Analítica del aprendizaje

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

Analítica del aprendizaje: la medición, la recogida, el análisis y la comunicación de datos sobre el estudiantado y sus contextos con el fin de comprender y optimizar el aprendizaje. La IA ha transformado la analítica del aprendizaje, de paneles descriptivos a sistemas predictivos y prescriptivos.

Preguntas para reflexionar

• La mayoría de la gente supone que recoger más datos de aprendizaje mejora automáticamente la educación. La página sostiene que la analítica solo se vuelve significativa cuando alimenta una intervención; si no, únicamente describe o señala sin cambiar el aprendizaje. ¿Dónde ha visto datos recogidos que nunca llevaron a ninguna acción?
• Imagine que un panel le dice que un estudiante está "en riesgo": eso es una predicción. ¿Qué separa eso de una orientación genuinamente accionable que un docente o una institución puedan llevar a cabo de verdad? La página sugiere que la predicción por sí sola no basta.
• La página señala que la IA ha llevado la analítica del aprendizaje de describir lo que ocurrió a predecir lo que ocurrirá y prescribir qué hacer a continuación. ¿Cuál de estas tres generaciones ha vivido y qué faltaba en las otras?
• En un estudio, tres modelos de IA distintos produjeron planes de apoyo muy diferentes para los mismos datos de un estudiante, y los vínculos entre los indicadores analíticos y la ayuda recomendada eran en su mayoría débiles. ¿Qué sugiere esto sobre confiar en el consejo de una IA sin más?
• La analítica del aprendizaje se sitúa en una tensión de privacidad: cuanto más granular es el dato, más revela y más potente es la intervención. ¿Dónde trazaría usted la línea sobre lo que se recoge sobre sí mismo o sobre su estudiantado, y quién debería decidirlo?

Introducción

Analítica mejorada con IA

• Analítica predictiva: el aprendizaje automático sobre datos de interacción del estudiantado predice resultados, desde la identificación de estudiantes en riesgo hasta la estimación del estado de conocimiento.

• La aprobación no predice el patrón de implicación. Los datos de rastro de una herramienta de analítica orientada al estudiantado en un curso de programación apoyado por IA generativa dividieron a 27 estudiantes en exploradores profundos, autoorientados y orientados a pares, más un perfil final de exploradores limitados, y sin embargo las percepciones favorables del asistente no difirieron de forma significativa entre esos perfiles (Sun et al. (2026)).

• La validación importa tanto como la predicción. Schuetze, Yan y Carvalho (2025) muestran que los modelos predictivos de estado de conocimiento (BKT, BKT-with-Forgetting, AFM) parecen precisos cuando se ajustan de forma retrospectiva a un historial completo de sesiones, pero bajo validación cruzada basada en el tiempo, es decir, prediciendo la sesión siguiente a partir de las anteriores, que es como se despliega realmente la analítica, sobreestiman el rendimiento de quienes aprenden, pierden las dinámicas de espaciamiento y olvido y pueden ordenar mal las condiciones de práctica. La advertencia para la analítica es esta: el ajuste retrospectivo puede enmascarar una validez predictiva futura pobre con datos longitudinales, así que los modelos de indicadores y de paneles deberían validarse de forma progresiva y hacia adelante.

• Valide el mapeo entre ítems y atributos que sostiene la estimación. La matriz Q que vincula ítems con atributos es un supuesto y no un dato: las entradas rechazadas para 14 de 918 ítems de pensamiento analítico, una vez corregidas, redujeron un patrón espurio de estado de conocimiento del 14,2% al 3,8%, de modo que la analítica de dominio debería auditar su matriz Q y no solo su ajuste predictivo (Feng y Huang, 2026).

• Analítica predictiva anclada en el currículo: Pradeesh et al. (2026) estiman estados de conocimiento dentro de la educación basada en resultados trazando los resultados del curso directamente a partir de datos de interacción y de logro del LMS, con mapeos de afinidad OBE (relaciones entre resultados de curso y de programa) para estructurar los vínculos entre conceptos y una red aumentada con memoria para modelar el impacto entre resultados. Alcanzan un AUC de 89,81% y superan a DKT, DKVMN, EKT y SimpleKT con datos universitarios de ingeniería en vivo, aunque solo se mantienen competitivos, no superiores, con datos generales de ASSISTments.

• Predicción interpretable del progreso con una ventana de acción: Zhang, Jeffries y Koprinska (2025) predicen el progreso del estudiantado a nivel de módulo en cursos de programación en línea a gran escala a partir de características de los registros de interacción con el contenido, usando árboles de decisión de caja de cristal que igualan la precisión de la caja negra (85-91%) y que señalan resultados de abandono del tipo "sin entrega" hasta 7-8 días antes de las fechas límite del módulo. Es una ventana explícita y en tiempo real para la intervención, y no una simple bandera de riesgo, junto con una tipología exploratoria de perfiles de desvinculado en riesgo, desvinculado pero exitoso y alto rendimiento implicado.

