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 334
Artículo Científico
El análisis por carrera profundiza el patrón observado entre facultades y muestra que
las mayores disparidades se concentran en programas específicos. La coexistencia
de carreras predominantemente femeninas y otras marcadamente masculinas indica
que la desigualdad en la distribución de la matrícula se manifiesta con mayor
intensidad en el nivel de programa académico. Este hallazgo sitúa a la carrera como
una unidad clave para la toma de decisiones, ya que permite precisar dónde se
concentran las diferencias y evita atribuir a toda una facultad un comportamiento que
puede corresponder únicamente a determinados programas.
La clasificación mediante el semáforo complementa esta lectura al transformar la
magnitud de las diferencias en un criterio de priorización. Su aporte al estudio no
consiste en calificar una carrera como equitativa o inequitativa, sino en identificar
aquellas en las que la concentración por sexo justifica un análisis institucional más
detallado. De esta manera, el indicador facilita el paso de la descripción de la matrícula
hacia la identificación de áreas prioritarias para la gestión, sin atribuir causas que no
fueron examinadas en esta investigación.
3.4. Distribución por nivel académico: variaciones en la participación por sexo
Tabla 4
Distribución de matrícula por nivel académico
Nivel
Hombres
Mujeres
Total
% Hombres
% Mujeres
1er nivel
542
683
1.225
44,20
55,80
2do nivel
524
596
1.120
46,80
53,20
3er nivel
422
490
912
46,30
53,70
4to nivel
433
567
1.000
43,30
56,70
5to nivel
403
466
869
46,40
53,60
6to nivel
360
414
774
46,50
53,50
7mo nivel
367
520
887
41,40
58,60
8vo nivel
408
491
899
45,40
54,60
9vo nivel
388
539
927
41,90
58,10
10mo nivel
234
261
495
47,30
52,70
11vo nivel
0
1
1
0,00
100,00
Nota: Elaboración propia con datos institucionales.
La distribución por nivel académico presenta variaciones menores que las
identificadas entre facultades y carreras. Este comportamiento sugiere que las
diferencias por sexo observadas en la matrícula están asociadas principalmente con
la distribución entre campos y programas de formación, más que con cambios
marcados entre niveles académicos. Para el objetivo del estudio, este resultado
permite delimitar con mayor precisión dónde se concentran las desigualdades
identificadas. Sin embargo, al tratarse de información transversal, no permite
interpretar estas variaciones como evidencia de permanencia, abandono o progresión
de una misma cohorte. El 11.º nivel registra un único caso, por lo que su distribución
no se interpreta como un patrón comparable con los demás niveles académicos.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 335
Artículo Científico
3.5. Evidencia complementaria 2024: composición étnica y nivel
socioeconómico
Tabla 5
Distribución de matrícula por etnia (UTEQ, 2024)
Etnia
N
%
Mestizo/a
11.387
81,55
Montubio/a
1.761
12,61
Blanco/a
341
2,44
Afroecuatoriano/a
192
1,38
Indígena
129
0,92
Mulato/a
70
0,50
Negro/a
37
0,26
Otro
46
0,33
Nota: Elaboración propia con base en registros administrativos institucionales de la UTEQ (2024)
(Autores, 2026).
La composición étnica evidencia una marcada concentración en determinados grupos
y una presencia considerablemente menor de otros dentro de la matrícula
universitaria. Para esta investigación, el resultado permite reconocer la diversidad
intercultural de la población estudiantil y aporta una dimensión adicional al análisis de
la equidad. No obstante, estas diferencias describen la composición interna de la
universidad y no pueden interpretarse por sí solas como evidencia de desigualdad de
acceso étnico, ya que no se dispone de una población externa de referencia con la
cual establecer esa comparación.
Tabla 6
Distribución de matrícula por nivel socioeconómico (UTEQ, 2024)
Nivel socioeconómico
N
%
A alto
75
0,54
B medio alto
1.126
8,06
C+ medio típico
4.512
32,31
C- medio bajo
6.299
45,11
D bajo
1.951
13,97
Nota: Elaboración propia con base en registros administrativos institucionales de la UTEQ (2024)
(Autores, 2026).
