Predecir no es intervenir: validar indicadores académicos antes de usarlos

Una plataforma educativa guarda muchas huellas: entregas, actividades, entradas al curso y evaluaciones. Es fácil mirar esos datos y pensar que un sistema podría anticipar quién necesita apoyo. Pero antes hay una pregunta muy importante: ¿esa información ya existía cuando habría hecho falta tomar una decisión?

Esa pregunta está en el centro de nuestro artículo reciente, Beyond Grades: Temporal Validation of a Multi-Output Model for Formative Academic Indicators in a Latin American Public University, publicado en Applied Sciences. El artículo no presenta una herramienta lista para mandar alertas. Examina qué se puede decir cuando usamos la actividad previa de un curso para estimar lo que podría pasar después.

Una versión anterior y una revisión necesaria

En julio de 2026 compartimos una versión previa del trabajo como preprint. Un preprint hace pública una investigación antes de la revisión por pares. Puede servir para seguir el proceso, pero no es la última palabra sobre los resultados.

El artículo publicado retoma el análisis con una pregunta más estricta: qué información estaba disponible antes de cada momento del curso y qué resultados ocurrieron después. Por eso, para las conclusiones actuales, la fuente es el artículo final. El preprint queda como un registro público de una etapa anterior, no como evidencia de que el modelo esté listo para usarse.

El problema de mirar el futuro

Muchos análisis se hacen cuando un curso ya terminó. Así se puede reunir toda la información disponible y encontrar patrones. El problema aparece si después se habla de esos patrones como si hubieran estado disponibles durante el curso.

Para apoyar a alguien a tiempo, un modelo debería usar solo lo que se conocía en ese momento. Una tarea entregada después, una calificación publicada más tarde o una actividad que todavía no ocurría no pueden ser una señal temprana. Si entran en el análisis, el resultado puede verse mejor de lo que sería en una situación real.

Por eso organizamos los datos alrededor de distintos momentos del periodo académico. Usamos la actividad anterior a cada momento para estimar cinco cosas posteriores: desempeño en tareas, tareas no entregadas, entregas tardías, desempeño en exámenes y precisión en exámenes.

Estos no son diagnósticos sobre las personas. Son indicadores observables. No miden directamente motivación, abandono, autorregulación ni “riesgo académico”.

Una buena prueba también busca los límites

Un resultado promedio puede esconder algo importante. Un modelo puede funcionar en algunos cursos y no en otros. También puede verse bien con datos conocidos y perder fuerza al probarse en un periodo posterior.

Por eso no usamos una sola prueba. Revisamos bloques de un mismo curso y periodo, cursos que el modelo no había visto y un periodo académico posterior. También comparamos el modelo con opciones simples. Por ejemplo, para anticipar tareas no entregadas, preguntamos si mirar el patrón anterior de entregas ya daba una respuesta útil.

Esta comparación importa mucho. Un modelo complejo no es mejor solo porque usa más datos o porque produce un número. Tiene que aportar algo frente a una regla sencilla y tiene que seguir siendo útil fuera de los datos con los que se creó.

Lo que encontramos

La señal más clara apareció para las tareas que no se entregaron después. Aun así, no se mantuvo de la misma forma en todos los cursos. En el periodo posterior que evaluamos, una regla basada en entregas previas fue más útil que el modelo.

Para los otros indicadores no encontramos evidencia estable para decir que se pueden estimar de forma fiable en ese contexto. Es una conclusión más pequeña que decir que un sistema “predice el rendimiento”. Pero también es más honesta: muestra qué parte de la evidencia se sostiene y cuál no.

Esto no significa que los datos educativos no sirvan o que debamos abandonar los modelos. Significa que encontrar una relación en datos anteriores no basta para usar una predicción en cada curso. Mucho menos basta para mandar una alerta que afecte a una estudiante o un estudiante.

Una interfaz y una predicción son preguntas distintas

Esta idea también importa al diseñar prototipos. Una interfaz puede ayudar a que docentes o estudiantes vean información, entiendan una señal y hablen sobre qué hacer. Saber si esa interacción es clara, útil y respetuosa es una pregunta de diseño distinta.

Pero una interfaz fácil de usar no vuelve fiable una predicción. Y un modelo que parece funcionar bien tampoco demuestra, por sí solo, que una interfaz ayude a aprender o a tomar mejores decisiones. Cada cosa necesita su propia evaluación.

El artículo publicado revisa la parte predictiva con datos del pasado. No evalúa una interfaz, una intervención, cómo se interpretan las alertas ni sus efectos educativos. Por eso no permite afirmar que una herramienta de apoyo funciona, pero tampoco permite afirmar que no puede funcionar. Deja más claro lo que todavía hace falta demostrar.

Lo valioso de un resultado con límites

En investigación aplicada suele haber presión por encontrar un modelo más preciso o una respuesta definitiva. Pero reconocer un límite también es avanzar. Evita que una señal parcial se presente como certeza y ayuda a hacer mejores preguntas.

Una de ellas es si modelos más simples, separados para cada indicador, podrían dar resultados más claros que un modelo conjunto. Otra es cómo mostrar señales para que las personas puedan discutirlas, cuestionarlas y usarlas con criterio.

Antes de usar algo así en una institución, todavía hay preguntas sobre privacidad, reglas claras, pruebas en periodos futuros y el tipo de apoyo que realmente se puede ofrecer.

La lección principal no es que debamos dejar de predecir. Es que predecir no es intervenir. Entre un patrón en los datos y una decisión que afecta a una persona hay muchas responsabilidades: usar información disponible a tiempo, comparar de forma honesta, interpretar con personas y saber qué apoyo se puede ofrecer.

Ahí es donde la analítica de aprendizaje puede tener un valor educativo real.

Para seguir leyendo

Este texto parte de:

• Rodríguez-Ortiz, M. Á., Santana-Mancilla, P. C., & Anido-Rifón, L. E. (2026). Beyond Grades: Temporal Validation of a Multi-Output Model for Formative Academic Indicators in a Latin American Public University. Applied Sciences, 16(19), 9865. https://doi.org/10.3390/app16199865