• Modelización federada y explicable del riesgo entre instituciones (2026). Villegas-Ch et al. (2026) amplían la modelización del riesgo más allá de la predicción en una sola institución entrenando un modelo multitarea (rendimiento y abandono) en instituciones simuladas mediante aprendizaje federado, de modo que los datos brutos del estudiantado nunca salen de cada institución. Bajo heterogeneidad controlada (sesgo de etiquetas, desequilibrio de clases, deriva temporal, ausencia estructural de datos) el modelo conserva la precisión de ordenación (AUC de OULAD 0,918) y unas clasificaciones de importancia de variables estructuralmente estables, pero la calibración probabilística se desplaza, lo que desacopla el rendimiento de ordenación de la fiabilidad de las probabilidades. Para los sistemas de alerta temprana esto es una advertencia de que las intervenciones basadas en umbrales pueden necesitar calibración por institución, y un argumento para evaluar la analítica a la vez en discriminación, calibración, robustez y explicabilidad.

• La validación con datos sintéticos es un requisito previo para la analítica que preserva la privacidad. Una comprobación estructural sobre versiones sintéticas de cuatro cohortes anuales de hábitos de estudio (117-120 estudiantes a lo largo de dieciocho semanas) encontró descriptores de partición que coincidían estrechamente en dos de las cuatro cohortes, mientras la variación semanal era de 2,6 a 4,9 veces menor sin excepción (coeficiente de variación de 0,086-0,152 frente a 0,399-0,539 en las cohortes reales), y solo el 36% de los hallazgos obtenidos con datos piloto sintéticos se confirmaron en los datos reales a lo largo de veinticinco solicitudes de validación (Inoue y Yasutake (2026)).

• Analítica del compromiso: la medición del compromiso y la modelización de la intensidad cuantifican cómo interactúa el estudiantado con los sistemas de IA.

• Las tasas de finalización pueden esconder un colapso del compromiso. En un ensayo universitario aleatorizado por grupos, un tutor de IA integrado en el curso dejó sin cambios la entrega de tareas mientras la participación en la plataforma caía con fuerza: las visitas a páginas 0,37 desviaciones estándar y los días activos 0,51. La señal analítica que importaba era la actividad que la herramienta desplazó, no la métrica de finalización que se mantuvo plana (Liu et al. (2026)).

• Analítica de la retroalimentación: la clasificación de la retroalimentación y la evaluación de su calidad analizan la retroalimentación que recibe el estudiantado.

• Análisis de redes: el análisis de redes de coocurrencia y el análisis de redes epistémicas revelan patrones de interacción.

• Tensiones de privacidad: las preocupaciones sobre la privacidad crecen a medida que la analítica se vuelve más granular y más impulsada por la IA.

• Un marco de revisión de la gobernanza de los datos del estudiantado. LEAGUE propone seis pilares, a saber, legalidad, equidad, agencia, gobernanza, utilidad y ética desde el diseño, y trata el cumplimiento de FERPA y del RGPD como el suelo mínimo, recomendando reevaluaciones programadas a medida que los modelos se desplazan (Varadaraju y Vijayakumar (2026)).

La analítica de sensores y de mirada es una segunda familia de instrumentos que alimenta los mismos modelos del estudiantado, y recurre al seguimiento ocular, el EEG, la actividad electrodérmica y la frecuencia cardíaca para estimar la atención, la implicación y la carga cognitiva (Analítica de sensores y de la mirada). Sus problemas de validez y de consentimiento son más agudos que los de los datos de rastro, porque las mediciones son biométricas y el paso del cuerpo al estado mental es una interpretación.

Modelice la concurrencia de cursos, no solo la secuencia. TRACE asigna a cada curso de un semestre la misma codificación posicional, y predecir conjuntamente cursos y calificaciones redujo el error de predicción de calificaciones a 0,1339 MAE, una reducción del 46,4% frente a un transformador que solo usa calificaciones, sobre diez años de datos institucionales (Savala (2026)).

El ciclo de la analítica del aprendizaje

La analítica del aprendizaje se formula canónicamente como un ciclo que empieza con la actividad del estudiantado, que produce datos, los cuales se procesan en medidas e indicadores que después se traducen en intervenciones, y la intervención realimenta la actividad del estudiantado para cerrar el bucle. El paso de intervención es lo que distingue la analítica del mero seguimiento o la mera predicción: sin él, la analítica describe y señala pero nunca cambia el aprendizaje. Este ciclo es el marco organizador para entender dónde se sitúan las herramientas de IA (paneles, generadores de retroalimentación, recomendadores prescriptivos) en la cadena y qué paso automatizan.

