A un año de una revisión sistemática sobre Learning Analytics e IA generativa

Un año no alcanza para dictar sentencia sobre un campo, pero sí para ver qué preguntas empiezan a quedarse. El 5 de agosto de 2025 se publicó en Applied Sciences una revisión sistemática titulada Machine Learning and Generative AI in Learning Analytics for Higher Education: A Systematic Review of Models, Trends, and Challenges. Un año después, me interesa volver a ella con calma, no para celebrar una cifra, sino para mirar qué ha pasado con una pregunta que sigue abierta: cómo usar datos e inteligencia artificial para apoyar mejor el aprendizaje sin perder de vista a las personas.

Según Google Académico, la revisión ya acumulaba varias decenas de citas en agosto de 2026. Más allá del número, esa circulación es una buena excusa para volver a mirarla con algo de distancia: el tema está encontrando eco en discusiones sobre personalización, retroalimentación, predicción, explicaciones comprensibles y la forma en que los estudiantes deciden usar estas herramientas.

Un año es poco tiempo para cerrar conclusiones, pero suficiente para mirar qué preguntas siguen abiertas, qué tensiones se volvieron más visibles y cómo otros trabajos empiezan a usar la revisión para pensar nuevas direcciones del campo.

Qué revisamos

La revisión reunió estudios sobre aprendizaje automático, IA generativa y analítica de aprendizaje en educación superior. Para hacerlo, seguimos PRISMA 2020 (una guía para reportar revisiones sistemáticas de forma transparente), partimos de 9,590 registros en 12 bases de datos e incluimos 101 estudios publicados entre 2018 y 2025.

Ese conjunto de estudios permitió mirar dos movimientos al mismo tiempo. Por un lado, la analítica de aprendizaje con aprendizaje automático ya aparecía con fuerza en tareas como predecir desempeño, detectar riesgo de abandono o analizar la participación de estudiantes. Por otro, la IA generativa empezaba a abrir usos más conversacionales: dar retroalimentación, adaptar explicaciones, apoyar tutorías, analizar textos o ayudar a tomar decisiones educativas.

Lo que sigue vigente

Lo primero que sigue vigente es que predecir no equivale a ayudar. Un modelo puede detectar riesgo académico, pero eso no significa que una institución tenga el tiempo, las condiciones o los criterios pedagógicos para intervenir bien. La analítica de aprendizaje solo tiene sentido si se conecta con acciones educativas comprensibles, proporcionales y justas.

También sigue vigente que la IA generativa no borra los problemas clásicos del campo. A veces los hace más visibles. Si un sistema no explica por qué recomienda algo, si usa datos sin suficiente contexto o si ignora diferencias entre estudiantes, puede parecer muy avanzado sin ser necesariamente más responsable.

Y hay una idea que para mí es central: la dimensión humana no es un complemento. Docentes, estudiantes, tutores y diseñadores educativos no deberían recibir una predicción como si fuera una verdad cerrada. Deberían participar en qué se mide, cómo se interpreta y qué tipo de apoyo se considera aceptable.

Qué cambió con la IA generativa

La IA generativa movió parte de la conversación. Antes era común pensar en la analítica de aprendizaje como tableros, alertas o modelos predictivos. Ahora también aparece la posibilidad de conversar con los datos, generar retroalimentación, adaptar explicaciones o producir síntesis para docentes y estudiantes.

Eso abre posibilidades reales, pero también riesgos muy concretos. Una retroalimentación automática puede ser útil si aparece en el momento correcto y dentro de una actividad bien diseñada. También puede confundir, ser injusta o sonar demasiado segura si nadie la valida con criterios pedagógicos. La promesa de personalización no debería sustituir la responsabilidad de diseñar buenas experiencias de aprendizaje.

Señales de avance en las citas recientes

Desde la publicación de la revisión, el campo no se quedó quieto. Al mirar algunos trabajos recientes que la citan, no veo una sola dirección cerrada. Veo más bien un desplazamiento: menos fascinación por el modelo aislado y más preguntas sobre cómo se usa, quién lo entiende y qué decisiones educativas puede mejorar.

La personalización con IA, por ejemplo, se está discutiendo cada vez más como un tema educativo amplio, no solo como una función atractiva dentro de una plataforma. Una revisión global en Social Sciences & Humanities Open retoma el artículo al hablar de avances y oportunidades del aprendizaje personalizado con IA. Ahí la pregunta de fondo no es si podemos mostrarle a cada estudiante una ruta distinta, sino qué apoyo necesita, con qué datos y bajo qué criterios.

