El uso de analíticas del aprendizaje para la identificación temprana de estudiantes en riesgo: desarrollo de modelos predictivos, desafíos éticos y la implementación de intervenciones personalizadas
DOI:
https://doi.org/10.69583/inndev.v3n3.2024.150Palabras clave:
Analíticas del aprendizaje, estudiantes en riesgo, modelos predictivos en educación, ética, intervenciones personalizadasResumen
Este estudio investiga el uso de Analíticas del Aprendizaje (AA) para la identificación temprana de estudiantes en riesgo, abordando el desarrollo de modelos predictivos, los desafíos éticos y la implementación de intervenciones personalizadas. Mediante una revisión sistemática de la literatura en Dimensions.ai y Google Scholar, se analizaron artículos de revistas revisadas por pares, tesis doctorales y reportes de investigación, priorizando publicaciones recientes (2019-2024). La metodología cualitativa empleó criterios de inclusión y exclusión para seleccionar fuentes relevantes, evaluando su calidad y pertinencia a través de la lectura crítica de resúmenes y conclusiones. Los resultados revelaron que los modelos predictivos basados en algoritmos de aprendizaje automático, como Bosques Aleatorios y Redes Neuronales, mostraban alta precisión en la identificación de estudiantes en riesgo, aunque su implementación plantea preocupaciones éticas sobre la privacidad de datos y el consentimiento informado. Se encontró que las intervenciones personalizadas mejoran significativamente las tasas de retención estudiantil, pero su adopción varía entre niveles educativos, siendo menor en la educación primaria. En definitiva, si bien las AA ofrecen un potencial transformador para mejorar el éxito estudiantil, su implementación exitosa requiere abordar los desafíos éticos y promover su adopción en todos los niveles educativos, garantizando la equidad y el respeto a los derechos de los estudiantes.
Citas
Caballero Camargo, C. D. (2024). Tableros de analítica de aprendizaje para LMS Canvas: Seguimiento al logro de los resultados de aprendizaje. [Tesis de maestría, Universidad Autónoma de Bucaramanga]. Repositorio Institucional UNAB.
Casanova Cruz, D., Miranda Díaz, C., & Yáñez Corvalán, A. M. (2021). Sistema de alerta temprana: Centinela, una experiencia para la retención estudiantil en la Universidad Católica de la Santísima Concepción. Calidad en la Educación, 55, 156-174. https://doi.org/10.31619/caledu.n55.1056 DOI: https://doi.org/10.31619/caledu.n55.1056
Cruz Medrano, T. E. (2024). La inteligencia artificial ligada a la nueva alfabetización en el aprendizaje de la historia (Tesis de licenciatura). Universidad Nacional de Chimborazo.
Flores, P. D. C. J. (2024). Aplicación de algoritmos predictivos para mejorar la retención y el éxito académico en la educación superior. Revista Multidisciplinaria de Desarrollo Agropecuario, Tecnológico, Empresarial y Humanista, 6(2), 8. DOI: https://doi.org/10.61236/dateh.v6i2.944
Gonzales, F. C. C., Fernandez, M. T. S., Sifuentes, V. A. N., & Caballero, J. E. A. P. (2024). Minería de datos: Un enfoque perspectivo desde el contexto educativo. Revista Tribunal, 4(9), 138-160. DOI: https://doi.org/10.59659/revistatribunal.v4i9.70
Guanga, J. L. G., Vilema, M. D. I., Zavala, C. X. N., & Guado, D. A. O. (2024). Paneles de analítica de aprendizaje interactivos en la educación superior. Dominio de las Ciencias, 10(3), 800-816. https://doi.org/10.23857/dc.v10i3.3955
Guaña, E. J. (2024). Redes neuronales colaborativas en aprendizaje social sincrónico. Revista Científica Kosmos, 3(2), 151-169. DOI: https://doi.org/10.62943/rck.v3n2.2024.126
Guerrero-Roldán, A. E., Rodríguez, M. E., Bañeres, D., Pérez, C., Panadero, J., & Karadeniz, A. (2020). Hacia un sistema de detección temprana de estudiantes en riesgo en entornos de enseñanza-aprendizaje en línea.
Guevara-Giraldo, J. M., & Betancourt-Correa, C. (2021). Implementación de inteligencia artificial y aprendizaje automático en análisis psicosociales y diagnósticos. Coloquio de Investigación Formativa, 37.
Hawasly, M. Á. P. (2024). Learning analytics como estrategia para la disminución de la deserción escolar en modalidad semipresencial (Tesis doctoral). Universidad de Córdoba.
Herrero Cabo, C. (2021). Recopilación automatizada de analíticas de aprendizaje mediante herramientas informáticas (Tesis doctoral). Universitat Politècnica de València.
Isusqui, J. C. P., Villavicencio, I. E. S., Inga, C. V., Gutiérrez, H. O. C., Díaz, B. L. G., & Amaya, K. L. A. (2023). La inteligencia artificial al servicio de la gestión y la implementación en la educación. DOI: https://doi.org/10.31219/osf.io/z2y7c
Martínez Carrillo, F. (2020). DeepSARS: Sistema de aprendizaje profundo automático para la identificación temprana y seguimiento de pacientes con riesgo de síndrome de distrés respiratorio agudo.
Mosquera, J. M. L., & Guerrero, V. A. B. (2021). Analítica de aprendizaje como estrategia de apoyo al aula invertida en cursos de programación: Una revisión sistemática de literatura. Investigación e Innovación en Ingenierías, 9(1), 114-135. DOI: https://doi.org/10.17081/invinno.9.1.4464
Najar, S. A. J., Lara, C. R., & García, S. Y. R. (2024). Integración de la inteligencia artificial en la educación: Alcances técnicos y consideraciones éticas-filosóficas. Revista Electrónica sobre Cuerpos Académicos y Grupos de Investigación, 11(21).
Puga Paredes, J. L. (2023). Mapeo sistemático sobre el seguimiento del aprendizaje de estudiantes mediante el uso de la minería de datos educativos (Tesis de licenciatura).
Quiceno, H. D. J. B. (2024). La inteligencia artificial y la educación: Oportunidades, desafíos y perspectivas futuras. Revista Educación y Pensamiento, 31(31).
Quinteros, J. C. F., Builes, J. A. J., & Bedoya, J. W. B. (2022). Analítica de enseñanza y aprendizaje en cursos de programación. Campus Virtuales, 11(1), 35-49. DOI: https://doi.org/10.54988/cv.2022.1.880
Zapata Medina, D. (2021). Método para la detección de estudiantes en riesgo de deserción, basado en un diseño de métricas y una técnica de minería de datos (Tesis doctoral). Universidad Nacional de Colombia.
Zavaleta, M. R. A. (2024). La inteligencia artificial en la gobernanza educativa para docentes universitarios innovadores. En Pluma y Arroba: Innovación Educativa 2023. STEAM, Aulas del Futuro, Sostenibilidad, Metaverso, IA.
Publicado
Cómo citar
Licencia
Derechos de autor 2025 InnDev
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