Un panel orientado al estudiantado vale tanto como su alcance: en un estudio de escritura de grado 9 en Hong Kong, un clasificador de consignas alcanzó un F1 macro de 0,757, cerca de un tercio de los 46 estudiantes abrió los tres paneles de uso de IA generativa, y las diferencias de grupo en copia y en formulación de consignas orientada al aprendizaje no fueron fiables (Fong et al. (2026)).

Una codificación de frecuencias de datos cualitativos es un punto de entrada y no un veredicto: en un estudio con diez participantes, algunos docentes leían las codificaciones de frecuencia como una vía productiva para entrar en el material, mientras otros advertían que ocultan respuestas raras pero críticas, de modo que el diseño mantiene cada vista agregada vinculada al texto literal del estudiantado (Nguyen et al. (2026)).

De la descripción a la intervención

• La base de evidencia todavía no es evidencia de intervención. Al sintetizar cuatro estudios en los niveles del estudiantado, la disciplina, el profesorado y la institución, Rienties, Divjak y Law (2026) encuentran un campo dominado por diseños transversales, de autoinforme, basados en el discurso y de juicio experto, y reclaman investigación de intervención que ponga a prueba mecanismos causales y resultados distribucionales y de más largo plazo.

Un diseño de estímulo aleatorizado aporta el anclaje causal. En un experimento de estímulo aleatorizado en ASSISTments, Lim, Heffernan y Sales (2025) instaron aleatoriamente a docentes nuevos en la plataforma a ver el informe de la tarea después de crearla. En la muestra analítica de 330 docentes (156 de control, 174 de estímulo; 281 para el valor añadido), ver el informe de la primera tarea elevó significativamente la compleción de la siguiente tarea (F de Anderson-Rubin = 4,092, p = 0,044), al menos 2 puntos porcentuales en conjunto. En clases de menos de 44 estudiantes la ganancia fue de al menos 24,5 puntos porcentuales (F AR = 7,475, p = 0,007), mientras que solo el 54,0% de 121.890 tareas tuvieron sus informes vistos y los resultados de inicio y de valor añadido no se movieron. Esos mismos datos de plataforma contienen el mayor caso de calificación en bucle cerrado del campo: Johnson et al. (2025) analizaron 5.214.211 sesiones de pregunta de estudiantes en las que el pulgar hacia abajo (2,00 por 1.000) seguía características controladas por el generador y la varianza a nivel de estudiante dominaba la varianza a nivel de pregunta (BIC 101.572,9 frente a 123.342,0).

La analítica del aprendizaje ha evolucionado en la base de conocimiento a través de tres generaciones: descriptiva (¿qué ocurrió?), predictiva (¿qué ocurrirá?) y prescriptiva (¿qué deberíamos hacer?). La IA hace posible la capa prescriptiva, una analítica que desencadena directamente intervenciones instruccionales. Una frontera clave es la brecha de accionabilidad: SC2R (Le, Abel y Laforge 2026) muestra que la predicción por sí sola es insuficiente para apoyar decisiones, y que el recurso contrafactual solo se vuelve operativamente significativo cuando las recomendaciones son semánticamente factibles y comprobables por máquina, restringidas por el momento, el presupuesto, la inmutabilidad y la disponibilidad mediante validación SHACL, y no solo válidas según el modelo. Esto lleva al campo más allá de las puntuaciones de riesgo hacia recomendaciones que las instituciones pueden realmente ejecutar, con la supervisión humana preservada.

Una prueba empírica directa de la capa prescriptiva viene de López-Pernas et al. (2026), que pidieron a tres LLM que recomendaran planes de apoyo para 4.500 viñetas de estudiantado sintético.

Una prueba complementaria, centrada en el profesorado, de cómo la analítica llega al aula viene de Mejia-Domenzain et al. (2026), que diseñaron un panel de analítica del aprendizaje (DashED) para comunicar a los docentes perfiles de aprendizaje autorregulado derivados de aprendizaje automático en dos contextos semipresenciales. Su estudio con 100 docentes muestra que la presentación de la analítica es en sí misma una barrera para la acción: el profesorado prefería sistemáticamente gráficos más simples y tradicionales (barras, sectores) incluso cuando diseños más complejos, como los mapas de calor, ofrecían perspectivas más ricas, y una mayor alfabetización en visualización predecía una interpretación más profunda y detallada (por ejemplo, más docentes identificando tendencias en datos de series temporales). Para la comparación de grupos, el profesorado prefería la superposición a la yuxtaposición y los gráficos con información completa a la codificación explícita de diferencias. Las acciones que proponían los docentes estaban moldeadas por el contenido representado y por su nivel de rol docente más que por el tipo de gráfico: el profesorado universitario prefería pruebas semanales y adaptación a nivel de curso, mientras el de formación profesional proponía acompañamiento directo e individualizado. Así pues, el paso prescriptivo depende tanto de cómo se visualiza la analítica como del modelo. Su hallazgo es una advertencia: las correlaciones entre los indicadores de analítica del aprendizaje y el apoyo recomendado eran en su mayoría débiles, las recomendaciones divergían mucho entre modelos para el mismo estudiante y el apoyo se asignaba con frecuencia sin atender a quién lo necesitaba más. Los autores concluyen que los LLM actuales todavía no son fiables como modelos prescriptivos para el apoyo al estudiantado a escala, lo que refuerza que el paso prescriptivo sigue requiriendo validación, ajuste fino y supervisión humana en lugar de automatización lista para usar.

