Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 79
Analítica de aprendizaje para mejorar el rendimiento
académico en estudiantes de secundaria
Learning analytics to improve academic performance among high
school students
Morán-Castillo, Gabriela Geovanna
1
Zamora-Moreno, Zule Fidela
2
https://orcid.org/0009-0003-3149-7777
https://orcid.org/0009-0004-3588-8158
geovanna.moran@docentes.educacion.edu.ec
zule.zamora@docentes.educacion.edu.ec
Unidad Educativa Ventanas, Ecuador, Ventanas.
Unidad Educativa Ventanas, Ecuador, Ventanas.
Jimenez-Villares, Ana Marina
3
Zamora-Moreno, Ana Bertha
4
https://orcid.org/0009-0007-0309-9172
https://orcid.org/0009-0002-1671-7455
marina.jimenez@docentes.educación.edu.ec
ana.zamora@docentes.educacion.edu.ec
Unidad Educativa Ventanas, Ecuador, Ventanas.
Unidad Educativa Seis de Octubre, Ecuador,
Ventanas.
Vera-Flores, Sulma Cecilia
5
https://orcid.org/0009-0005-7093-0400
Sulma.vera@docentes.educacion.ec
Unidad Educativa Humberto Moreira Márquez,
Ecuador, Ventanas.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v4/n2/182
Resumen: En la educación secundaria, el rendimiento
académico suele analizarse de forma tardía y fragmentada, lo
que limita la detección oportuna de dificultades y la toma de
decisiones pedagógicas efectivas. Frente a ello, el estudio
tuvo como objetivo analizar críticamente cómo la analítica de
aprendizaje puede contribuir a mejorar el desempeño escolar
de los estudiantes de este nivel. Metodológicamente, se
desarrolló una revisión bibliográfica exploratoria, descriptiva y
analítica, basada en la búsqueda, selección y síntesis de
literatura académica especializada. Los resultados muestran
que la analítica de aprendizaje aporta principalmente en tres
aspectos: la detección temprana de estudiantes en riesgo, la
comprensión de la relación entre participación digital,
compromiso y rendimiento, y la personalización de la
enseñanza mediante datos. La discusión evidencia que estas
ventajas no dependen solo de la tecnología, sino también de
la interpretación pedagógica de los datos, de la alfabetización
docente y de condiciones éticas e institucionales adecuadas.
En conclusión, la analítica de aprendizaje puede fortalecer el
rendimiento académico en secundaria, siempre que se utilice
como apoyo al juicio docente y no como una solución
automática o descontextualizada.
Palabras clave: Analítica, rendimiento, secundaria,
aprendizaje, compromiso.
Artículo Científico
Received: 28/Feb/2026
Accepted: 25/Mar/2026
Published: 16/Abr/2026
Cita: Morán-Castillo, G. G., Zamora-Moreno,
Z. F., Jimenez-Villares, A. M., Zamora-Moreno,
A. B., & Vera-Flores, S. C. (2026). Analítica de
aprendizaje para mejorar el rendimiento
académico en estudiantes de
secundaria. Revista Científica Ciencia Y
Método, 4(2), 79-
95. https://doi.org/10.55813/gaea/rcym/v4/n2/
182
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2026. Este artículo es un documento de
acceso abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 80
Artículo Científico
Abril – Junio 2026
Abstract:
In secondary education, academic performance is often analyzed too late and in a
fragmented manner, which limits the timely identification of difficulties and the
implementation of effective pedagogical decisions. In light of this, the study aimed to
critically analyze how learning analytics can contribute to improving the academic
performance of students at this level. Methodologically, an exploratory, descriptive,
and analytical literature review was conducted, based on the search, selection, and
synthesis of specialized academic literature. The results show that learning analytics
contributes primarily in three areas: the early detection of at-risk students, the
understanding of the relationship between digital engagement, commitment, and
performance, and the personalization of teaching through data. The discussion
highlights that these benefits depend not only on technology but also on the
pedagogical interpretation of data, teacher literacy, and appropriate ethical and
institutional conditions. In conclusion, learning analytics can enhance academic
performance in secondary school, provided it is used to support teacher judgment and
not as an automatic or decontextualized solution.
