nueva página del texto (beta)
Español (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
INTRODUCCIÓN
En los últimos años la analítica de aprendizaje (LA) ha cobrado relevancia en el ámbito educativo por su capacidad para generar información que fortalezca la toma de decisiones pedagógicas. Los tableros de analítica (LADs) permiten a docentes y directivos visualizar datos del desempeño estudiantil y anticipar dificultades, facilitando intervenciones oportunas (Nguyen et al., 2018; Verbert et al., 2020. Esta funcionalidad resulta especialmente crítica en secundaria, donde la detección temprana puede incidir en la trayectoria académica del alumnado (Nazaretsky et al., 2022). No obstante, la literatura muestra escasa atención a su integración efectiva y usabilidad en este nivel (Khulbe & Tammets, 2023).
En respuesta a esta brecha, estudios recientes amplían el enfoque de la LA hacia el diseño centrado en el usuario, con principios de explicabilidad, ética y confianza. El método SLADE propone equilibrar automatización y control humano, incorporando la voz docente desde el diseño (Riordan et al., 2024). Ahn et al. (2021) y Nazaretsky et al. (2022) muestran que el co-diseño docente mejora la aceptación y efectividad pedagógica de estas herramientas. Asimismo, Mohseni et al. (2024) advierten que muchas soluciones visuales aún carecen de validación empírica y adaptación contextual, mientras que Khalil et al. (2022) subrayan la débil atención a la privacidad en entornos escolares. Estas contribuciones actualizan el marco teórico y justifican el desarrollo de sistemas adaptados a secundaria.
Este estudio analiza cómo los LADs pueden mejorar la detección temprana de problemas académicos en estudiantes de secundaria y cómo la facilidad de uso influye en el registro de incidencias, con base en principios de diseño humano-céntrico, co-diseño participativo y ética.
METODOLOGÍA
Se llevó a cabo una revisión sistemática de literatura siguiendo las metodologías propuestas por Urrea-Contreras et al. (2021) y Ullah et al. (2018), con criterios de inclusión y exclusión orientados a identificar estudios sobre la implementación de sistemas de analítica de aprendizaje en la educación secundaria, especialmente aquellos enfocados en la detección temprana de problemas académicos. La búsqueda se realizó principalmente en la base de datos Scopus, empleando palabras clave específicas y filtros temáticos. Los artículos seleccionados fueron evaluados según su calidad, relevancia y alineación con las preguntas de investigación, mediante un análisis temático y bibliométrico.
Selección de publicaciones
Se aplicaron criterios rigurosos para garantizar que los estudios incluidos respondieran directamente a los objetivos planteados. Se utilizó un conjunto de condiciones de inclusión y exclusión que aseguraron la pertinencia y calidad del material revisado (Ullah et al., 2018).
a) Criterios de inclusión
Se definieron criterios de inclusión para asegurar la pertinencia de los estudios seleccionados en la revisión. La tabla 1 muestra un resumen de estos criterios.
Tabla 1 Criterios de inclusión (Ci) de artículos durante la búsqueda sistemática
| Criterio | Descripción |
|---|---|
| Ci1 | Artículos sobre analítica de aprendizaje enfocados en detectar problemas en estudiantes de secundaria |
| Ci2 | Artículos que evalúan sistemas de registro académico para detectar problemas de aprendizaje en secundaria |
| Ci3 | Artículos sobre sistemas fáciles de usar para registrar incidencias y detectar problemas de aprendizaje |
| Ci4 | Investigaciones de estudios con ejemplos prácticos de analítica de aprendizaje en secundaria |
| Ci5 | Estudios que comparan el rendimiento estudiantil antes y después de implementar sistemas de analítica o registro |
| Ci6 | Recursos sobre barreras y soluciones para adoptar analítica de aprendizaje en secundaria |
Fuente: adaptado de Urrea-Contreras et al. (2021) y Ullah et al. (2018).
b) Criterios de exclusión
El criterio específico de exclusión que se utilizó para descartar cualquier recurso encontrado se basó en los principios establecidos en la tabla 2.
