Personalización del Aprendizaje mediante Ciencia de Datos: Estrategias y Aplicaciones en la Educación Superior
DOI:
https://doi.org/10.70625/rlce/71Palabras clave:
Ciencia de datos, Personalización del aprendizaje, Educación superior, Analíticas de aprendizajeResumen
Este estudio analiza el impacto de la ciencia de datos en la educación, destacando su capacidad para personalizar las experiencias de aprendizaje, se orienta a explorar el impacto de las herramientas como la minería de datos, el aprendizaje automático y las analíticas de aprendizaje en las necesidades individuales, anticipar desafíos y optimizar procesos educativos en un marco ético que garantice la privacidad. Se adopta un enfoque documental, recopilando y analizando literatura científica y técnica publicada entre 2015 y 2023. Las fuentes incluyen bases de datos como Scopus, Google Scholar y ResearchGate. Los hallazgos fundamentan que el uso de dashboards personalizados y sistemas de tutoría inteligente mejoran el compromiso estudiantil y la efectividad docente. Además, herramientas predictivas permiten identificar patrones de deserción con alta precisión, diseñando políticas proactivas que fomentan la retención. Se concluye que la ciencia de datos representa una herramienta transformadora para personalizar la educación superior, optimiza el aprendizaje y promueve una planificación más eficiente. A pesar de los retos éticos, su implementación adecuada puede impulsar una educación más inclusiva y efectiva, equilibrando el avance tecnológico con la protección de los derechos estudiantiles.
Referencias
Akyuz, Y. (2020). Effects of Intelligent Tutoring Systems (ITS) on Personalized Learning (PL). Creative Education, 11(6), Article 6. https://doi.org/10.4236/ce.2020.116069
Bernal, N. C., & Prados, M. Á. H. (2024). Impacto de los sistemas de tutoría inteligente. Una revisión sistemática. Edutec, Revista Electrónica de Tecnología Educativa, 89, Article 89. https://doi.org/10.21556/edutec.2024.89.3025
Cabero, J., & Martínez, A. (2019). Las tecnologías de la información y comunicación y la formación inicial de los docentes: Modelos y competencias digitales. https://doi.org/10.30827/profesorado.v23i3.9421
Cerro Martínez, J. P., Guitert Catasús, M., & Romeu Fontanillas, T. (2020). Impact of using learning analytics in asynchronous online discussions in higher education. International Journal of Educational Technology in Higher Education, 17(1), 39. https://doi.org/10.1186/s41239-020-00217-y
Escobar, B. R. P., Salazar, C. A. H., Samekash, M. L. W., & Medina, J. L. R. (2022). Estilos de aprendizaje y rendimiento académico en el área de comunicación con enfoque de sistemas. Revista de Ciencias Sociales (Ve), 28(5), 48-62. https://www.redalyc.org/journal/280/28071845004/html/
Guevara Patiño, R. (2016). El estado del arte en la investigación: ¿análisis de los conocimientos acumulados o indagación por nuevos sentidos? Revista Folios, 1(44), 165-179. https://doi.org/10.17227/01234870.44folios165.179
Huo, H., Cui, J., Hein, S., Padgett, Z., Ossolinski, M., Raim, R., & Zhang, J. (2023). Predicting Dropout for Nontraditional Undergraduate Students: A Machine Learning Approach. Journal of College Student Retention: Research, Theory & Practice, 24(4), 1054-1077. https://doi.org/10.1177/1521025120963821
Khalil, M., & Ebner, M. (2015). Learning Analytics: Principles and Constraints. 1789-1799. https://www.learntechlib.org/primary/p/151455/
Lescano-Veloz, A., Amaiquema-Gil, S., Reigosa-Lara, A., & Tobar-Farias, G. (2024). Integración de Tecnologías Digitales Emergentes para Mejorar el Proceso de Enseñanza-Aprendizaje en la Asignatura de Robótica en la Formación Tecnológica. MQRInvestigar, 8, 247-274. https://doi.org/10.56048/MQR20225.8.4.2024.247-274
Márquez-Vera, C., Cano, A., Romero, C., Noaman, A. Y. M., Mousa Fardoun, H., & Ventura, S. (2016). Early dropout prediction using data mining: A case study with high school students. Expert Systems, 33(1), 107-124. https://doi.org/10.1111/exsy.12135
Martínez Monés, A., Dimitriadis Damoulis, I., Acquila Natale, E., Álvarez, A., Caeiro Rodríguez, M., Cobos Pérez, R., Conde González, M. Á., García Peñalvo, F. J., Hernández Leo, D., Menchaca Sierra, I., Muñoz Merino, P. J., Ros, S., & Sancho Vinuesa, T. (2020). Achievements and challenges in learning analytics in Spain: The view of SNOLA. RIED. Revista Iberoamericana de Educación a Distancia, 23(2), 187. https://doi.org/10.5944/ried.23.2.26541
Norambuena, J. M., Badilla-Quintana, M. G., & Angulo, Y. L. (2022). Modelos predictivos basados en uso de analíticas de aprendizaje en educación superior: Una revisión sistemática. Texto livre, 15. https://www.redalyc.org/journal/5771/577170677011/html/
Orihuela Maita, G. Y. (2019). Aplicación de Data Science para la predicción del rendimiento académico de los estudiantes de la Facultad de Ingeniería de Sistemas de la Universidad Nacional del Centro del Perú [Tesis de Pregrado, Universidad Nacional del Centro del Perú]. http://repositorio.uncp.edu.pe/handle/20.500.12894/5837
Reyes, L., & Carmona, F. A. (2020). La investigación documental para la comprensión ontológica del objeto de estudio. https://bonga.unisimon.edu.co/handle/20.500.12442/6630
Teran-Pazmiño, E., Cadena-Morales, L., González-González, Lady, Guamán-Sánchez, N., & León-Flores, M. (2024). Tecnología y Personalización del Aprendizaje. Revista Científica Retos de la Ciencia, 1, 115-129. https://doi.org/10.53877/rc.8.19e.202409.10
Vázquez-Ingelmo, A., García-Peñalvo, F. J., & Therón, R. (2021). Towards a Technological Ecosystem to Provide Information Dashboards as a Service: A Dynamic Proposal for Supplying Dashboards Adapted to Specific Scenarios. Applied Sciences, 11(7), Article 7. https://doi.org/10.3390/app11073249
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Revista Latinoamericana de Calidad Educativa
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