Keywords: Analytics, performance, high school, learning, engagement.
1. Introducción
La analítica de aprendizaje se ha consolidado como un campo orientado a medir,
recopilar, analizar y reportar datos sobre los estudiantes y sus contextos para
comprender y optimizar el aprendizaje. Este giro resulta especialmente pertinente en
secundaria, donde la intensificación de las demandas curriculares, la expansión de
plataformas y recursos digitales y la necesidad de intervenciones oportunas convierten
a las huellas de interacción en una fuente potencial de información pedagógica. No
obstante, aunque el campo creció con rapidez y comenzó a abrirse a escenarios
preuniversitarios, buena parte de su desarrollo inicial y de sus marcos de validación
provino de la educación superior, por lo que trasladar sus supuestos al nivel
secundario exige cautela conceptual y empírica (Ferguson, 2012; de Sousa et al.,
2021).
Además, el rendimiento académico en secundaria no depende únicamente del
resultado final de una prueba, sino de procesos observables como la participación, la
persistencia, la autorregulación, la respuesta a la retroalimentación y los patrones de
compromiso con las tareas, dimensiones que la analítica de aprendizaje puede
aproximar mediante registros digitales. La revisión de Johar et al. (2023) muestra que
el compromiso estudiantil es un constructo multidimensional cuya medición mediante
analítica todavía requiere mayor integración, mientras que la revisión de de Sousa et
al. (2021) identifica en secundaria un claro interés por predecir resultados, detectar
dificultades tempranas y apoyar decisiones pedagógicas. En consecuencia, cuando
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 81
Artículo Científico
Abril – Junio 2026
estos factores no se reconocen a tiempo, la intervención docente tiende a ser reactiva,
menos personalizada y con menor capacidad de seguimiento sostenido (Johar et al.,
2023; de Sousa et al., 2021; van Leeuwen et al., 2022).
Sin embargo, la evidencia disponible todavía presenta limitaciones sustantivas. En la
revisión de 252 estudios en educación superior, Viberg et al. (2018) concluyeron que
predominaban los enfoques descriptivos y que existía poca evidencia de mejoras en
las prácticas de aprendizaje, mientras que la revisión sistemática sobre secundaria de
de Sousa et al. (2021) mostró que las aplicaciones seguían concentradas en iniciativas
de pequeña escala más que en adopciones institucionales. En la misma línea, la
metasíntesis de Paolucci et al. (2024) identificó beneficios potenciales para la
personalización, la equidad instruccional y la evaluación para el aprendizaje en PK-
12, pero también subrayó que persisten dudas por la falta de pruebas robustas sobre
resultados y por el riesgo de interpretaciones pedagógicas simplificadas. Esta brecha
importa porque impide discernir qué usos de la analítica realmente contribuyen al
rendimiento y cuáles solo amplifican lógicas de monitoreo sin traducción didáctica
(Viberg et al., 2018; de Sousa et al., 2021; Paolucci et al., 2024).
Por otra parte, en secundaria la discusión no puede reducirse a la eficacia técnica, ya
que las decisiones basadas en datos involucran privacidad, consentimiento,
vulnerabilidad y agencia de estudiantes que, en muchos casos, aún son menores de
edad. Hoel y Chen (2018) advierten que la protección de datos constituye un obstáculo
central para cualquier futuro educativo guiado por datos, mientras que Beerwinkle
(2021) sostiene que el uso de analítica en entornos K-12 puede generar daño si las
instituciones no establecen marcos claros de supervisión y evaluación ética. De ahí
que la pertinencia de revisar este tema no sea solo instrumental, sino también social
y teórica: importa discutir bajo qué condiciones la analítica de aprendizaje puede
mejorar el rendimiento sin normalizar prácticas opacas, y cómo su diseño debe
complementar, antes que sustituir, el juicio pedagógico de docentes y estudiantes
(Hoel & Chen, 2018; Beerwinkle, 2021; van Leeuwen et al., 2022).