Tabla 2 Criterios de exclusión (Ce) de artículos durante búsqueda sistemática
| Criterio | Descripción |
|---|---|
| Ce1 | Recursos sin relación directa con las preguntas de investigación |
| Ce2 | Recursos sin un enfoque principal en el análisis de aprendizaje |
| Ce3 | Recursos que abordan learning analytics sin enfocarse en su efectividad, implementación escolar, impacto en el rendimiento o barreras |
Fuente: adaptado de Urrea-Contreras et al. (2021) y Ullah et al. (2018).
c) Selección de recursos primarios
Las búsquedas se estructuraron de la siguiente manera:
Búsqueda 1: se combinaron los términos Knowledge management y learning analytics, excluyendo el término organizacional para enfocarse en el ámbito educativo (56 resultados).
Búsqueda 2: se usaron los términos learning analytics y educational intervention, con una restricción de publicaciones de los años 2018 a 2024; además, se limitaron los resultados a las áreas temáticas de computación y ciencias sociales, excluyendo el área de medicina y limitando idioma a inglés o español (tres resultados).
Búsqueda 3: se utilizaron los términos learning analytics y secondary education (2018-2024), filtrando por área (educación, computación y ciencias sociales), tipo de documento (artículos, revisiones, comunicaciones o capítulos) e idioma (49 resultados).
Búsqueda 4: revisión directa en la revista Apertura con los términos learning analytics y review, obteniendo cinco resultados, de los cuales se seleccionaron cuatro por su relevancia en el contexto latinoamericano y por tratarse de una fuente indexada especializada en educación con enfoque en innovación y uso de tecnologías digitales.
Búsqueda 5: se exploró la predicción del rendimiento educativo, arrojando dos artículos relevantes.
Búsqueda 6 (ampliación teórica): además de la revisión sistemática, se incorporaron estudios recientes que fortalecen el marco teórico sobre diseño centrado en el usuario, ética y aplicabilidad en secundaria. Entre estos se incluyen trabajos sobre co-diseño con docentes (Nazaretsky et al., 2022), privacidad y confianza (Ferguson et al., 2021; Khalil et al., 2022) y metodologías como SLADE (Riordan et al., 2024). Esta ampliación permitió identificar vacíos y tendencias en la literatura, enriqueciendo tanto el análisis temático como la discusión crítica del estudio.
En total, se revisaron 119 artículos. La selección final respondió a los criterios metodológicos establecidos, asegurando representatividad, actualidad y pertinencia temática. La selección se guio por la metodología de revisión sistemática descrita por Urrea-Contreras et al. (2021) y Ullah et al. (2018).
Análisis bibliométrico
El análisis bibliométrico evidenció un crecimiento sostenido en la producción científica sobre analítica de aprendizaje en secundaria desde 2020, asociado a nuevas líneas centradas en el diseño humano-céntrico, la ética, la privacidad y el co-diseño docente. Estas temáticas, cada vez más visibles en conferencias y revistas especializadas, se reflejan en estudios recientes que abordan directamente el contexto de la educación básica y media (Ferguson et al., 2021; Nazaretsky et al., 2022; Riordan et al., 2024; Mohseni et al., 2024) (ver tabla 3 y gráfica 1).
Tabla 3 Distribución temporal de las referencias
| Año de publicación | Núm. de artículos | Año de publicación | Núm. de artículos |
|---|---|---|---|
| 2010 | 2 | 2019 | 11 |
| 2013 | 4 | 2020 | 17 |
| 2014 | 6 | 2021 | 24 |
| 2015 | 14 | 2022 | 17 |
| 2016 | 12 | 2023 | 16 |
| 2017 | 6 | 2024 | 22 |
| 2018 | 16 |
Fuente: elaboración propia con base en Urrea-Contreras et al. (2021) y Ullah et al. (2018).
Fuente: elaboración propia con base en Urrea-Contreras et al. (2021) y Ullah et al. (2018).
Gráfica 1 Distribución temporal de los artículos.
Desde 2010, la producción de artículos ha crecido de forma sostenida, con un repunte notable entre 2020 y 2024, lo que refleja el auge y actualidad del tema investigado (ver tabla 4).
