Análisis institucional para la transformación
La analítica del aprendizaje —el uso sistemático de datos educativos para comprender y mejorar el aprendizaje— ha surgido como un enfoque prometedor para enfrentar desafíos persistentes en la educación superior, entre ellos la deserción estudiantil, los resultados de aprendizaje desiguales y las inequidades estructurales. Este artículo examina cómo la analítica del aprendizaje puede apoyar la mejora institucional, con especial atención a las universidades multicampus y a contextos donde este tipo de enfoques aún se encuentra poco desarrollado. A partir de ejemplos provenientes de la educación superior y de los sistemas K–12 a nivel internacional, el artículo adopta una perspectiva sociotécnica y sostiene que el uso efectivo de la analítica depende tanto de las prácticas humanas, la gobernanza y la ética, como de las capacidades tecnológicas.
El artículo revisa aplicaciones de la analítica del aprendizaje para distintos grupos de interés. El profesorado utiliza paneles de control para identificar estudiantes en riesgo e informar decisiones pedagógicas; los estudiantes reciben retroalimentación personalizada, alertas y recomendaciones de cursos que apoyan la permanencia; las plataformas digitales de aprendizaje adaptan contenidos y detectan señales de desenganche; los asesores priorizan el acompañamiento mediante sistemas de datos integrados; y los directivos académicos emplean la analítica para identificar vacíos curriculares y debilidades en la enseñanza. En todas estas aplicaciones, el artículo sitúa en el centro principios éticos fundamentales —transparencia, privacidad, consentimiento, equidad, mitigación de sesgos y rendición de cuentas— como base de una práctica responsable.
Al mismo tiempo, el artículo advierte sobre desafíos significativos de implementación que con frecuencia socavan las iniciativas de analítica. Entre ellos se incluyen la insuficiencia de la infraestructura de datos, la fatiga por alertas cuando las predicciones no se integran en flujos de trabajo accionables, la limitada participación del profesorado y de los equipos de TI, y las dificultades para escalar proyectos piloto en campus y programas diversos. Superar estos obstáculos exige concebir la analítica del aprendizaje no como un complemento técnico, sino como un proceso de cambio organizacional.
Para lograr una implementación sostenible, el artículo propone procesos de diseño iterativos e informados por la evidencia, basados en las ciencias del aprendizaje, la interacción humano–computador y el diseño universal. Entre las condiciones habilitadoras clave se encuentran los ciclos de retroalimentación para la mejora continua, la formación en alfabetización de datos, estructuras claras de gobernanza con representación intercampus, roles definidos para diseñadores de aprendizaje y coordinadores de implementación, y prácticas sólidas de gestión y custodia de datos. En el caso de las universidades multicampus, resulta crucial equilibrar la estandarización con la adaptación local para garantizar un impacto equitativo.
El artículo concluye abordando los desafíos emergentes asociados a la inteligencia artificial generativa y delineando pasos prácticos para los líderes institucionales. Al asumir la analítica del aprendizaje como un compromiso de largo plazo, éticamente fundamentado y centrado en la equidad y la agencia estudiantil, las universidades pueden aprovechar los datos para impulsar mejoras significativas y sostener la confianza pública en el uso responsable de la tecnología educativa.
Cómo citar
Licencia
Derechos de autor 2026 Rastros Rostros
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Ética. La revista y su equipo editorial propiciarán, a través de sus políticas y actuaciones, la ética en los procesos de investigación, el uso apropiado de los contenidos protegidos por derechos de autor y la calidad de los trabajos que publica, de manera que los diferentes colaboradores (editores, autores y evaluadores) interactúen bajo principios de integridad académica.
- Autores. Se espera que los autores que participen en la revista presenten textos originales, de su propia creación, derivados de procesos de investigación rigurosos, que no hayan sido previamente publicados, usen de manera adecuada las fuentes que sirven de soporte bibliográfico y cualquier otro material que esté protegido por derechos de autor. Los textos también deben estar escritos de manera cuidadosa y considerando los requisitos de forma y citación que correspondan al estilo de la revista.