La estructura socioeconómica muestra que la población universitaria se concentra
principalmente en niveles medios y medio bajos, lo que sitúa las condiciones
económicas como una dimensión relevante para comprender el contexto en el que se
desarrolla el acceso y la trayectoria universitaria. Su incorporación al estudio permite
evitar una lectura de la equidad limitada al sexo y reconocer que las decisiones
institucionales deben considerar también las características socioeconómicas del
estudiantado. Al igual que en la dimensión étnica, estos datos describen la
composición de la matrícula y no permiten establecer por sí solos diferencias en la
probabilidad de acceso.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 336
Artículo Científico
3.6. Distribución de estudiantes con discapacidad según tipo
Tabla 7
Distribución de estudiantes con discapacidad según tipo
Tipo de discapacidad
N
%
Visual
71
42,26
Física motora
59
35,12
Auditiva
17
10,12
Intelectual
9
5,36
Lenguaje
5
2,98
Mental psicosocial
4
2,38
Psicológica
2
1,19
Sensorial
1
0,60
Total
168
100,00
Nota: Elaboración propia con base en registros administrativos institucionales de la UTEQ (2024)
(Autores, 2026).
La distribución por tipo de discapacidad evidencia que las necesidades de
accesibilidad de la población estudiantil no son homogéneas, sino que presentan
perfiles diferenciados que requieren respuestas institucionales específicas. La mayor
concentración en condiciones visuales y físicas motoras señala ámbitos
particularmente relevantes para la accesibilidad de espacios, recursos y procesos
académicos, sin excluir las necesidades asociadas con las demás discapacidades
registradas. Este resultado aporta directamente al objetivo del estudio, porque
incorpora una dimensión concreta de accesibilidad universitaria y permite vincular la
caracterización de la población con la planificación institucional basada en evidencia.
3.7. Rendimiento promedio por etnia y nivel socioeconómico (UTEQ, 2024)
Tabla 8
Promedio de rendimiento por etnia y nivel socioeconómico (UTEQ, 2024)
Etnia/nivel
socioeconómico
A alto
B medio
alto
C+ medio
típico
C- medio
bajo
D bajo
Total
Afroecuatoriano/a
7,5
7,9
8,3
8,2
8,2
8,2
Blanco/a
8,2
8,1
8,4
8,3
8,2
8,3
Indígena
8,0
8,0
8,4
8,5
8,5
8,4
Mestizo/a
8,4
8,4
8,4
8,4
8,3
8,4
Montubio/a
8,1
8,4
8,4
8,4
8,3
8,4
Mulato/a
—
8,2
8,2
8,3
8,8
8,3
Negro/a
—
8,2
8,2
8,3
7,9
8,2
Otro
—
8,3
8,3
8,3
8,2
8,3
Total
8,3
8,4
8,4
8,4
8,3
8,4
Nota: Elaboración propia con base en registros administrativos institucionales de la UTEQ (2024)
(Autores, 2026).
Los resultados muestran un comportamiento académico relativamente homogéneo
entre los grupos analizados, sin diferencias amplias en los promedios generales. Este
hallazgo resulta relevante porque indica que las diferencias observadas en la
composición étnica y socioeconómica de la matrícula no se acompañan, en estos
datos, de brechas marcadas de rendimiento académico. Para la investigación, ello
refuerza la necesidad de analizar por separado las distintas dimensiones de la equidad
y evitar asumir que una menor representación o una determinada condición
socioeconómica implica necesariamente menor desempeño. Dado el carácter
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 337
Artículo Científico
descriptivo del estudio, estas comparaciones no permiten establecer asociaciones
estadísticamente significativas ni relaciones causales.
4. Discusión
El análisis realizado muestra que los datos generales de matrícula no son suficientes
para comprender cómo se distribuye el acceso dentro de la universidad. Aunque la
composición institucional presenta una participación relativamente cercana entre
hombres y mujeres, al examinar la información por facultades y carreras aparecen
diferencias mucho más marcadas. Esto coincide con lo planteado por Chowdry et al.