Tabla 4 Autores más citados
| Autor | Núm. de artículos | Nacionalidad | Temática que trabaja |
|---|---|---|---|
| Laanpere, M. | 5 | Estonia | Educación y tecnología, diseño de entornos de aprendizaje digital e interoperabilidad en sistemas educativos |
| Hoppe, H. U. | 4 | Alemania | Analítica del aprendizaje, entornos colaborativos de aprendizaje, tecnologías educativas y modelado de conocimiento |
| Hernández- García, Á. | 4 | España | Analítica del aprendizaje, sistemas de recomendación educativa y minería de datos aplicada a la educación |
| Kashyap, A. | 4 | India | Inteligencia artificial aplicada a la educación, sistemas de aprendizaje personalizados y aprendizaje automático |
| Nayak, A. | 4 | India | Sistemas inteligentes, minería de datos e inteligencia artificial aplicada a la mejora del aprendizaje |
| Karkalas, S. | 4 | Grecia | Sistemas de aprendizaje adaptativo, analítica educativa y minería de datos en educación |
| Charlton, P. | 4 | Reino Unido | Retroalimentación y evaluación en entornos de aprendizaje, tecnologías educativas y estudios sobre el compromiso de los estudiantes |
| Conde, M. A. | 4 | España | Analítica del aprendizaje, sistemas de e-learning, evaluación y análisis de datos educativos |
| Sheridan, D. | 4 | Australia | Ontologías y sistemas de aprendizaje, analítica del aprendizaje, aprendizaje colaborativo y basado en datos |
| Gardner, L. | 4 | Australia | Tecnologías emergentes en educación, aprendizaje basado en datos y sistemas de analítica de aprendizaje |
Fuente: adaptado de Urrea-Contreras et al. (2021) y Ullah et al. (2018).
Son pocos los autores, como Laanpere y Hoppe, que destacan por su recurrencia, lo que revela la presencia de líderes en el área y una tendencia colaborativa e interdisciplinaria. El aumento sostenido en publicaciones desde 2018 y la relevancia de las conferencias reflejan el dinamismo del campo y la concentración de producción en núcleos clave de investigación.
Análisis temático
El análisis temático permitió identificar los principales enfoques conceptuales abordados en la literatura seleccionada, así como su evolución temporal y su vinculación con eventos científicos relevantes. La frecuencia de palabras clave se presenta en la tabla 5, donde se observa una alta concentración en términos como learning analytics, educational data mining, secondary education y students, lo que refleja el interés creciente por aplicar estos enfoques en niveles escolares obligatorios.
Tabla 5 Frecuencia de palabras clave
| Temáticas | Frecuencia | Temáticas | Frecuencia | Temáticas | Frecuencia |
|---|---|---|---|---|---|
| Learning analytics | 99 | Students | 24 | Predictive analytics | 14 |
| Knowledge management | 25 | Secondary education | 18 | Machine learning | 13 |
| Educational data mining | 23 | Higher education | 16 | Collaborative-learning | 9 |
Fuente: adaptado de Urrea-Contreras et al. (2021) y Ullah et al. (2018).
El análisis confirma que la analítica de aprendizaje aplicada a secundaria es el eje dominante, junto a temas emergentes como ética, privacidad y usabilidad. La incorporación de estudios recientes (Ferguson et al., 2021; Nazaretsky et al., 2022; Riordan et al., 2024; Mohseni et al., 2024) amplió la cobertura hacia enfoques de co-diseño, diseño humano-céntrico y explicabilidad.
d) Evaluación de la calidad de las publicaciones
La revisión detallada de resúmenes y artículos completos permitió identificar 25 estudios que cumplían con los criterios de relevancia temática, diversidad metodológica y pertinencia para las preguntas de investigación planteadas.
Entre ellos, se destacan trabajos que:
Proponen marcos orientados a la ética, privacidad y participación docente (Ferguson et al., 2021; Riordan et al., 2024).
Presentan experiencias de implementación o validación en escuelas reales (Nazaretsky et al., 2022; Mohseni et al., 2024).
Exploran la relación entre facilidad de uso y efectividad pedagógica.
Esto permitió identificar artículos que contribuyen de forma directa a las siguientes preguntas de investigación:
RQ1: ¿Cómo los sistemas de LA mejoran la detección oportuna en secundaria?
RQ2: ¿Cómo la facilidad de uso influye en el registro e identificación de incidencias?
