Uso de la IA para prever el riesgo de abandono estudiantil en la educación técnica mediante un enfoque de analítica del aprendizaje

Por qué importan las alertas tempranas para estudiantes en dificultades

Muchos estudiantes universitarios se quedan rezagados en sus cursos en línea mucho antes de que aparezcan malas calificaciones. En campos técnicos, donde las clases son exigentes y rápidas, esto puede conducir pronto al abandono. Este estudio explora cómo los datos de la actividad diaria en una plataforma de aprendizaje en línea pueden convertirse en un sistema de alerta temprana. Analizando cómo los estudiantes avanzan por los materiales del curso, un modelo de inteligencia artificial (IA) detecta patrones que señalan problemas con suficiente antelación para que los docentes intervengan con ayudas dirigidas.

Siguiendo las huellas digitales en las clases en línea

La investigación se centra en dos cursos de diseño asistido por ordenador (CAD) impartidos en la plataforma Moodle en una universidad de ciencias aplicadas. Cada clic —abrir un archivo, intentar una prueba, entregar una tarea— genera una entrada de registro con marca temporal. A partir de 12.941 registros de este tipo correspondientes a 80 estudiantes, el autor construyó un conjunto de datos que describe 49 recursos de aprendizaje distintos, desde páginas introductorias sencillas hasta tareas complejas de varios pasos. Debido a que estos cursos mostraban tasas de abandono inusualmente altas, ofrecieron un banco de pruebas útil para explorar cómo los patrones de actividad se relacionan con el éxito o el fracaso estudiantil.

Convertir los clics en señales de aprendizaje significativas

En lugar de alimentar recuentos de clics sin procesar a un algoritmo oscuro, el estudio introduce un método de “atributo ponderado” que transforma los datos en indicadores comprensibles para los docentes. Cada recurso recibe una puntuación en tres aspectos principales: cuánto esfuerzo mental exige, con qué frecuencia interactúan los estudiantes con él y cuánto tiempo espera el curso que se dedique. Estas puntuaciones se combinan en una medida única de efectividad que refleja cómo los estudiantes manejan realmente ese recurso. De este modo, el modelo no solo indica que un estudiante está en riesgo; señala tareas o materiales concretos que podrían estar causando el problema.

Lo que descubrieron los modelos de IA

Se entrenaron dos tipos de modelos predictivos —regresión logística y bosques aleatorios— para distinguir entre herramientas de aprendizaje más efectivas y menos efectivas basándose en estos indicadores ponderados. Para evitar sesgos por la muestra relativamente pequeña, el investigador utilizó comprobaciones cruzadas repetidas que rotan qué datos se usan para entrenar y cuáles para probar. A lo largo de estas comprobaciones, ambos modelos funcionaron bien, con el bosque aleatorio ligeramente por delante, aunque el modelo logístico más simple ofrecía resultados más fáciles de interpretar. En todos los casos, las señales más importantes fueron la frecuencia de interacción con un recurso, el tiempo dedicado a él y la dificultad para la que fue diseñado.

Diseñar mejores cursos, no sustituir a los docentes

Los hallazgos muestran que las tareas complejas y que requieren mucho tiempo —como proyectos de modelado de varios pasos y deberes sustanciales— se asocian sólidamente con mejores resultados de aprendizaje, mientras que los anuncios básicos o los resúmenes breves aportan menos. Esto sugiere que los retos bien diseñados, respaldados por tiempo adecuado, son clave para el éxito estudiantil. El estudio también describe cómo podría funcionar en la práctica un sistema de alerta temprana: un panel automatizado resaltaría patrones de riesgo a los instructores, que decidirían cómo responder, por ejemplo añadiendo ejemplos, ajustando la carga de trabajo u ofreciendo sesiones de apoyo extra. Es importante subrayar que el sistema está diseñado para informar a los docentes, no para automatizar las decisiones sobre los estudiantes.

Qué significa esto para estudiantes y educadores

Para un lector general, el mensaje clave es que la IA puede ayudar a las universidades a detectar puntos problemáticos antes de que los estudiantes suspendan, pero solo si se usa con criterio. Combinando la perspectiva del diseño del curso con un manejo cuidadoso de los datos, el método de atributo ponderado convierte los registros de actividad en señales claras sobre qué partes de un curso ayudan u obstaculizan el aprendizaje. El estudio sigue siendo un piloto, limitado a un pequeño número de cursos técnicos en una institución, por lo que sus resultados son preliminares. Aun así, ofrece un camino concreto hacia un uso de la IA en educación más transparente, justo y orientado al apoyo: herramientas basadas en datos que ayudan a los docentes a rediseñar cursos y a llegar antes a los estudiantes en dificultades, reduciendo la probabilidad de que abandonen silenciosamente sus estudios.

Cita: Ovtšarenko, O. Using AI to forecast student dropout risk in technical education using a learning analytics approach. Sci Rep 16, 14616 (2026). https://doi.org/10.1038/s41598-026-44919-1

Palabras clave: riesgo de abandono estudiantil, analítica del aprendizaje, educación técnica en línea, modelado predictivo, sistemas de alerta temprana