Qué es la analítica de aprendizaje y hacia dónde va con inteligencia artificial

La analítica de aprendizaje es una forma de estudiar lo que pasa cuando una persona aprende usando datos. En la definición que popularizó en 2011 la comunidad reunida alrededor de LAK (Learning Analytics and Knowledge), una conferencia internacional sobre analítica de aprendizaje, es un campo que mide, recoge, analiza y comunica datos sobre estudiantes y sus contextos para entender y mejorar el aprendizaje y los ambientes donde ocurre. Dicho de forma sencilla: si una escuela, una plataforma o un curso puede observar ciertas señales del proceso de aprendizaje, puede entender mejor cuándo alguien avanza, cuándo se atora y qué tipo de apoyo podría necesitar.

No se trata solo de contar calificaciones. Aprender no es únicamente aprobar un examen. También importa si una persona participa, si entrega actividades, si ve los materiales, si hace preguntas, si vuelve a intentar después de equivocarse o si deja de entrar a la plataforma durante varios días.

En una revisión sistemática publicada sobre aprendizaje automático, inteligencia artificial generativa y analítica de aprendizaje en educación superior, analizamos 101 estudios empíricos publicados entre 2018 y 2025. La revisión muestra que el campo ha crecido mucho: primero se consolidó el uso de modelos predictivos y, más recientemente, empezó a aparecer la inteligencia artificial generativa como una forma de dar retroalimentación, adaptar actividades y apoyar la toma de decisiones educativas.

Qué significa analizar el aprendizaje

Imagina que una estudiante está tomando una clase en línea. La plataforma puede registrar cuándo entra, qué videos reproduce, cuánto tarda en entregar una tarea y en qué partes del curso participa más. Si esos datos se miran con cuidado, pueden ayudar a responder preguntas como:

• ¿Qué estudiantes podrían necesitar apoyo antes de reprobar?
• ¿Qué actividades generan más participación?
• ¿En qué momento del curso se pierde más gente?
• ¿Qué recursos parecen ayudar más a comprender un tema?
• ¿Qué tipo de retroalimentación podría ser más útil?

Eso es analítica de aprendizaje: usar datos para comprender y mejorar el aprendizaje. No basta con encontrar patrones; también hay que interpretarlos y convertirlos en acciones útiles. La parte importante es que los datos no deberían usarse para etiquetar a una persona de forma injusta, sino para abrir oportunidades de apoyo.

De dónde salen los datos

Los datos pueden venir de muchos lugares. En cursos digitales suelen salir de los sistemas de gestión del aprendizaje, como Moodle, Canvas, Blackboard u otras plataformas parecidas. Ahí se registran actividades como entrar al curso, entregar tareas, responder cuestionarios, participar en foros o descargar materiales.

También pueden usarse datos académicos, como calificaciones anteriores, asistencia o avances en el plan de estudios. En algunos casos se analizan textos: comentarios en foros, respuestas abiertas, evaluaciones de cursos o mensajes de retroalimentación.

Estos datos no hablan solos. Una pausa larga en un video puede significar que alguien se distrajo, pero también puede significar que está pensando con cuidado en una idea difícil. Por eso la analítica de aprendizaje necesita contexto, interpretación humana y preguntas educativas claras.

En investigaciones más recientes aparecen datos más complejos, llamados multimodales. Por ejemplo, registros de escritura, interacción con videos, movimientos en una interfaz, audio, imagen o señales de colaboración. Estos datos pueden dar una imagen más completa, pero también aumentan los riesgos de privacidad. Por eso no basta con preguntar si algo se puede medir; también hay que preguntar si es correcto medirlo, con qué permiso y para qué.

Para qué puede servir

Uno de los usos más comunes es detectar riesgo académico. Si un sistema observa que una persona dejó de participar, no entrega actividades o tiene dificultades repetidas, puede avisar a tiempo para que una profesora, tutor o asesor la acompañe.

Otro uso es predecir desempeño. No para decir “esta persona va a fallar”, sino para encontrar señales tempranas. Si se detecta un problema en la semana tres de un curso, todavía hay margen para ayudar. Si se detecta hasta el examen final, tal vez ya sea demasiado tarde.

También sirve para mejorar la retroalimentación. En lugar de recibir solo una calificación, una persona puede recibir comentarios más específicos: qué parte entendió bien, qué necesita revisar y cuál podría ser el siguiente paso.

Además, la analítica puede ayudar a revisar cursos completos. Si muchas personas se equivocan en el mismo tema, quizá el problema no sea de las estudiantes y los estudiantes, sino de la explicación, la actividad, el tiempo disponible o el diseño del curso.

Cómo ha evolucionado el campo

Durante varios años, la analítica de aprendizaje se apoyó mucho en modelos de aprendizaje automático. Estos modelos buscan patrones en los datos. Algunos clasifican estudiantes según su nivel de riesgo, otros predicen resultados y otros agrupan comportamientos parecidos.