Para cada artículo se consideraron los siguientes criterios (ver tabla 6):
Tabla 6 Evaluación de artículos basada en las preguntas de investigación
| Núm. | Pregunta |
|---|---|
| 1 | ¿El artículo aborda cómo los sistemas de analítica de aprendizaje facilitan la detección temprana en secundaria? |
| 2 | ¿Evalúa la efectividad de sistemas de registro académico para detectar problemas en ese nivel educativo? |
| 3 | ¿Describe herramientas de fácil uso por parte de docentes o administradores? |
| 4 | ¿Presenta ejemplos prácticos de implementación en escuelas, incluyendo barreras y desafíos? |
Fuente: adaptado de Urrea-Contreras et al. (2021) y Ullah et al. (2018).
Como resultado del proceso, se seleccionaron 25 artículos como fuentes primarias (PS), todos ellos relacionados con al menos una de las preguntas de investigación. De estos, 18 respondían directamente a la RQ1, diez a la RQ2 y cinco cumplían con ambas (ver tabla 7).
Tabla 7 Artículos seleccionados como fuentes primarias y su relación con RQ1 y RQ2
| PS | RQ1 | RQ2 | PS | RQ1 | RQ2 | PS | RQ1 | RQ2 |
|---|---|---|---|---|---|---|---|---|
| PS1 | Sí | No | PS10 | No | Sí | PS19 | Sí | No |
| PS2 | Sí | Sí | PS11 | No | Sí | PS20 | Sí | No |
| PS3 | No | Sí | PS12 | Sí | No | PS21 | Sí | No |
| PS4 | No | Sí | PS13 | No | Sí | PS22 | Sí | No |
| PS5 | Sí | No | PS14 | Sí | No | PS23 | Sí | Sí |
| PS6 | Sí | No | PS15 | No | Sí | PS24 | Sí | Sí |
| PS7 | Sí | No | PS16 | Sí | No | PS25 | Sí | Sí |
| PS8 | No | Sí | PS17 | Sí | No | - | - | - |
| PS9 | Sí | No | PS18 | Sí | Sí | - | - | - |
PS: Primary Source / RQ1: Research Question 1 / RQ2: Research Question 2
Fuente: adaptado de Urrea-Contreras et al. (2021) y Ullah et al. (2018).
Estrategia de extracción de datos
a) Datos de los estudios primarios
Para organizar la literatura, se utilizaron Scopus y Zotero. Scopus facilitó la identificación de artículos conforme a los criterios establecidos, mientras que Zotero permitió importar las citas en formato BibTeX y gestionar los metadatos. Estos se exportaron a una hoja de cálculo con información clave: tipo de publicación, año, autores, título, fuente, DOI, resumen y palabras clave. Esta organización estructurada permitió un seguimiento eficiente durante el análisis.
Adicionalmente, se integraron estudios identificados mediante revisión cruzada en las bases de datos de la conferencia LAK, enfocados en el diseño centrado en el usuario, ética y co-diseño con docentes (Ferguson et al., 2021; Nazaretsky et al., 2022; Riordan et al., 2024; Mohseni et al., 2024).
b) Proceso de extracción de datos
De cada artículo se extrajeron datos como fecha de revisión, autores, metodología, nivel educativo, técnicas utilizadas, soluciones propuestas y vinculación con las preguntas de investigación. El autor principal realizó la codificación inicial y un segundo revisor validó una muestra aleatoria para garantizar la fiabilidad del proceso. La incorporación de artículos recientes enriqueció las categorías analizadas y favoreció la comparación entre enfoques.
c) Almacenamiento de datos
Los metadatos y resultados del análisis se almacenaron mediante Zotero y se respaldaron en un repositorio privado de Google Drive, con controles básicos de acceso. Se emplearon plantillas estructuradas en Excel para sistematizar la información y facilitar su análisis temático y bibliométrico.
Síntesis de datos
La síntesis se fundamentó en dos marcos metodológicos: la Perspectiva 1 (Urrea-Contreras et al., 2021), basada en diez criterios de calidad (ver tabla 8); y la Perspectiva 2 (Ullah et al., 2018), orientada a la alineación con las preguntas de investigación. La integración de estudios recientes permitió reforzar aspectos como ética, co-diseño y aplicabilidad contextual en secundaria.
