Learning analytics: predecir el éxito sin encasillar a los alumnos

Cada interacción con una plataforma de aprendizaje deja un rastro: tiempo dedicado, ejercicios intentados, errores recurrentes. La learning analytics transforma esos rastros en información accionable: detectar a un alumno con dificultades antes del fracaso, ajustar un curso, personalizar el acompañamiento. La promesa es potente; las trampas éticas, otro tanto.

Predecir para actuar: los sistemas de alerta temprana

Los sistemas de alerta temprana combinan datos de plataforma y modelos predictivos para señalar a los estudiantes en riesgo. Trabajos recientes muestran ciclos completos de «predecir, intervenir y evaluar» que asocian la predicción algorítmica con redes de apoyo humano ^[1], y modelos de riesgo de abandono a partir de la actividad en línea ^[2]. Algunos conjuntos de datos abiertos, como el OULAD (más de 32 000 estudiantes), estandarizan la investigación y la identificación temprana ^[3].

La trampa de las variables estáticas

Un riesgo importante acecha a estos modelos: apoyarse en características estáticas en lugar de en el aprendizaje real. Un estudio muestra que las variables demográficas pueden dominar las predicciones de riesgo (hasta cerca de dos tercios de la importancia), lo que permite una detección temprana, pero amenaza con perpetuar las desigualdades cuando la demografía hace de proxy de barreras sistémicas ^[4]. Predecir que un alumno de cierto perfil fracasará no es un diagnóstico: es un espejo de los sesgos del pasado.

Ética, transparencia y consentimiento

La comunidad de la learning analytics se toma en serio estos desafíos. Diversos marcos de «IA responsable» proponen principios operativos —transparencia, equidad, rendición de cuentas— para evitar apoyos desiguales según los grupos ^[5]. Trabajos centrados en los estudiantes muestran que estos ven la transparencia como algo que hay que cultivar de forma activa, y abogan por un consentimiento continuo y medible en lugar de binario ^[6]. La conferencia LAK, escaparate del campo, sitúa ya el uso responsable de los datos en primer plano ^[7].

• Acompañar toda predicción de una intervención humana atenta.
• Auditar los modelos para evitar que la demografía se convierta en un destino.
• Hacer explicables los criterios y revisable el consentimiento.
• Evaluar el impacto real sobre el éxito, no solo la precisión del modelo.

Un modelo que predice el fracaso sin ayudar a evitarlo no analiza el aprendizaje: lo juzga.

Síntesis Learnya

La learning analytics maneja por naturaleza datos personales sensibles; su legitimidad se sostiene sobre una gobernanza estricta, un imperativo reforzado en el contexto europeo y suizo. Bien encuadrada, ayuda a actuar pronto y a repartir mejor la atención; mal encuadrada, vigila y encierra.

Predicción, correlación, causalidad: no confundir

Un modelo predictivo detecta regularidades, no causas. Saber que un conjunto de señales anuncia un riesgo de abandono no explica por qué, ni qué hay que hacer. Confundir correlación y causalidad puede llevar a intervenciones inútiles, incluso contraproducentes; por ejemplo, apuntar a un alumno por su perfil en lugar de por sus dificultades reales. El valor de un sistema de alerta reside en la pertinencia de la acción que desencadena, no en su sola precisión estadística ^[1].

El peligro mejor documentado es la profecía autocumplida. Si las variables estáticas dominan la predicción ^[4], el sistema corre el riesgo de etiquetar de forma duradera a ciertos alumnos, orientando la atención y los recursos de una manera que confirma el pronóstico. Un panel que muestra un «riesgo» sin contexto puede así influir en la mirada del docente y en la autoestima del alumno. La transparencia sobre lo que el modelo mide —y lo que no mide— es esencial.

Por eso la comunidad desplaza la exigencia desde el rendimiento hacia la responsabilidad: equidad, rendición de cuentas, consentimiento continuo y revisable ^[5][6]. Como los datos de aprendizaje son intrínsecamente personales y sensibles, su explotación exige una gobernanza estricta y una finalidad claramente al servicio del estudiante. Bien gobernada, la learning analytics ayuda a actuar pronto y con acierto; mal gobernada, se convierte en una herramienta de vigilancia que juzga en lugar de ayudar.

Del análisis a la acción acertada

El valor de la learning analytics no se mide por la sofisticación de sus modelos, sino por la calidad de las decisiones humanas que ilumina. Un panel solo tiene sentido si desencadena una acción atenta y pertinente: una conversación, un apoyo, una adaptación. Sin ese bucle, el dato sigue siendo una observación estéril, en el mejor de los casos inútil, en el peor estigmatizante.

La evolución responsable del campo pasará por más transparencia para los estudiantes, un consentimiento realmente revisable y auditorías de sesgos sistemáticas. El dato de aprendizaje pertenece ante todo al alumno; analizarlo es un servicio que se le presta, no una vigilancia que se le impone. Manteniendo ese principio en el centro, y controlando la gobernanza de los datos, la analítica del aprendizaje cumplirá sus promesas sin traicionar la confianza.