(2013), Gorard et al. (2019) y Boliver et al. (2022), quienes advierten que la equidad
en la educación superior no depende únicamente de cuántos estudiantes ingresan,
sino también de cómo se distribuyen entre las distintas áreas y opciones de formación.
Las diferencias encontradas son más claras a nivel de carrera, lo que convierte al
programa académico en una unidad especialmente útil para el análisis institucional.
Ford et al. (2021) señalan que la ampliación del acceso puede coexistir con formas de
segmentación dentro del propio sistema universitario. Los resultados obtenidos se
relacionan con esta idea, ya que una matrícula global relativamente equilibrada no
impide que determinadas carreras concentren mayor participación de mujeres y otras
de hombres. Por ello, el análisis por programa ofrece una lectura más precisa que la
obtenida únicamente a partir de los datos generales de la universidad.
La disparidad en puntos porcentuales y el semáforo de prioridad cumplen una función
práctica dentro de este análisis, porque permiten reconocer con mayor rapidez dónde
se encuentran las diferencias más importantes. No deben interpretarse como una
medida definitiva de equidad, sino como un recurso para ordenar la información y
establecer prioridades de análisis. Weinberg (2025) destaca precisamente la utilidad
de los indicadores para orientar la atención institucional, mientras que Hubbard (2024)
y Francis et al. (2020) advierten sobre el riesgo de reducir fenómenos complejos a una
sola métrica. En este estudio, el semáforo sirve para localizar situaciones que
requieren una revisión más detallada, no para explicar por qué se producen.
La información sobre etnia, nivel socioeconómico y discapacidad amplía la lectura de
la equidad, aunque cada variable exige una interpretación distinta. Los datos étnicos
y socioeconómicos permiten conocer mejor la composición del estudiantado, pero no
son suficientes para afirmar que exista una desigualdad de acceso entre grupos,
porque no se cuenta con una población externa que permita establecer esa
comparación. En el caso de la discapacidad, la variedad de condiciones registradas
muestra que las necesidades de accesibilidad tampoco son uniformes y que la
planificación institucional debe considerar respuestas diferenciadas.
Los promedios de rendimiento presentan pocas variaciones entre los grupos étnicos
y socioeconómicos analizados. Este resultado es importante porque obliga a separar
dos aspectos que no necesariamente se comportan de la misma manera: la
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 338
Artículo Científico
representación de los distintos grupos en la matrícula y su desempeño académico.
Una menor presencia dentro de la universidad no implica, por sí misma, un
rendimiento inferior. Sin embargo, el carácter descriptivo del estudio no permite
establecer relaciones estadísticas entre estas variables ni explicar las causas de las
diferencias observadas.
Para la gestión universitaria, el aporte de estos resultados está en mostrar que los
registros administrativos pueden ofrecer información más útil cuando se analizan con
distintos niveles de desagregación. Brooks y Timms (2025) sostienen que disponer de
datos no garantiza mejores decisiones si no existen capacidades para interpretarlos y
utilizarlos adecuadamente. En este caso, la combinación de información global, datos
por facultad y carrera y variables complementarias permite localizar áreas que
requieren mayor atención. Debido al diseño transversal del estudio, no es posible
explicar las causas de las concentraciones ni conocer su evolución en el tiempo; esos
aspectos deberán abordarse mediante estudios longitudinales y análisis que
incorporen de manera conjunta variables sociales, económicas y de accesibilidad.
5. Conclusiones
El análisis evidencia que los indicadores globales de matrícula no son suficientes para
identificar las diferencias existentes dentro de la estructura académica. La
desagregación por facultad y, especialmente, por carrera permitió reconocer
concentraciones importantes en la participación de hombres y mujeres que no eran
visibles en el dato institucional agregado. En este contexto, la carrera constituye una
unidad relevante para el análisis de la equidad y para la focalización de decisiones
institucionales.