Tabla 8 Criterios de calidad
| Núm. | Criterio |
|---|---|
| C1 | ¿El objetivo de la investigación está suficientemente explicado y bien motivado? |
| C2 | ¿El contexto del estudio está claramente establecido? |
| C3 | ¿El diseño de la investigación está suficientemente preparado? |
| C4 | ¿Se describe adecuadamente la recopilación de datos para responder a la pregunta 1? |
| C5 | ¿Se describe adecuadamente la recopilación de datos para responder a la pregunta 2? |
| C6 | ¿Se describe adecuadamente el análisis de datos utilizado en el estudio? |
| C7 | ¿Se describe claramente la interpretación de las evidencias? |
| C8 | ¿Se consideran y discuten posibles explicaciones alternativas en el análisis? |
| C9 | ¿Los hallazgos del estudio están claramente establecidos y respaldados por los resultados? |
| C10 | ¿El artículo analiza las limitaciones o la validez? |
Fuente: criterios de calidad tomados de Urrea-Contreras et al. (2021).
La evaluación de los 25 estudios primarios mostró puntuaciones de 9 o 10 puntos, con fortalezas destacadas en los criterios de objetivos, contexto, diseño y hallazgos, y mejoras en la consideración de explicaciones alternativas gracias a las publicaciones más recientes (ver tabla 9).
Tabla 9 Resultados de la evaluación de criterios
| PS/CRITERIO | C1 | C2 | C3 | C4 | C5 | C6 | C7 | C8 | C9 | C10 | TOTAL |
|---|---|---|---|---|---|---|---|---|---|---|---|
| PS1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS4 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS5 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS6 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS7 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS8 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 10 |
| PS9 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 10 |
| PS10 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS11 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS12 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS13 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS14 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS15 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS16 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 10 |
| PS17 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS18 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS19 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 9 |
| PS20 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 10 |
| PS21 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 10 |
| PS22 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 10 |
| PS23 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 10 |
| PS24 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 10 |
| PS25 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 10 |
Fuente: adaptado de Urrea-Contreras et al. (2021) y Ullah et al. (2018).
La Perspectiva 2 aplicó un análisis de contenido orientado a las preguntas RQ1 y RQ2, considerando cuatro criterios adaptados a este estudio (ver tabla 10).
Tabla 10 Criterios de calidad - Perspectiva 2
| Núm. | Criterio |
|---|---|
| C1 | ¿El artículo aborda cómo los sistemas de analítica de aprendizaje facilitan la detección temprana de problemas de aprendizaje en estudiantes de secundaria? |
| C2 | ¿Evalúa el estudio la efectividad de los sistemas de registro académico en la identificación oportuna de problemas académicos en entornos de secundaria? |
| C3 | ¿Se describen en el artículo sistemas de fácil uso por parte de profesores o administradores para registrar incidencias académicas que ayuden a identificar problemas de aprendizaje? |
| C4 | ¿Presenta el estudio ejemplos prácticos de implementación de sistemas de analítica de aprendizaje en escuelas secundarias, incluyendo los desafíos o barreras que enfrenta su adopción? |
Fuente: adaptado de Urrea-Contreras et al. (2021) y Ullah et al. (2018).
Solo cinco estudios cumplieron completamente con los criterios, mientras que el resto mostró cumplimiento parcial o nulo, evidenciando la necesidad de más investigaciones centradas en secundaria. La evaluación se clasificó en tres niveles: Sí (sí cumple), PAR (cumple parcialmente) y No (no cumple). La tabla 11 presentan los resultados obtenidos.