El paso posterior a la puntuación, es decir, quién recibe apoyo y si se asignó donde se necesitaba, corresponde a apoyo y éxito estudiantil, que reúne la evidencia sobre contacto, derivación y asignación a la que alimenta la capa prescriptiva de esta página.

Un resultado de integridad entra en la misma capa predictiva. Akçapınar (2026) predice el riesgo de copia asistida por IA a partir de las primeras ocho semanas de rastros de Moodle y del reproductor de vídeo, alcanzando un AUC de 0,763 con regresión logística, y sostiene que la señal es utilizable precisamente porque llega antes del examen y no durante él. Una línea complementaria apunta a la interpretación de la analítica misma. El marco FACTRIA de Marques et al. (2026) organiza los factores de sesgo que hay detrás de un indicador (de cadena de procesamiento, institucionales, de curso y demográficos), y un chatbot que estimula la reflexión elevó los subfactores que 11 partes interesadas sopesaban por caso de 1,41 a 3,45 (d = 2,15), desplazándolas de lecturas directas a lecturas condicionales.

Métodos y análisis de redes

Los métodos de red son centrales en la analítica del aprendizaje: el análisis de redes de transición (TNA) modela secuencias temporales de acciones del estudiantado (por ejemplo, los bucles de revisión y de chat en la escritura andamiada con chatbot), y el análisis de redes epistémicas (ENA) mapea cómo coocurren códigos y constructos a través de la actividad. Juntos revelan el proceso del aprendizaje y de la interacción entre estudiantado e IA y no solo su producto.(Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)(Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing)

• Agrupamiento de flujos de clics en la construcción autodirigida de modelos. An, Hammock y Goel (2025) combinaron análisis de secuencias de actividad, agrupamiento jerárquico y modelos de cadenas de Markov sobre los flujos de clics de 315 estudiantes en línea que construyeron 822 modelos ecológicos en VERA, destilando nueve agrupamientos conductuales finos basados en transiciones en tres patrones más amplios (observación, construcción, exploración). Su trabajo demuestra que combinar análisis de secuencias con modelización de cadenas de Markov puede descubrir comportamiento significativo en tareas no estructuradas y autodirigidas incluso en ausencia total de datos demográficos o contextuales.

• La analítica del aprendizaje y la IA generativa moldean el diseño del aprendizaje de forma distinta (2026). Claassen et al. (2026) usaron ENA con 11 grupos focales de docentes para comparar cómo la analítica del aprendizaje y la IA generativa informan la toma de decisiones de diseño del aprendizaje. Las conversaciones sobre analítica se centraban en información contextual, el diseño a nivel de curso y la resolución creativa de problemas (analítica para diagnosticar el compromiso y orientar el apoyo), mientras las conversaciones sobre IA generativa se centraban en el diseño de la evaluación y en diseñar para la autodeterminación del estudiantado (IA generativa para la ideación y el desarrollo de evaluaciones). El contexto y la creatividad eran centrales en ambos casos, un recordatorio de que la analítica informa el diseño solo dentro de un contexto pedagógico y de la autonomía del docente.

• El habla supera a la fusión cuando el constructo es social, y la mejor fuente es la específica de cada constructo. En lugar de maximizar modalidades, una comparación de LAK26 de cinco configuraciones de características sobre segmentos de modelización colaborativa encontró que las incrustaciones solo de texto eran las más sólidas en conjunto (ROC AUC medio de 0,650, IC del 95% de 0,615 a 0,685) frente a texto más registros (0,613) y texto más registros con una ventana de contexto (0,623). Los registros medían 0,526 por sí solos, cerca del azar para un constructo social, y sin embargo eran la única fuente que mejoraba la detección de la reflexión (0,5862), mientras la planificación dependía del habla circundante y no de los rastros del entorno. La elección de características es una afirmación sobre el constructo y no una decisión de presupuesto (Zhang et al., 2026).

• Los rastros conductuales no son medidas del estado cognitivo, sobre todo en el estudiantado con necesidades educativas especiales. Vasileiou et al. (2026) advierten que los rastros de interacción (tiempo en la tarea, errores repetidos, búsqueda de ayuda, progreso irregular) pueden ayudar al profesorado a localizar dónde necesita apoyo una persona que aprende, pero no son medidas transparentes de estados internos: una respuesta lenta puede reflejar pensamiento cuidadoso, procesamiento del lenguaje, distracción, un diseño inaccesible o una dificultad técnica. "Los algoritmos no deberían inferir un déficit ejecutivo ni un estatus diagnóstico solo a partir de datos conductuales": la analítica es defendible como una fuente de información dentro de una evaluación profesional y de un diálogo con quien aprende.

