Descripción
El presente trabajo tiene como objetivo caracterizar los perfiles de aprendizaje de estudiantes del Taller de Metodología de la Investigación en Administración mediante la aplicación de modelos de machine learning, con el propósito de diseñar estrategias didácticas adaptativas que favorezcan el aprendizaje significativo en el ámbito universitario. En el contexto de transformación de la educación superior y de expansión de la inteligencia artificial en los procesos educativos, la analítica de aprendizaje y la minería de datos educativos se consolidan como enfoques clave para comprender las trayectorias académicas y optimizar los procesos de enseñanza y aprendizaje. Desde el marco teórico, el estudio se apoya en desarrollos recientes que conceptualizan la analítica educativa como un campo orientado a la toma de decisiones basada en datos, capaz de identificar patrones de comportamiento, predecir el rendimiento académico y mejorar la personalización del aprendizaje (Romero y Ventura, 2020; Romero y Ventura, 2024). Asimismo, se incorporan aportes actuales que destacan la integración de técnicas avanzadas de machine learning en entornos educativos para analizar grandes volúmenes de datos y generar recomendaciones pedagógicas orientadas a mejorar los resultados de aprendizaje (Cerezo, 2024; Lampropoulos, 2025). En este sentido, la analítica de aprendizaje permite transformar datos educativos en conocimiento accionable, facilitando intervenciones pedagógicas más precisas y oportunas en contextos universitarios complejos. Metodológicamente, se adopta un enfoque cuantitativo basado en analítica de datos, combinando técnicas de aprendizaje supervisado y no supervisado —como árboles de decisión, análisis de correspondencias y clustering— aplicadas sobre una base de datos construida a partir de registros académicos, interacciones en entornos virtuales de aprendizaje y resultados de evaluaciones. A partir de este análisis, se identifican perfiles diferenciados de estudiantes en función de su desempeño, participación y estrategias de estudio, lo que permite reconocer patrones de comportamiento académico y niveles de autonomía en el aprendizaje. Como resultado, se propone un modelo de intervención didáctica adaptativa que incluye el diseño de actividades diferenciadas, secuencias de aprendizaje personalizadas y estrategias de acompañamiento docente basadas en evidencia, contribuyendo a mejorar el rendimiento académico, la retención estudiantil y la calidad de los procesos de enseñanza-aprendizaje. El trabajo se inscribe en los debates actuales sobre el impacto de la inteligencia artificial en la educación superior, aportando evidencia empírica para el diseño de prácticas pedagógicas innovadoras, inclusivas y centradas en el estudiante.
Palabras clave:
ANALÍTICA DE APRENDIZAJE, MACHINE LEARNING, EDUCACIÓN SUPERIOR, DATA-DRIVEN EDUCATION