- Evaluadores. Se espera que los evaluadores de la revista realicen una lectura minuciosa y constructiva de cada artículo que acepten revisar, buscando no sólo emitir una recomendación de aprobación o rechazo para el editor, sino que sus comentarios permitan que los autores mejoren sus textos o reflexionen sobre los alcances, posibilidades o falencias de su manuscrito. Asimismo, los evaluadores deben considerar que los textos que el editor les ha confiado son inéditos, y cualquier uso indebido o no autorizado de la información allí contenida implicaría una falta ética grave. También, la responsabilidad de evaluar un trabajo, una vez se ha aceptado, no puede ser transferida a terceros, en especial, si no se ha justificado y consultado previamente con el editor. Finalmente, cualquier conflicto de intereses que el evaluador identifique después de haber recibido un trabajo y que potencialmente menoscabe su independencia en la elaboración de un concepto debe informarse.
Notificación sobre casos. Si hay alguna evidencia de problemas éticos en las investigaciones que presentan los trabajos publicados por la revista, dudas sobre su rigor científico, sospecha de falsificación o manipulación indebida de datos, conflictos de intereses no revelados, identificación de publicaciones previas (“refritos”), problemas de autoría o plagio, pedimos, por favor, que se contacte de manera inmediata al editor de la revista para que pueda ahondar en el caso y tomar las acciones que correspondan. Las notificaciones que se reciban sobre problemas éticos se manejarán con absoluta confidencialidad, protegiendo la identidad de la persona que ha detectado el problema, si así lo solicita.
Retractaciones, correcciones y resolución de conflictos. La revista sigue los lineamientos (http://publicationethics.org/resources/guidelines) y procedimientos (http://publicationethics.org/resources/flowcharts) del Committee on Publication Ethics (cope) para el manejo de conductas inapropiadas en la publicación académica. Asimismo, se harán retractaciones o correcciones de artículos ya publicados cuyos contenidos presenten errores que afecten su calidad científica o el reconocimiento apropiado de sus autores, ya sea por equivocaciones involuntarias en el proceso de investigación y publicación o por problemas éticos serios como plagio, falsificaciones, manipulaciones de datos, entre otros.
Uso de los contenidos y autoarchivo. La revista publica sus contenidos en acceso abierto, sin que medie ningún periodo de embargo. Asimismo, todos los trabajos publicados aparecen bajo una licencia Creative Commons de Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional (http://creativecommons.org/licenses/by-nc-nd/4.0/), y su uso debe hacerse bajo esas condiciones de licenciamiento.
Adetutu, O. M., & Lawal, H. B. (2022). Applications of item response theory models to assess item properties and students’ abilities in dichotomous responses items. Open Journal of Educational Development (ISSN: 2734-2050), 3(1), 01–19. DOI: https://doi.org/10.52417/ojed.v3i1.304
Alfredo, R., Echeverria, V., Zhao, L., Lawrence, L., Fan, J. X., Yan, L., … & Martinez-Maldonado, R. (2024). Designing a human-centred learning analytics dashboard in-use. Journal of Learning Analytics, 11(3), 62–81. DOI: https://doi.org/10.18608/jla.2024.8487
Anderson, J. R., Corbett, A. T., Koedinger, K. R., & Pelletier, R. (1995). Cognitive tutors: Lessons learned. The Journal of the Learning Sciences, 4(2), 167–207. DOI: https://doi.org/10.1207/s15327809jls0402_2
Arnold, K. E., & Pistilli, M. D. (2012). Course signals at Purdue: Using learning analytics to increase student success. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge, 267–270.
Arnold, K. E., & Pistilli, M. D. (2012). Course signals at Purdue: Using learning analytics to increase student success. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (LAK ’12) (pp. 267–270).
Arnold, K. E., & Pistilli, M. D. (2012, April). Course signals at Purdue: Using learning analytics to increase student success. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (pp. 267–270). DOI: https://doi.org/10.1145/2330601.2330666
Baker, R. S., & Siemens, G. (2013). Learning analytics and educational data mining: Towards communication and collaboration. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge, 252–254. DOI: https://doi.org/10.1145/2330601.2330661
Baker, R., Lindrum, D., Lindrum, M. J., & Perkowski, D. (2015). Analyzing early at-risk factors in higher education e-learning courses. Proceedings of the 8th International Conference on Educational Data Mining, 150–155.
Baker, R. S. (2025). Big data and education (9th ed.). University of Pennsylvania.
Baker, R. S., Gowda, S. M., & Salamin, E. (2018). Modeling the learning that takes place between online assessments. Proceedings of the 26th International Conference on Computers in Education, 21–28.