• Analítica del diseño: minar secuencias de actividad planificadas en lugar de rastros (2026). Divjak, Svetec y Horvat (2026) aplicaron cadenas de Markov y minería de patrones secuenciales a la secuencia diseñada de 29.064 actividades de enseñanza y aprendizaje en 554 cursos planificados en una herramienta abierta de diseño del aprendizaje. La matriz de transición alcanzaba su máximo en evaluación a discusión (0,332), las autotransiciones dominaban la práctica (0,317) y la adquisición (0,292), y la regla consecutiva más fuerte era adquisición, evaluación, práctica, práctica (confianza 0,743, lift 1,449), mientras la ruta de cuatro pasos más frecuente era adquisición, práctica, práctica, evaluación (120 ocurrencias). Discusión y evaluación eran los tipos más alcanzables y producción el más distante y esporádico. El estudio recuerda que la analítica del aprendizaje no tiene por qué empezar con rastros del LMS: los datos del momento de diseño pueden exponer la gramática pedagógica de un curso antes de que llegue ningún estudiante, aunque los autores insisten en que el parecido con diseños invertidos, de indagación o basados en proyectos no es evidencia de intención.

• LLM destilados que se autoexplican (2026): una cadena de dos etapas destila un estimador de analítica del aprendizaje de caja negra y su interpretación posterior en un Grandes modelos de lenguaje (LLM) pequeño de pesos abiertos que devuelve a la vez una estimación a nivel individual y una explicación en lenguaje natural. Una auditoría centrada en la fidelidad evalúa si las narraciones coinciden con las atribuciones que describen; la simulación muestra una recuperación casi sin pérdida (r > 0,90) con un mentor oráculo, lo que ofrece una vía más transparente y desplegable para la analítica (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics).

• Facilitadores de las intervenciones educativas basadas en analítica del aprendizaje (2026). Svetec, Divjak y Kadoić (2026) identifican y priorizan siete facilitadores de intervenciones educativas basadas en analítica dignas de confianza mediante Delphi, AHP y SNAP: la orientación estratégica institucional, los fundamentos pedagógicos y de otra índole investigadora, los recursos disponibles, el apoyo pedagógico, la ética y la gobernanza de datos, la implicación de las partes interesadas y el aseguramiento de la calidad. La orientación estratégica institucional quedó en primer lugar (y como la más influyente sobre los demás facilitadores), con los recursos disponibles en segundo. La confiabilidad (cumplimiento ético, algoritmos transparentes y sin sesgo, validez pedagógica) se plantea como el requisito previo sin el cual las intervenciones basadas en analítica no son significativas.

• La profundidad de interacción con el LLM predice la calidad de la tarea pero no el recuerdo (2026). Tsiligkiris (2026) vincula la telemetría conversacional del LLM a nivel de turno (profundidad, volumen, ritmo) con los resultados de aprendizaje: la "profundidad" de búsqueda de explicaciones predecía la calidad de la tarea calificada de forma independiente (β = 6,27) pero no el recuerdo inmediato, una disociación entre la comprensión impulsada por la elaboración y la consolidación impulsada por la recuperación que tiene implicaciones para cómo se mide y se evalúa la interacción con el Grandes modelos de lenguaje (LLM) en la analítica del aprendizaje.

• Falta una unidad de interacción compartida. En 46 categorizaciones procedentes de 33 estudios no hay una metacaracterística compartida, ya que etiquetas similares nombran fenómenos distintos, así que la revisión propone el episodio de interacción, un intercambio delimitado y orientado a un objetivo, como unidad para correlacionar el diálogo con la adquisición de habilidades (Borchers, Jansen y Weidlich (2026)).

• Simular el discurso colaborativo para la analítica del aprendizaje. Fang (2026) usa agentes LLM ajustados y específicos de cada participante para reproducir diálogos de resolución colaborativa de problemas, validados con análisis de redes epistémicas (distancia ENA 0,17, p = 0,65). El enfoque ofrece a quienes investigan analítica del aprendizaje una forma escalable de generar discurso colaborativo auténtico para estudiar la dinámica de interacción, la toma de turnos y las trayectorias de los códigos temáticos sin recoger nuevos datos humanos.

• Datos abiertos y reproducibles, y analítica lista para rastros. ASTRA publica un Punto de referencia sintético con un esquema listo para rastros (N=540; 360 sesiones; 1.440 episodios) para analizar la interacción y el equilibrio de participación en programación colaborativa. Los datos de registro y de rastro son el contrapeso natural al autoinforme en esta literatura: a menudo el mismo constructo se mide dos veces, una preguntando y otra observando, y las dos medidas no siempre coinciden. Por separado, un marco exploratorio de aprendizaje automático con análisis SHAP identificó los constructos relacionados con el aprendizaje más asociados al uso académico previsto de ChatGPT entre estudiantes universitarios, priorizando la interpretabilidad (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).