En este sentido, la viabilidad de una revisión bibliográfica es alta, dado que el campo
ya dispone de revisiones, estudios empíricos y marcos conceptuales suficientes para
construir un mapa crítico del problema sin requerir intervención directa sobre
estudiantes ni tratamiento de datos sensibles. A la vez, la literatura indica que la
utilidad real de la analítica depende de capacidades humanas e institucionales, en
especial de la alfabetización en datos del profesorado para convertir información en
decisiones pedagógicas accionables; de hecho, Mandinach y Gummer (2016)
describen esa alfabetización como un conjunto de conocimientos, habilidades y
disposiciones para transformar datos en prácticas instructivas, y Michos et al. (2023)
la identifican como predictor central del uso de datos digitales en escuelas secundarias
superiores. Sobre esa base, este artículo se propone analizar críticamente cómo la
analítica de aprendizaje puede contribuir a mejorar el rendimiento académico en
estudiantes de secundaria; de manera específica, busca describir las principales
líneas de desarrollo del campo, identificar los factores de desempeño más estudiados,
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 82
Artículo Científico
Abril – Junio 2026
comparar hallazgos sobre beneficios y limitaciones, y examinar las condiciones
pedagógicas y éticas de su implementación (Mandinach & Gummer, 2016; Michos et
al., 2023; Paolucci et al., 2024).
Finalmente, la contribución esperada de esta revisión consiste en ofrecer una síntesis
que no extrapole de manera acrítica resultados provenientes de la educación superior,
sino que recupere la especificidad pedagógica, organizativa y ética de la secundaria.
La originalidad del trabajo radica en articular, en una sola argumentación, la promesa
de la analítica para detectar patrones relevantes del aprendizaje y apoyar decisiones
docentes con la evidencia de que su impacto depende de escalabilidad, interpretación
contextual y diseño centrado en los usuarios escolares. Así, más que defender la
analítica de aprendizaje como solución automática, se plantea un marco de lectura
para distinguir entre usos meramente predictivos y usos pedagógicamente valiosos
para la mejora del rendimiento académico en secundaria, atendiendo a la brecha
identificada por las revisiones recientes del campo (Paolucci et al., 2024; de Sousa et
al., 2021; van Leeuwen et al., 2022; Ferguson, 2012).
2. Materiales y métodos
Para responder al propósito del artículo, se adoptó una revisión bibliográfica de
carácter exploratorio, con alcance descriptivo y analítico, orientada a identificar cómo
la literatura ha abordado la relación entre la analítica de aprendizaje y el rendimiento
académico en estudiantes de secundaria. Esta decisión metodológica se justificó
porque el interés principal no fue estimar un efecto único ni contrastar una hipótesis
causal cerrada, sino reconocer tendencias de investigación, conceptos dominantes,
variables asociadas, estrategias de aplicación y vacíos de conocimiento en un campo
todavía heterogéneo. En coherencia con ello, el trabajo se concibió como una
investigación documental basada en fuentes secundarias académicas, siguiendo una
lógica de búsqueda sistemática, selección explícita y síntesis interpretativa. Asimismo,
la organización del proceso tomó como referencia los principios de las revisiones de
alcance y de las revisiones bibliográficas rigurosas, especialmente en lo relativo a la
transparencia del procedimiento, la trazabilidad de las decisiones y la delimitación del
corpus analizado.
En este sentido, la búsqueda de información se estructuró en varias etapas articuladas
entre sí. Primero, se definieron los descriptores centrales del estudio en español e
inglés, a partir de combinaciones como “analítica de aprendizaje”, “learning analytics”,
“rendimiento académico”, “academic performance”, “secondary education”, “high
school”, “student achievement” y “engagement”, empleando operadores booleanos
AND y OR para ampliar o refinar la recuperación de documentos. Después, la consulta
se proyectó sobre bases de datos y buscadores de alta recurrencia en investigación
educativa, entre ellos Scopus, Web of Science, ERIC, Scielo y Google Scholar, con el
fin de abarcar literatura indexada internacional y regional. Posteriormente, se
establecieron criterios de inclusión centrados en artículos revisados por pares,
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 83
Artículo Científico
Abril – Junio 2026
capítulos y revisiones académicas vinculadas de manera directa con educación
secundaria, analítica de aprendizaje y variables asociadas al desempeño escolar;
paralelamente, se excluyeron trabajos duplicados, documentos sin texto completo
accesible, estudios centrados exclusivamente en educación superior o primaria y
publicaciones cuya relación con el tema fuese tangencial. La revisión de títulos,
resúmenes y textos completos siguió un protocolo secuencial de depuración para
favorecer la reproducibilidad del proceso.