Tabla 11 Resultados de la evaluación de criterios - Perspectiva 2
| PS/CRITERIO | C1 | C2 | C3 | C4 | Sí | PAR | No |
|---|---|---|---|---|---|---|---|
| PS1 | PAR | PAR | Sí | Sí | 2 | 2 | 0 |
| PS2 | No | No | No | No | 0 | 0 | 4 |
| PS3 | No | No | No | No | 0 | 0 | 4 |
| PS4 | No | No | No | No | 0 | 0 | 4 |
| PS5 | No | No | PAR | No | 0 | 1 | 3 |
| PS6 | PAR | Sí | Sí | Sí | 3 | 1 | 0 |
| PS7 | No | No | PAR | No | 0 | 1 | 3 |
| PS8 | No | No | PAR | No | 0 | 1 | 3 |
| PS9 | No | No | PAR | No | 0 | 1 | 3 |
| PS10 | PAR | No | No | PAR | 0 | 2 | 2 |
| PS11 | No | No | PAR | No | 0 | 1 | 3 |
| PS12 | No | No | No | No | 0 | 0 | 4 |
| PS13 | PAR | Sí | Sí | Sí | 3 | 1 | 0 |
| PS14 | PAR | No | PAR | Sí | 1 | 2 | 1 |
| PS15 | No | No | No | No | 0 | 0 | 4 |
| PS16 | No | No | No | No | 0 | 0 | 4 |
| PS17 | PAR | PAR | No | No | 0 | 2 | 2 |
| PS18 | PAR | PAR | Sí | Sí | 2 | 2 | 0 |
| PS19 | No | No | No | No | 0 | 0 | 4 |
| PS20 | No | No | Sí | No | 1 | 0 | 3 |
| PS21 | No | No | No | No | 0 | 0 | 4 |
| PS22 | PAR | PAR | Sí | Sí | 2 | 2 | 0 |
| PS23 | Sí | Sí | Sí | Sí | 4 | 0 | 0 |
| PS24 | Sí | Sí | Sí | Sí | 4 | 0 | 0 |
| PS25 | Sí | Sí | Sí | Sí | 4 | 0 | 0 |
Fuente: adaptado de Urrea-Contreras et al. (2021) y Ullah et al. (2018).
Se seleccionaron 25 estudios primarios (ver tabla 12) de un total de 119, conforme a marcos de calidad y su pertinencia con las preguntas de investigación. La muestra incluye estudios recientes que abordan ética, validación contextual y co-diseño docente (Ferguson et al., 2021; Nazaretsky et al., 2022; Riordan et al., 2024).
Tabla 12 Lista de estudios primarios obtenidos en la revisión sistemática
| PS | Autor | Título | Publicación | Año |
|---|---|---|---|---|
| PS1 | Wiley, K. et al. | A human-centred learning analytics approach for developing contextually scalable K-12 teacher dashboards | Revista | 2024 |
| PS2 | Hugerth, M. W. et al. | “I Should, but I don’t Feel Like It”: Overcoming Obstacles in Upper Secondary Students’ Self-Regulation using Learning Analytics | Revista | 2023 |
| PS3 | Bhatt, P. & Muduli, A. | Artificial intelligence in learning and development: a systematic literature review | Revista | 2023 |
| PS4 | Nguyen, A et al. | Building an ontology of learning analytics | Conferencia | 2018 |
| PS5 | Civit, M. et al. | Class integration of ChatGPT and learning analytics for higher education | Revista | 2024 |
| PS6 | Bayer, V. et al. | Co-creating an equality diversity and inclusion learning analytics dashboard for addressing awarding gaps in higher education | Revista | 2024 |
| PS7 | Mohseni, Z. et al. | Co-Developing an Easy-to-Use Learning Analytics Dashboard for Teachers in Primary/Secondary Education: A Human-Centered Design Approach | Revista | 2023 |
| PS8 | Bin, L. | Cognitive Web Service-Based Learning Analytics in Education Systems Using Big Data Analytics | Revista | 2023 |
| PS9 | Martens, M. et al. | Datafication and algorithmization of education: How do parents and students evaluate the appropriateness of learning analytics? | Revista | 2024 |
| PS10 | Hernández-García, A. & Conde, M. A. | Dealing with complexity: Educational data and tools for learning analytics | Conferencia | 2014 |
| PS11 | Possaghi, I. | Designing Emerging Technology-Supported Learning Activities Based on the DT Approach for K-12 Users | Revista | 2023 |
| PS12 | Villagrán, I. et al. | Enhancing Feedback Uptake and Self-Regulated Learning in Procedural Skills Training: Design and Evaluation of a Learning Analytics Dashboard | Revista | 2024 |
| PS13 | Pereira, F. D. et al. | Explaining Individual and Collective Programming Students’ Behavior by Interpreting a Black-Box Predictive Model | Revista | 2021 |
| PS14 | Karademir, O. et al. | I don’t have time! But keep me in the loop: Co-designing requirements for a learning analytics cockpit with teachers | Revista | 2024 |