• Infraestructura analítica reutilizable, validada solo internamente (2026). Bai et al. (2026) reprodujeron hallazgos publicados de tres asistentes de IA de Georgia Tech cambiando valores de configuración en lugar de código, aunque la afirmación se apoya en el reanálisis de conjuntos de datos existentes de una sola institución y la única extensión de capacidad la hicieron personas de dentro.

Conexiones

La analítica del aprendizaje se conecta con el traza de conocimiento (el análisis central), la evaluación formativa (evaluación impulsada por analítica), la modelización del estudiantado (la representación del estudiante que la analítica puebla), la privacidad (la restricción ética) y la plataforma educativa (donde se despliega la analítica). Como la analítica prescriptiva se evalúa cada vez más con estudiantes simulados, donde cohortes sintéticas sustituyen a las reales en pruebas controladas, la analítica del aprendizaje también se conecta con la simulación de estudiantado.

• Lo que los paneles hacen visible decide sobre qué actúa el profesorado. Köroğlu et al. (2026) revisaron 27 estudios empíricos (2016-2025) y construyeron una taxonomía sociotécnica de la toma de decisiones del profesorado apoyada por IA en ocho tipos de decisión: instruccional, curricular, de evaluación, de retroalimentación, de entorno de aprendizaje, emocional, administrativa y ética. Los paneles de analítica del aprendizaje fueron el sistema más reportado, y la codificación muestra que el apoyo se concentraba en las decisiones instruccionales, de retroalimentación y de evaluación que el texto conductual y los datos de registro pueden informar, mientras las decisiones emocionales, éticas, curriculares y de entorno de aprendizaje rara vez recibían apoyo. Los autores leen esto como un efecto de atención y no como un límite de capacidad: como los sistemas hacían visible y accionable el dato conductual del estudiantado, las preocupaciones sobre motivación, metacognición, emoción y entorno quedaban fuera de lo que los datos invitaban a considerar.

• Convertir los análisis de IA en conversación de aula es en sí mismo una habilidad docente. En cuatro clases de matemáticas de secundaria, las 47 orquestaciones de grupo completo de un docente convirtieron la salida del panel en argumentación colectiva seleccionando y secuenciando los fundamentos aportados por el estudiantado, y el estudio nombra cuatro tipos recurrentes (Lee, Park y Lee (2026)).

• Una analítica que aligera la carga del profesorado no es una analítica que aligere la de quien aprende. En una revisión de 23 estudios sobre IA en el aprendizaje encarnado, el 62,5% de 40 etiquetas de rol eran roles de sensorización que valoran un movimiento, una trayectoria o un artefacto —trabajo que de otro modo recaía en el profesorado— y los autores advierten de que una reducción de la carga docente no debe leerse como una reducción de la carga de quien aprende. Su razón es un límite de lo que este tipo de codificación puede mostrar: registrar la función que cumple un sistema no dice nada sobre su efecto en quien aprende, así que las frecuencias de roles no pueden zanjar si el sistema descargó la cognición o la profundizó (Kim y Han (2026)).

La instrumentación a nivel de proceso es el siguiente escalón hacia abajo de la capa descriptiva. Prol et al. (2026) ampliaron una plataforma de problemas de Parsons de código abierto para registrar cada colocación, retirada y entrega de bloque como un rastro cronológico, emparejar cada entrega con un coloreado de corrección por bloque y un historial de intentos, y pasar opcionalmente los rastros por una cadena de Grandes modelos de lenguaje (LLM) que etiqueta patrones de dificultad recurrentes para revisión del docente. Con 68 estudiantes de un curso avanzado de diseño de software en Java y 36 de un curso introductorio de Python, el análisis sacó a la luz las mismas tres dificultades: elegir el tipo de excepción equivocado, sustituir return por throw y un orden de flujo de control incorrecto. Eso no lo pueden exponer los recuentos de corrección e intentos, porque responden a si el arreglo era correcto y no a cuál fue el proceso. La IA actúa como intérprete para el docente y no como calificador del estudiante, y su salida se plantea como una hipótesis revisable sobre las dificultades de una clase y no como una nota.