Baker, R. S., Liu, X., Shah, M., Pankiewicz, M., Kim, Y. J., Lee, Y., & Porter, C. (in press). Generative AI as a teaching assistant. In V. Vincent-Lancrin (Ed.), OECD Digital Education Outlook 2026.
Baker, R. S., Wagner, A. Z., Corbett, A. T., & Koedinger, K. R. (2004). The social role of technical personnel in the deployment of intelligent tutoring systems. CMU Technical Report CMU-HCII-04-100. DOI: https://doi.org/10.1007/978-3-540-30139-4_75
Baker, R. S. J. d., & Ocumpaugh, J. (2014). Interaction-based affect detection in educational software. In R. A. Calvo, S. K. D’Mello, J. Gratch, & A. Kappas (Eds.), The Oxford handbook of affective computing. Oxford University Press.
Baker, R. S. J. d., & Yacef, K. (2009). The state of educational data mining in 2009: A review and future visions. Journal of Educational Data Mining, 1(1), 3–17.
Bodily, R., Kay, J., Aleven, V., Jivet, I., Davis, D., Xhakaj, F., & Verbert, K. (2018, March). Open learner models and learning analytics dashboards: A systematic review. In Proceedings of the 8th International Conference on Learning Analytics and Knowledge (pp. 41–50). DOI: https://doi.org/10.1145/3170358.3170409
Bradberry, C., Ray, A., Wayman, M., Dhami, J., Charnock, J., & Pittges, J. (2017). Explaining and predicting first year student retention via card swipe systems. Proceedings of the International Conference on Semantics, Ontologies, Intelligence and Intelligent Systems (SIGODIS).
Brown, A., Basson, M., Axelsen, M., Redmond, P., & Lawrence, J. (2023). Empirical evidence to support a nudge intervention for increasing online engagement in higher education. Education Sciences, 13(2), 145. DOI: https://doi.org/10.3390/educsci13020145
Buckingham Shum, S., & Shibani, A. (2019). Learning analytics growing pains: Socio-technical infrastructure changes as LA tools mature. Australian Learning Analytics Summer Institute.
Calo, T., & Maclellan, C. (2024, July). Towards educator-driven tutor authoring: Generative AI approaches for creating intelligent tutor interfaces. In Proceedings of the Eleventh ACM Conference on Learning@ Scale (pp. 305–309). DOI: https://doi.org/10.1145/3657604.3664694
Campbell, J. P., DeBlois, P. B., & Oblinger, D. G. (2007). Academic analytics: A new tool for a new era. EDUCAUSE Review, 42(4), 40–57.
Cosyn, E., Uzun, H., Doble, C., & Matayoshi, J. (2021). A practical perspective on knowledge space theory: ALEKS and its data. Journal of Mathematical Psychology, 101, 102512. DOI: https://doi.org/10.1016/j.jmp.2021.102512
Esbenshade, L., Baker, R. S., & Vitale, J. (2023, June). From a prediction model to meaningful reports in school. In Education Leadership Data Analytics (ELDA) 2023 Conference (New York, NY).
Feng, M., & Heffernan, N. T. (2006). Informing teachers live about student learning: Reporting in the Assistment system. Technology, Instruction, Cognition and Learning, 3(1/2), 63.
Gašević, D., Dawson, S., & Siemens, G. (2015). Let’s not forget: Learning analytics are about learning. TechTrends, 59(1), 64–71. DOI: https://doi.org/10.1007/s11528-014-0822-x
Google. (2025). AI tutoring can safely and effectively support students: An exploratory RCT in UK classrooms. https://storage.googleapis.com/deepmind-media/LearnLM/learnLM_nov25.pdf
Hooshyar, D., Tammets, K., Ley, T., Aus, K., & Kollom, K. (2023). Learning analytics in supporting student agency: A systematic review. Sustainability, 15(18), 13662. DOI: https://doi.org/10.3390/su151813662
Iraj, H., Fudge, A., Khan, H., Faulkner, M., Pardo, A., & Kovanovic, V. (2021). Narrowing the feedback gap: Examining student engagement with personalized and actionable feedback messages. Journal of Learning Analytics, 8(3), 101–116. DOI: https://doi.org/10.18608/jla.2021.7184
Jayaprakash, S. M., Moody, E. W., Lauría, E. J. M., Regan, J. R., & Baron, J. D. (2014). Early alert of academically at-risk students: An open source analytics initiative. Journal of Learning Analytics, 1(1), 6–47. DOI: https://doi.org/10.18608/jla.2014.11.3
Ju, S., Zhou, G., Barnes, T., & Chi, M. (2020). Pick the moment: Identifying critical pedagogical decisions using long-short term rewards. Proceedings of the International Conference on Educational Data Mining.