La disparidad en puntos porcentuales y el semáforo de prioridad demostraron utilidad
como herramientas de gestión al facilitar la identificación de los programas que
requieren mayor atención. Su función es ordenar y priorizar la información, no explicar
las causas de las diferencias observadas. La incorporación de datos sobre etnia, nivel
socioeconómico y discapacidad amplió la caracterización de la población estudiantil;
sin embargo, las dos primeras variables no permiten establecer por sí solas
desigualdades de acceso sin una población externa de referencia. En el caso de la
discapacidad, la diversidad de condiciones registradas confirma la necesidad de
considerar requerimientos diferenciados de accesibilidad.
Los resultados también muestran que las diferencias en la composición étnica y
socioeconómica de la matrícula no se acompañan de variaciones amplias en los
promedios de rendimiento académico. En conjunto, el estudio confirma el valor de los
registros administrativos desagregados para apoyar decisiones de planificación y
priorización institucional. No obstante, por su carácter descriptivo y transversal, los
resultados no permiten determinar las causas de las concentraciones identificadas ni
su evolución en el tiempo, por lo que futuros estudios deberán incorporar análisis
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 339
Artículo Científico
longitudinales y variables que permitan explicar con mayor profundidad estas
diferencias.
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
Baines, L., Gooch, D., & Ng-Knight, T. (2024). Do widening participation interventions
change university attitudes in UK school children? A systematic review of the
efficacy of UK programmes, and quality of evaluation evidence. Educational
Review, 76(3), 628–647. https://doi.org/10.1080/00131911.2022.2077703
Bayer, V., Mulholland, P., Hlosta, M., Farrell, T., Herodotou, C., & Fernandez, M.
(2024). Co-creating an equality diversity and inclusion learning analytics
dashboard for addressing awarding gaps in higher education. British Journal of
Educational Technology, 55(5), 2058–2074. https://doi.org/10.1111/bjet.13509
Beerkens, M. (2022). An evolution of performance data in higher education
governance: A path towards a “big data” era? Quality in Higher Education, 28(1),
29–49. https://doi.org/10.1080/13538322.2021.1951451
Boliver, V., Banerjee, P., Gorard, S., & Powell, M. (2022). Reconceptualising fair
access to highly academically selective universities. Higher Education, 84(1),
85–100. https://doi.org/10.1007/s10734-021-00755-y
Brooks, R., & Timms, J. (2025). Institutional constraints to higher education
datafication: An English case study. Higher Education, 90(4), 1049–1063.
https://doi.org/10.1007/s10734-024-01363-2
Chowdry, H., Crawford, C., Dearden, L., Goodman, A., & Vignoles, A. (2013).
Widening participation in higher education: Analysis using linked administrative
data. Journal of the Royal Statistical Society: Series A (Statistics in Society),
176(2), 431–457. https://doi.org/10.1111/j.1467-985X.2012.01043.x
Eather, N., Mavilidi, M. F., Sharp, H., & Parkes, R. (2022). Programmes targeting
student retention/success and satisfaction/experience in higher education: A
systematic review. Journal of Higher Education Policy and Management, 44(3),
223–239. https://doi.org/10.1080/1360080X.2021.2021600
Escobar-Terán, H. E., Mendoza-Vargas, E. Y., Cedeño-Salazar, B. C., & Castillo-
Plaza, I. A. (2025). Educación superior inclusiva y diversidad funcional:
caracterización multidimensional en la Universidad Técnica Estatal de
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 340
Artículo Científico
Quevedo. Revista Científica Ciencia y Método, 3(4), 470–489.
https://doi.org/10.55813/gaea/rcym/v3/n4/124
Ford, K. S., Rosinger, K. O., & Zhu, Q. (2021). Consolidation of class advantages in
the wake of the Great Recession: University enrollments, educational
opportunity and stratification. Research in Higher Education, 62(7), 915–941.
https://doi.org/10.1007/s11162-021-09624-0
Francis, P., Broughan, C., Foster, C., & Wilson, C. (2020). Thinking critically about
learning analytics, student outcomes, and equity of attainment. Assessment &
Evaluation in Higher Education, 45(6), 811–821.