También aparece con más fuerza la pregunta por la relación de los estudiantes con estas herramientas. Un artículo de Computers and Education Open estudia factores éticos y conductuales que influyen en la intención de usar ChatGPT en educación superior. Esa línea es valiosa porque cambia el foco: no basta preguntar qué puede hacer la herramienta; también hay que preguntar cómo la entienden, cuándo la usan y qué efectos tiene en su forma de aprender.

Otro avance importante está en la retroalimentación. Un metaanálisis en Educational Psychology Review revisa los efectos de la retroalimentación con IA sobre la capacidad de los estudiantes para planear, revisar y regular su propio aprendizaje. Esto ayuda a poner los pies en la tierra: no basta con que un sistema escriba una respuesta convincente; hay que saber si esa respuesta ayuda a aprender mejor.

La predicción de riesgo académico también se está acercando más a la intervención educativa. Un artículo de Scientific Reports estudia riesgo de abandono en educación técnica con datos de Moodle. Lo interesante no es solo anticipar quién podría necesitar apoyo, sino pensar cómo convertir esa señal en alertas tempranas, acompañamiento y decisiones curriculares más claras.

Por último, está ganando peso la necesidad de que los sistemas expliquen lo que recomiendan. Otro artículo de Scientific Reports propone un marco con SHAP y LIME (dos métodos para explicar qué variables pesan en una predicción) para predecir éxito estudiantil en entornos en línea. La pregunta pública es más sencilla: si un sistema predice algo sobre una persona, ¿podemos entender por qué lo dice y discutir qué hacer con esa información?

En conjunto, estas citas sugieren que el avance más interesante no está solo en tener modelos más potentes. Está en conectar personalización, uso estudiantil, retroalimentación, predicción, explicación y responsabilidad institucional.

Ese punto también conecta con la dirección que más me interesa seguir: pasar de modelos que solo describen o predicen a sistemas que ayuden a decidir mejor, con docentes en el centro y con explicaciones que puedan discutirse.

Lo que prefiero no perder de vista

Un año después, veo la revisión como una forma de ordenar preguntas, no como una respuesta final. El campo se mueve rápido y cualquier síntesis envejece. Aun así, hay preguntas que siguen siendo necesarias:

• ¿Qué decisiones educativas mejora realmente un sistema de analítica?
• ¿Quién puede entender y cuestionar una recomendación algorítmica?
• ¿Qué datos son legítimos para apoyar el aprendizaje y cuáles invaden demasiado?
• ¿Cómo se evalúa el impacto pedagógico, no solo la precisión técnica?
• ¿Qué condiciones necesitan las instituciones para usar estos sistemas sin aumentar desigualdades?

La dirección que más me interesa no es una analítica de aprendizaje más sofisticada para vigilar estudiantes. Me interesa una tecnología educativa capaz de hacer visibles señales útiles para acompañar mejor. En otras palabras: que la analítica no termine en una alerta, sino en una conversación mejor informada sobre cómo apoyar a quien aprende.

Para seguir leyendo

Si quieres una introducción más amplia al tema, también escribí sobre qué es la analítica de aprendizaje y hacia dónde va con inteligencia artificial. También puedes visitar la sección de investigación, donde está el enlace directo a la publicación de esta revisión sistemática.

Algunos de los trabajos recientes que ayudan a ubicar esos avances son:

• Fortuna, A., Prasetya, F., Samala, A. D., Rawas, S., Criollo-C, S., Kaya, D., Raihan, M., Andriani, W., Safitri, D., & Nabawi, R. A. (2025). Artificial intelligence in personalized learning: A global systematic review of current advancements and shaping future opportunities. Social Sciences & Humanities Open, 12, 102114. https://doi.org/10.1016/j.ssaho.2025.102114
• Rizun, N., Bordean, O. N., Nikiforova, A., Beleiu, I. N., & Revina, A. (2026). Generative AI in higher education: Ethical and behavioral factors influencing students’ intentions to use ChatGPT. Computers and Education Open, 10, 100336. https://doi.org/10.1016/j.caeo.2026.100336
• Huang, C.-Q., Lu, L.-N., Huang, Q.-H., Zhang, Y.-R., He, T., Tu, Y.-F., & Hwang, G.-J. (2026). Effects of artificial intelligence feedback on students’ self-regulated learning in higher education: A three-level meta-analysis. Educational Psychology Review, 38(1), 64. https://doi.org/10.1007/s10648-026-10166-z
• Ovtšarenko, O. (2026). Using AI to forecast student dropout risk in technical education using a learning analytics approach. Scientific Reports, 16(1), 14616. https://doi.org/10.1038/s41598-026-44919-1
• Almazroei, E. E. (2026). Ensemble machine learning framework with SHAP and LIME for accurate early prediction of student success in online learning environments. Scientific Reports, 16(1), 19506. https://doi.org/10.1038/s41598-026-49894-1