Kaliisa, R., Misiejuk, K., López-Pernas, S., Khalil, M., & Saqr, M. (2024, March). Have learning analytics dashboards lived up to the hype? A systematic review of impact on students’ achievement, motivation, participation and attitude. In Proceedings of the 14th Learning Analytics and Knowledge Conference (pp. 295–304). DOI: https://doi.org/10.1145/3636555.3636884
Khachatryan, G. A. (2020). Instruction modeling: Developing and implementing blended learning programs. Oxford University Press. DOI: https://doi.org/10.1093/oso/9780190910709.001.0001
Khalil, M., & Ebner, M. (2016). De-identification in learning analytics. Journal of Learning Analytics, 3(1), 129–138. DOI: https://doi.org/10.18608/jla.2016.31.8
Khosravi, H., Shabaninejad, S., Bakharia, A., Sadiq, S., Indulska, M., & Gašević, D. (2021). Intelligent learning analytics dashboards: Automated drill-down recommendations to support teacher data exploration. Journal of Learning Analytics, 8(3), 133–154. DOI: https://doi.org/10.18608/jla.2021.7279
Khosravi, H., Shum, S. B., Chen, G., Conati, C., Tsai, Y. S., Kay, J., … & Gašević, D. (2022). Explainable artificial intelligence in education. Computers and Education: Artificial Intelligence, 3, 100074. DOI: https://doi.org/10.1016/j.caeai.2022.100074
Koedel, C., & Rockoff, J. E. (2015). Value-added modeling: A review. Economics of Education Review, 47, 180–195. DOI: https://doi.org/10.1016/j.econedurev.2015.01.006
Krumm, A., Means, B., & Bienkowski, M. (2018). Learning analytics goes to school: A collaborative approach to improving education. Routledge. DOI: https://doi.org/10.4324/9781315650722
Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: A meta-analytic review. Review of Educational Research, 86(1), 42–78. DOI: https://doi.org/10.3102/0034654315581420
Kyte, S. B., Atkins, C., Collins, E., & Deil-Amen, R. (2023). Understanding the impact of data-driven tools on advising practice and student support. Journal of Postsecondary Student Success, 2(4), 63–82. DOI: https://doi.org/10.33009/fsop_jpss132841
Lee, D., Arnold, M., Srivastava, A., Plastow, K., Strelan, P., Ploeckl, F., … & Palmer, E. (2024). The impact of generative AI on higher education learning and teaching: A study of educators’ perspectives. Computers and Education: Artificial Intelligence, 6, 100221. DOI: https://doi.org/10.1016/j.caeai.2024.100221
Lin, J., Rao, J., Zhao, Y., Wang, Y., Gurung, A., Barany, A., Ocumpaugh, J., Baker, R. S., & Koedinger, K. R. (2025). Automatic large language models creation of interactive learning lessons. Proceedings of the 20th European Conference on Technology Enhanced Learning. DOI: https://doi.org/10.1007/978-3-032-03870-8_18
Lockyer, L., Heathcote, E., & Dawson, S. (2013). Informing pedagogical action: Aligning learning analytics with learning design. American Behavioral Scientist, 57(10), 1439–1459. DOI: https://doi.org/10.1177/0002764213479367
Long, P., & Siemens, G. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE Review, 46(5), 31–40.
Milliron, M. D., Malcolm, L., & Kil, D. (2014). Insight and action analytics: Three case studies to consider. Research & Practice in Assessment, 9, 70–89.
Molenaar, I., Horvers, A., Dijkstra, R., & Baker, R. (2019). Designing dashboards to support learners’ self-regulated learning. Companion Proceedings of the 9th International Learning Analytics and Knowledge Conference.
Murray, T., Blessing, S., & Ainsworth, S. (Eds.). (2013). Authoring tools for advanced technology learning environments: Toward cost-effective adaptive, interactive and intelligent educational software. Springer Science & Business Media.
Outerbridge, S., & Taub, M. (2025, March). Towards a teacher- and student-facing dashboard to scaffold SRL and motivation for improved learning outcomes. In Society for Information Technology & Teacher Education International Conference (pp. 2864–2870). Association for the Advancement of Computing in Education (AACE).