| PS15 | Ma, Y. et al. | Investigating Multimodal Predictors of Peer Satisfaction for Collaborative Coding in Middle School | Conferencia | 2022 |
| PS16 | Alam, M. I. et al. | Investigating the impact of a gamified learning analytics dashboard: Student experiences and academic achievement | Revista | 2023 |
| PS17 | Paulsen, L. & Lindsay, E. | Learning analytics dashboards are increasingly becoming about learning and not just analytics - A systematic review | Revista | 2024 |
| PS18 | Khulbe, M. & Tammets, K. | Mediating Teacher Professional Learning with a Learning Analytics Dashboard and Training Intervention | Revista | 2023 |
| PS19 | Henríquez, V. et al. | The impact of an academic counselling learning analytics tool: Evidence from 3 years of use | Revista | 2024 |
| PS20 | Lewis, S. et al. | The Role of Technology-Mediated Feedback Pre-and Post COVID-19: A Case Study of First-Year Communication Students | Revista | 2024 |
| PS21 | Sun, D. et al. | Using multimodal learning analytics to understand effects of block-based and text-based modalities on computer programming | Revista | 2024 |
| PS22 | Mohseni, Z. A. et al. | Visual Learning Analytics for Educational Interventions in Primary and Secondary Schools: A Scoping Review | Revista | 2024 |
| PS23 | Ahn, J. et al. | Co-Designing for Privacy, Transparency, and Trust in K-12 Learning Analytics | Conferencia | 2021 |
| PS24 | Nazaretsky, T. et al. | Empowering Teachers with AI: Co-Designing a Learning Analytics Tool for Personalized Instruction | Conferencia | 2022 |
| PS25 | Riordan, A. et al. | SLADE: A Method for Designing Human-Centred Learning Analytics Systems | Conferencia | 2024 |
Fuente: adaptado de Urrea-Contreras et al. (2021) y Ullah et al. (2018).
DISCUSIÓN
El análisis bibliométrico muestra un crecimiento sostenido en publicaciones sobre analítica de aprendizaje desde 2020, impulsado por tecnologías emergentes como la inteligencia artificial. No obstante, su aplicación en secundaria sigue siendo limitada, lo que evidencia una brecha en la literatura. El predominio de artículos en conferencias (86 publicaciones) confirma que las innovaciones en el campo se difunden inicialmente en estos foros, consolidándose luego en revistas como el British Journal of Educational Technology o eventos como LAK y ACM ICER, que se han convertido en núcleos de referencia para el avance del área.
El análisis temático mostró que, aunque conceptos como students y secondary education han ganado presencia, siguen siendo secundarios frente a enfoques centrados en higher education y predictive analytics. Esto subraya la urgencia de producir conocimiento empírico más aplicable al nivel básico, con atención a los desafíos propios del entorno escolar.
Los hallazgos de esta revisión sugieren que, si bien existen propuestas de valor, su generalización en secundaria es limitada. Tal como advierten Ahn et al. (2021) y Ferguson et al. (2021), la adopción de sistemas de LA en K-12 depende de factores como la privacidad, la transparencia y el co-diseño con docentes. En esta línea, estudios como los de Nazaretsky et al. (2022) y Riordan et al. (2024) ofrecen marcos y metodologías que permiten diseñar soluciones adaptadas, confiables y pedagógicamente significativas.
Khalil et al. (2022) destacan la falta de marcos éticos robustos, mientras que Mohseni et al. (2024) identifican limitaciones en la validación de herramientas visuales para secundaria. Por su parte, Brooker y Fernandez exploran narrativas visuales como estrategias para superar la barrera interpretativa de dashboards complejos. Estas aproximaciones coinciden en que la efectividad de las herramientas depende de su contextualización, explicabilidad y facilidad de uso.