https://doi.org/10.1080/02602938.2019.1691975
Gorard, S., Boliver, V., Siddiqui, N., & Banerjee, P. (2019). Which are the most suitable
contextual indicators for use in widening participation to HE? Research Papers
in Education, 34(1), 99–129. https://doi.org/10.1080/02671522.2017.1402083
Hubbard, K. E. (2024). Institution level awarding gap metrics for identifying educational
inequity: Useful tools or reductive distractions? Higher Education, 88(6), 2269–
2289. https://doi.org/10.1007/s10734-024-01216-y
Martínez-Abad, F., & León, J. (2023). Inferencia causal en investigación educativa:
Análisis de la causalidad en estudios observacionales de carácter transversal.
RELIEVE. Revista Electrónica de Investigación y Evaluación Educativa, 29(2),
Artículo 3. https://doi.org/10.30827/relieve.v29i2.26843
Mendoza Vargas, E. Y., Castillo Plaza, I. A., Escobar Terán, H. E., & Manjarrez
Fuentes, N. N. (2026). Brechas de género en la matrícula de la educación
superior: Análisis desde una universidad pública ecuatoriana. Revista Conrado,
22(108), Artículo e5126.
https://www.uteq.edu.ec/es/investigacion/articulo/4673
Msigwa, F. M. (2016). Widening participation in higher education: A social justice
analysis of student loans in Tanzania. Higher Education, 72(4), 541–556.
https://doi.org/10.1007/s10734-016-0037-5
Sánchez-Martín, M., Ponce Gea, A. I., Rubio-Aparicio, M., Navarro-Mateu, F., &
Olmedo Moreno, E. M. (2024). A practical approach to quantitative research
designs [Una aproximación práctica a los diseños de investigación cuantitativa].
Espiral. Cuadernos del Profesorado, 17(35), 117–132.
https://doi.org/10.25115/ecp.v17i35.9725
Schulte, J. T., & Benson-Egglenton, J. (2025). Evaluating the impact of contextual
offers in a highly selective institution: Results from a mixed-methods contribution
analysis. Higher Education Quarterly, 79(1), Artículo e12580.
https://doi.org/10.1111/hequ.12580
Selwyn, N., & Gašević, D. (2020). The datafication of higher education: Discussing the
promises and problems. Teaching in Higher Education, 25(4), 527–540.
https://doi.org/10.1080/13562517.2019.1689388
Summers, R. J., Burgess, A. P., Higson, H. E., & Moores, E. (2024). How you teach
and who you teach both matter: Lessons from learning analytics data. Studies
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 341
Artículo Científico
in Higher Education, 49(3), 576–591.
https://doi.org/10.1080/03075079.2023.2245424
Thompson, T. L., & Prinsloo, P. (2023). Returning the data gaze in higher education.
Learning, Media and Technology, 48(1), 153–165.
https://doi.org/10.1080/17439884.2022.2092130
Tsai, Y.-S., Rates, D., Moreno-Marcos, P. M., Muñoz-Merino, P. J., Jivet, I., Scheffel,
M., Drachsler, H., Delgado Kloos, C., & Gašević, D. (2020). Learning analytics
in European higher education—Trends and barriers. Computers & Education,
155, Artículo 103933. https://doi.org/10.1016/j.compedu.2020.103933
Walker, R., Morey, V., Tankosic, A., Slatter, N., & Blythe, R. (2026). Broadening
undergraduate university admission pathways: Student achievement success at
course completion. Studies in Higher Education, 51(7), 1623–1636.
https://doi.org/10.1080/03075079.2025.2534180
Weinberg, L. (2025). Power BI and the datafication of Danish higher education. Big
Data & Society, 12(3), 1–13. https://doi.org/10.1177/20539517251365230
Whitman, M. (2020). “We called that a behavior”: The making of institutional data. Big
Data & Society, 7(1), 1–13. https://doi.org/10.1177/2053951720932200
Williamson, B., Bayne, S., & Shay, S. (2020). The datafication of teaching in higher
education: Critical issues and perspectives. Teaching in Higher Education,
25(4), 351–365. https://doi.org/10.1080/13562517.2020.1748811