• El muro de los sistemas de aprendizaje: los datos de registro no se generalizan entre plataformas. MATHia, i-Ready e IXL definen de manera distinta incluso constructos básicos como "intento" o "pista", así que los modelos no pueden transferirse entre ellas. Una respuesta en curso ataca el problema desde el lado del vídeo: una cadena con Gemini destila grabaciones de pantalla de tutoría en una única transcripción de guion alineada con los registros nativos de MATHia como verdad de referencia. Lo que el vídeo recupera y ningún flujo único aporta: el andamiaje en pizarra, el trabajo silencioso con calculadora en herramientas externas y el contexto fuera de pantalla que los registros nativos reducen a "inactividad". Quedan retos abiertos en el anclaje temporal, la deriva de reloj y la separación de los eventos de la plataforma respecto de otros procesos de aprendizaje. (Towards breaking the learning system wall using multimodal tutoring transcriptions)
• Los registros de interacción pueden perder frente a una línea de base constante. Las características semestrales de 16.851 intercambios con un tutor LLM superaron a un predictor mediano de las calificaciones de las tareas en 0,114 puntos, un intervalo que cruza el cero, con el 62,1% del error en el cuartil más bajo (Dong et al. (2026)).

Los paneles y los sistemas de alerta temprana concentran el riesgo de sesgo de automatización: una bandera afirma un juicio que una persona puede aceptar porque existe y no porque se haya comprobado.

Manteniendo constantes los indicadores multimodales y añadiendo solo una explicación narrativa, la interpretación (η² = 0,166) y la construcción de significado (η² = 0,220) del profesorado en formación inicial aumentaron, mientras que la transformación accionable no se movió: la capa de interpretación, y no los datos, era el cuello de botella (Liu et al., 2026).

Los datos de interacción son un problema de representación antes que de modelado. Taufer et al. (2026) tratan cada intercambio humano-IA como un registro estructurado único que porta el cómputo que motivó la solicitud, la solicitud, la respuesta, la retroalimentación de quien la usa y la ejecución que siguió, y no como una instrucción aislada. A lo largo de 140 pares estudiante-tarea en un despliegue con 35 estudiantes, el recuento de interacciones por sí solo se correlacionó con las celdas ejecutadas con éxito en r = 0,12, y la misma llamada podía ser una recuperación de error, un paso siguiente, una comprobación de concepto o una validación según el estado que la rodeaba. Treinta y siete pares con acceso no produjeron ninguna interacción, de modo que la ausencia de uso de IA en un registro no puede leerse como ausencia de necesidad.

Concepciones erróneas

• "Una estimación del estado de conocimiento hereda su validez de los datos." La matriz Q que vincula ítems con atributos es un supuesto, no un dato: las entradas rechazadas para 14 de 918 ítems analizados significan que el mapeo mismo requirió adjudicación. Validar el mapeo es un paso, no una formalidad.
• LLM que leen flujos de clics frente a estrategias de aprendizaje nombradas. Radmehr et al. (2026) montan una cadena de LLM que localiza evidencia de una estrategia en el rastro de un estudiante, juzga su adherencia y cita las acciones que respaldan el juicio, alcanzando una calidad global de 0,735 en una simulación más difícil frente a 0,704 de una línea de base plana.
• "La analítica necesita rastros de flujos de clics." Los estados de conocimiento pueden estimarse dentro de la educación basada en resultados trazando los resultados del curso directamente desde datos de interacción y de logro del LMS, con mapeos de afinidad OBE: el registro institucional aporta la señal.
• "La predicción sin ventana de acción es útil." La predicción del progreso es más utilizable cuando es interpretable y va acompañada de una ventana de acción: Zhang, Jeffries y Koprinska (2025) predicen resultados a nivel de módulo, que es una forma sobre la que un asesor puede actuar, a diferencia de una puntuación bruta.

Conceptos conectados

• Sesgo de automatización — Por qué una bandera que existe se acaba aplicando sin comprobarla
• IA explicable
• Seguimiento del conocimiento
• Modelado del estudiantado e instrucción adaptativa
• Evaluación formativa
• Privacidad
• Plataforma edtech
• Implicación del estudiantado
• Evaluación de la IA en educación
• Retroalimentación
• Educación superior
• K-12
• Grandes modelos de lenguaje (LLM)
• Simular estudiantes
• Medidas de autoinforme
• Sistemas de recomendación y rutas de aprendizaje
• Apoyo y éxito estudiantil — el lado del apoyo al que alimenta la predicción, con la derivación, la asignación y los resultados que mueven o no mueven
• Analítica de sensores y de la mirada

Artículos conectados

• ClickSight: An LLM Framework for Interpreting Student Clickstreams Through Learning Strategies — ClickSight: interpretar flujos de clics mediante estrategias de aprendizaje definidas en la literatura (Radmehr et al. 2026)

• Supporting mathematical argumentation in AI-integrated lessons: networking instrumental orchestration and teacher noticing — notar y orquestar los análisis de IA hacia la argumentación colectiva (Lee, Park y Lee 2026)

• Responsible Institutional Analytics: Interpreting Bias with AI Support — analítica institucional responsable, interpretar el sesgo con apoyo de IA

• AI-Supported lecturer decision-making in higher education: a socio-technical perspective — toma de decisiones del profesorado apoyada por IA en la educación superior