Metodológicamente, esta revisión se apoyó en los marcos de Urrea-Contreras et al. (2021) y Ullah et al. (2018). La Perspectiva 1 permitió evaluar la calidad formal de los estudios, mientras que la Perspectiva 2 facilitó el análisis de su pertinencia temática. Se identificó que muchos artículos cumplen parcialmente con las preguntas de investigación, siendo escasos los que abordan de manera integral los retos específicos de la educación secundaria.
La inclusión de estudios recientes (Ahn et al., 2021; Nazaretsky et al., 2022; Riordan et al., 2024) aportó evidencia actualizada y fundamentación conceptual para enriquecer la revisión. Como muestra la tabla 13, estos trabajos permiten identificar enfoques viables para mejorar la detección de problemas de aprendizaje y facilitar el uso de sistemas por parte de docentes de secundaria.
Tabla 13 Tabla de relación con las preguntas de investigación
| Estudio | ¿Cómo puede un sistema de LA mejorar la detección oportuna de problemas en secundaria? (RQ1) | ¿Cómo influye la facilidad de uso en el registro de incidencias académicas? (RQ2) |
|---|---|---|
| Ahn et al. (2021) | Sí. Explora cómo la transparencia y el co-diseño promueven la confianza y la adopción en K-12 | Sí. Aborda la necesidad de herramientas claras y comprensibles para docentes |
| Nazaretsky et al. (2022) | Sí. Propone un sistema co-diseñado que apoya la instrucción personalizada mediante LA | Sí. Diseña interfaces explicativas y centradas en el usuario |
| Khalil et al. (2022) | Parcial. Revisión de marcos, enfatiza la importancia de la contextualización | Parcial. Aborda el diseño, pero no evalúa directamente la facilidad de uso |
| Mohseni et al. (2024) | Sí. Revisión de VLA, identifica beneficios y limitaciones en primaria/secundaria | Parcial. Describe visualizaciones útiles, pero sin evaluar usabilidad directa |
| Riordan et al. (2024) | Sí. SLADE propone diseño equilibrado para LA confiable y útil | Sí. Considera el balance entre automatización y control humano |
| Fernandez et al. (2022) | Sí. Explora narrativas visuales como apoyo a la interpretación de datos | Sí. Diseña alternativas de visualización más comprensibles |
Fuente: Adaptado de Urrea-Contreras et al. (2021) y Ullah Khan et al. (2018).
En conjunto, la discusión evidencia que, si bien el campo está en expansión, aún se requiere avanzar hacia sistemas empíricamente validados, diseñados desde el aula y con principios éticos claros. La carencia de estudios centrados en secundaria no solo representa una limitación, sino una oportunidad estratégica para futuras investigaciones que articulen tecnología, pedagogía y participación docente.
CONCLUSIONES
Este estudio confirma el creciente interés de la comunidad académica en la analítica de aprendizaje desde 2020, particularmente en el uso de tecnologías como la inteligencia artificial para mejorar la personalización del aprendizaje y la toma de decisiones pedagógicas. Sin embargo, la mayoría de los desarrollos se enfocan en educación superior, evidenciando una brecha en su aplicación a la educación secundaria.
Respecto a la primera pregunta de investigación (RQ1), los resultados indican que los sistemas de LA tienen potencial para apoyar la detección temprana de problemas académicos, aunque su adopción en secundaria aún es limitada. En relación con la RQ2, se valora la facilidad de uso como un factor clave para la apropiación docente, pero persiste la necesidad de estudios empíricos en contextos escolares reales.
La incorporación de literatura reciente (Ahn et al., 2021; Nazaretsky et al., 2022; Riordan et al., 2024) permitió fortalecer el marco teórico y señalar tendencias emergentes como el co-diseño, el diseño centrado en el docente y las estrategias de visualización narrativa (Fernandez et al., 2022). Estas líneas sugieren que el diseño ético y contextualizado de dashboards es esencial para garantizar su utilidad pedagógica.
Se recomienda que futuras investigaciones desarrollen y validen herramientas específicas para secundaria, integrando principios de explicabilidad, ética y participación docente, con énfasis en la evaluación de impacto en el aula. De esta manera, será posible avanzar hacia soluciones sostenibles y significativas para la mejora del aprendizaje en este nivel educativo.