El campo no apareció de la nada. George Siemens, uno de los investigadores que ayudó a definir este campo, muestra que la analítica de aprendizaje tiene raíces en varias áreas: análisis de citas, análisis de redes sociales, modelado de usuarios, tutores inteligentes, descubrimiento de conocimiento en bases de datos (encontrar patrones en grandes volúmenes de datos), hipermedia adaptativa (materiales que se ajustan a cada persona) y educación en línea. En otras palabras, no es solo “usar estadísticas en la escuela”; es un campo que mezcla educación, computación, diseño de sistemas y ciencias sociales.

En la revisión, la mayoría de los estudios tradicionales se concentraron en tres áreas: predicción del desempeño académico, detección de abandono y análisis de participación. Muchos usaron modelos conocidos como Random Forest, máquinas de vectores de soporte, árboles de decisión, regresión logística o redes neuronales.

Estos nombres pueden sonar complicados, pero la idea general es esta: el sistema aprende de ejemplos anteriores y trata de reconocer señales parecidas en nuevos casos. Por ejemplo, si en cursos pasados ciertas combinaciones de baja participación, entregas tardías y malos resultados en cuestionarios se relacionaron con abandono, el sistema puede detectar casos similares en un curso actual.

El problema es que predecir no es lo mismo que ayudar. Un tablero puede decir que alguien está en riesgo, pero si la institución no sabe cómo intervenir, el dato se queda corto. Por eso el campo está pasando de una pregunta técnica a una pregunta educativa: no solo “qué tan preciso es el modelo”, sino “qué puede hacer una persona con esta información”.

Qué cambia con la inteligencia artificial generativa

La inteligencia artificial generativa, como los modelos de lenguaje, cambia el panorama porque no solo clasifica o predice. También puede generar texto, preguntas, explicaciones, ejemplos y retroalimentación.

Esto abre posibilidades interesantes. Un sistema podría ayudar a una estudiante a entender por qué su respuesta está incompleta, sugerirle una forma de estudiar, plantear una pregunta de práctica o adaptar una explicación a su nivel. También podría apoyar a docentes al resumir patrones de participación o identificar temas que necesitan más atención.

Pero la inteligencia artificial generativa todavía está en una etapa experimental dentro de la analítica de aprendizaje. La revisión muestra que hay mucho entusiasmo, pero también varias dudas importantes. Estos sistemas pueden equivocarse, inventar información o dar respuestas que parecen correctas aunque no lo sean. Además, muchas veces no explican con claridad cómo llegaron a una recomendación.

Por eso no conviene pensar en la IA como reemplazo de docentes, tutores o estudiantes. Es más razonable pensarla como una herramienta de apoyo que debe estar supervisada, bien diseñada y conectada con objetivos educativos claros.

Los retos más importantes

El primer reto es la privacidad. Los datos de aprendizaje hablan de hábitos, dificultades, emociones, rendimiento y contexto. No son datos neutros. Deben usarse con consentimiento, cuidado y reglas claras.

El segundo reto es la calidad y el alcance de los datos. Si solo se mira lo que pasa en una plataforma, se puede perder parte importante del aprendizaje: lo que ocurre en el salón, en una conversación, en una libreta, en casa o durante una actividad fuera de línea. Un solo tipo de dato rara vez alcanza para entender un proceso tan complejo.

El tercer reto es la equidad. Si un modelo se entrena con datos de ciertos países, instituciones o grupos, puede funcionar peor con personas que viven otras realidades. La revisión encontró que mucha investigación se concentra en regiones con más recursos, mientras que América Latina y otras zonas aparecen menos representadas.

El cuarto reto es la transparencia. Si un sistema dice que alguien está en riesgo, la profesora y la estudiante necesitan entender por qué. Una predicción sin explicación puede generar desconfianza o decisiones injustas.

El quinto reto es pedagógico: no reducir el aprendizaje a lo que la máquina puede contar. Una retroalimentación útil no solo corrige; también ayuda a pensar, revisar, intentar de nuevo y ganar autonomía. Aprender también implica creatividad, conversación, dudas, emociones, relaciones y contexto. Si la analítica olvida eso, puede volverse una forma de control en lugar de una herramienta de apoyo.

Hacia dónde va

El futuro de la analítica de aprendizaje probablemente será híbrido. Por un lado, los modelos de aprendizaje automático seguirán siendo útiles para detectar patrones, riesgos y tendencias. Por otro, la inteligencia artificial generativa puede aportar interacción, explicación y retroalimentación más personalizada.

Pero el avance más importante no debería ser solo técnico. La pregunta de fondo es humana: cómo usar la tecnología para que más personas aprendan mejor, con más apoyo, más claridad y menos desigualdad.

Para lograrlo, los sistemas tendrán que diseñarse con docentes y estudiantes, no solo para ellos. Tendrán que explicar sus recomendaciones, cuidar los datos, evitar sesgos y demostrar que realmente ayudan a aprender.

La analítica de aprendizaje no debería convertirse en una forma sofisticada de vigilar estudiantes. Su valor está en lo contrario: detectar señales que antes pasaban desapercibidas y convertirlas en oportunidades de acompañamiento.

Esa es la dirección más prometedora del campo: menos obsesión por predecirlo todo y más interés en construir tecnología educativa comprensible, justa y centrada en las personas.

Este texto se basa en la revisión sistemática Machine Learning and Generative AI in Learning Analytics for Higher Education y en el artículo de George Siemens, Learning Analytics: The Emergence of a Discipline.