• Federated and explainable learning analytics for privacy-preserving academic risk modeling across heterogeneous educational institutions — analítica del aprendizaje federada y explicable para una modelización del riesgo académico que preserva la privacidad (Villegas-Ch et al. 2026)

• What students ask matters: LLM interaction depth, task quality, and immediate recall in higher education — lo que pregunta el estudiantado importa: profundidad de interacción con el LLM, calidad de la tarea y recuerdo inmediato (Tsiligkiris 2026)

• From learning analytics to educational interventions: Enhancing decision-making and learning design — de la analítica del aprendizaje a las intervenciones educativas, facilitadores de intervenciones basadas en analítica dignas de confianza (Svetec, Divjak y Kadoić 2026)

• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — la analítica del aprendizaje y la IA generativa en la toma de decisiones de diseño del aprendizaje

• Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms

• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction

• Cognitive offloading in student–AI collaboration: A longitudinal analysis of prompting strategies

• A Durability and Cross-Language Transfer Benchmark for a Validated Teaching-Feedback Classification Protocol

• Through the WordStream Glass: Revisiting Quantitative Encoding for Qualitative Learning Analytics

• Jointly predicting courses and grades using a transformer-based model

• Toward convergence in student-LLM interactions: A rapid scoping review and taxonomy for learning-oriented use

• From Student Risk Prediction to SC2R: Semantics-Constrained Counterfactual Recourse for Educational Decision Support — de la predicción del riesgo del estudiantado a SC2R, el recurso contrafactual

• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — diagnóstico cognitivo bayesiano para itinerarios de aprendizaje personalizados

• Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics — destilar un modelo de lenguaje que se autoexplica para la analítica del aprendizaje

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — ¿puede la IA ofrecer un apoyo adecuado a perfiles de estudiantado diversos? Una evaluación a gran escala

• Modelling individual participants as LLM agents in collaborative problem solving simulations — agentes LLM ajustados y específicos de cada participante que reproducen diálogos de resolución colaborativa de problemas (Fang 2026)

• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring and participation-balanced collaboration in introductory programming — banco de pruebas sintético ASTRA para tutoría multiagente y colaboración con participación equilibrada

• An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education — determinantes con ML y SHAP del uso futuro de ChatGPT en la educación superior

• Making machine learning findings accessible to teachers in blended classrooms — hacer accesibles los hallazgos de aprendizaje automático al profesorado en aulas semipresenciales

• Outcome-based knowledge tracing with affinity mapping and memory augmented outcome impact — traza de conocimiento basada en resultados con mapeo de afinidad

• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis

• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models

• A Machine Learning Approach for Predicting Student Progress in Online Programming Education

• Learning paths and patterns in learning design: Insights from 500+ courses — cadenas de Markov y minería de patrones de 29.064 actividades planificadas en 554 cursos, que revelan una gramática de diseño liderada por la adquisición y que consolida la práctica

• Pulla: A Parsons Problem Tool for Fine-Grained Behavioral Tracing and Instructor-Facing Problem-Solving Analysis — Pulla, trazado conductual a nivel de proceso y análisis de dificultades orientado al docente en problemas de Parsons (Prol et al. 2026)

• Generalizing a Highly Configurable Analytics Pipeline to Replicate and Support Educational Research Across Multiple Domains

• Beyond Compliance: A Proposed Framework for Ethical Governance of Student Data in Learning Analytics

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — usar la analítica del aprendizaje para apoyar la escritura del estudiantado de secundaria con IA generativa

• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — "ya lo arreglaremos después": educación, IA y el aplazamiento de la privacidad del estudiantado en el edtech

• What fidelity metrics miss: A structural check on synthetic educational data — lo que las métricas de fidelidad pasan por alto, una comprobación estructural de datos educativos sintéticos

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026), predecir el riesgo de copia asistida por IA a partir de rastros del LMS de inicio de semestre (AUC 0,763)

• Towards breaking the learning system wall using multimodal tutoring transcriptions — hacia la ruptura del muro de los sistemas de aprendizaje mediante transcripciones multimodales de tutoría (Thomas et al. 2026)

• The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial — las tasas de finalización pueden esconder un colapso del compromiso

• Artificial intelligence in embodied learning: A systematic literature review — La IA en el aprendizaje encarnado sobre todo observa: los roles de sensorización son el 62,5% de las etiquetas de rol, y ningún sistema revisado fusionó flujos multimodales mientras el estudiantado los usaba (Kim y Han 2026)

• Human-AI Interactions as First-Class Data: A Formal Interaction Model and Runtime for Explainable AI Collaboration — Los intercambios humano-IA como registros estructurados: los recuentos de instrucciones apenas aportan señal sobre el progreso

• The impact of an AI-driven multimodal teaching analytics dashboard on pre-service teachers' reflective learning in microteaching — Estudio de microenseñanza con control activo que aísla la capa de explicación: la interpretación se movió, la acción no (Liu et al. 2026)