Pankiewicz, M., & Baker, R. S. (2023). Large language models (GPT) for automating feedback on programming assignments. Proceedings of the 31st International Conference on Computers in Education. DOI: https://doi.org/10.58459/icce.2023.950
Pardo, A., & Siemens, G. (2014). Ethical and privacy principles for learning analytics. British Journal of Educational Technology, 45(3), 438–450. DOI: https://doi.org/10.1111/bjet.12152
Pelánek, R. (2017). Bayesian knowledge tracing, logistic models, and beyond: An overview of learner modeling techniques. User Modeling and User-Adapted Interaction, 27(3), 313–350. DOI: https://doi.org/10.1007/s11257-017-9193-2
Poquet, O., Kitto, K., Jovanovic, J., Dawson, S., Siemens, G., & Markauskaite, L. (2021). Transitions through lifelong learning: Implications for learning analytics. Computers and Education: Artificial Intelligence, 2, 100039. DOI: https://doi.org/10.1016/j.caeai.2021.100039
Queiroga, E. M., Batista Machado, M. F., Paragarino, V. R., Primo, T. T., & Cechinel, C. (2022). Early prediction of at-risk students in secondary education: A countrywide K–12 learning analytics initiative in Uruguay. Information, 13(9), 401. DOI: https://doi.org/10.3390/info13090401
Rose, D. (2000). Universal design for learning. Journal of Special Education Technology, 15(4), 47–51. DOI: https://doi.org/10.1177/016264340001500407
Rust, M. M., & Motz, B. A. (2025). Incorporating an LMS learning analytic into proactive advising: Validity and use in a randomized experiment. The Internet and Higher Education, 101057. DOI: https://doi.org/10.35542/osf.io/sjw2b_v2
Saqr, M., & López-Pernas, S. (2024). Learning analytics methods and tutorials: A practical guide using R (p. 736). Springer Nature. DOI: https://doi.org/10.1007/978-3-031-54464-4
Sclater, N., Peasgood, A., & Mullan, J. (2016). Learning analytics in higher education: A review of UK and international practice. Jisc.
Slade, S., & Prinsloo, P. (2013). Learning analytics: Ethical issues and dilemmas. American Behavioral Scientist, 57(10), 1510–1529. DOI: https://doi.org/10.1177/0002764213479366
Smolansky, A., Cram, A., Raduescu, C., Zeivots, S., Huber, E., & Kizilcec, R. F. (2023, July). Educator and student perspectives on the impact of generative AI on assessments in higher education. In Proceedings of the Tenth ACM Conference on Learning@ Scale (pp. 378–382). DOI: https://doi.org/10.1145/3573051.3596191
Stahl, M., Biermann, L., Nehring, A., & Wachsmuth, H. (2024, June). Exploring LLM prompting strategies for joint essay scoring and feedback generation. In Proceedings of the 19th Workshop on Innovative Use of NLP for Building Educational Applications (BEA 2024) (pp. 283–298).
Stavrinides, P., & Zuev, K. M. (2023). Course-prerequisite networks for analyzing and understanding academic curricula. Applied Network Science, 8(1), 19. DOI: https://doi.org/10.1007/s41109-023-00543-w
Susnjak, T. (2024). Beyond predictive learning analytics modelling and onto explainable artificial intelligence with prescriptive analytics and ChatGPT. International Journal of Artificial Intelligence in Education, 34(2), 452–482. DOI: https://doi.org/10.1007/s40593-023-00336-3
Verbert, K., Ochoa, X., De Croon, R., Dourado, R. A., & De Laet, T. (2020, March). Learning analytics dashboards: The past, the present and the future. In Proceedings of the Tenth International Conference on Learning Analytics & Knowledge (pp. 35–40). DOI: https://doi.org/10.1145/3375462.3375504
Volkwein, J. F. (1999). The foundations and evolution of institutional research. New Directions for Institutional Research, 1999(104), 5–20. DOI: https://doi.org/10.1002/ir.10401
Weil, D., Kendall, C., & Snyder, R. (2023). A modern framework for institutional analytics. EDUCAUSE Review.
Yu, R., Pardos, Z., Chau, H., & Brusilovsky, P. (2021, June). Orienting students to course recommendations using three types of explanation. In Adjunct Proceedings of the 29th ACM Conference on User Modeling, Adaptation and Personalization (pp. 238–245). DOI: https://doi.org/10.1145/3450614.3464483