A partir de ello, los documentos finalmente elegibles se organizaron en una matriz de
extracción diseñada para registrar, de forma homogénea, autoría, año de publicación,
país o contexto educativo, objetivo del estudio, tipo de diseño, población analizada,
fuentes de datos, variables consideradas, principales hallazgos, limitaciones
reportadas y aportes para el problema investigado. Esta matriz permitió no solo
ordenar la evidencia, sino también comparar enfoques y reconocer patrones
recurrentes entre estudios empíricos, teóricos y de revisión. De manera coherente con
el carácter exploratorio del artículo, la síntesis no se orientó al metaanálisis, sino a un
análisis temático de carácter inductivo-comparativo, mediante el cual se agruparon los
hallazgos en núcleos interpretativos como predicción del rendimiento, seguimiento del
compromiso estudiantil, detección temprana de riesgo académico, apoyo a la toma de
decisiones docentes y desafíos éticos del uso de datos educativos. La codificación y
posterior integración de categorías se apoyaron en criterios de recurrencia, pertinencia
conceptual y capacidad explicativa, con el propósito de construir una lectura articulada
del campo más que una simple enumeración de estudios.
Por consiguiente, el rigor del estudio descansó en la explicitación del procedimiento,
en la consistencia entre el objetivo del artículo y la estrategia de revisión, y en la lectura
crítica de la evidencia recuperada. Dado que se trabajó exclusivamente con
publicaciones académicas disponibles en bases de datos y repositorios científicos, no
se involucró a participantes humanos ni se manipularon datos personales, por lo que
no fue necesario tramitar consentimiento informado; sin embargo, se mantuvieron
criterios éticos de fidelidad interpretativa, citación responsable, respeto a la autoría y
verificación de la procedencia de cada fuente incluida. Finalmente, la revisión se
orientó a ofrecer una cartografía argumentada del estado del conocimiento sobre la
analítica de aprendizaje en secundaria, reconociendo que su naturaleza exploratoria
privilegia la amplitud analítica y la identificación de brechas por encima de la
estimación estadística agregada. Esta decisión resulta consistente con los
lineamientos actuales para revisiones transparentes y con las recomendaciones para
síntesis de evidencia cuando el campo presenta diversidad conceptual, metodológica
y contextual.
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 84
Artículo Científico
Abril – Junio 2026
3. Resultados
3.1. Principales hallazgos de la analítica de aprendizaje en el rendimiento
académico de estudiantes de secundaria
La revisión de la literatura reciente permite advertir que la analítica de aprendizaje, en
el ámbito de la educación secundaria, ha dejado de concebirse como un mero
repertorio de técnicas de minería de datos para pasar a entenderse como una
infraestructura interpretativa orientada a iluminar procesos escolares complejos. En
ese desplazamiento, emergen tres núcleos de hallazgo especialmente consistentes:
la detección temprana de trayectorias de riesgo académico, la elucidación de la
relación entre participación digital, compromiso y desempeño, y la utilización de datos
para ajustar la enseñanza y fortalecer el apoyo pedagógico. No obstante, esta
promesa convive con una madurez todavía desigual del campo, pues la evidencia
acumulada en secundaria sigue siendo menos robusta que la disponible para
educación superior y, además, continúa concentrándose en iniciativas localizadas
antes que en implementaciones institucionales de gran escala (de Sousa et al., 2021;
Paolucci et al., 2024).
3.1.1. Detección temprana de estudiantes en riesgo académico
Uno de los aportes más reiterados de la analítica de aprendizaje consiste en su
capacidad para identificar, con relativa antelación, señales de vulnerabilidad
académica que en contextos escolares tradicionales suelen advertirse tarde, cuando
el rezago ya se ha sedimentado. La revisión sistemática de de Sousa et al. (2021)
muestra que, en secundaria, buena parte de los trabajos se ha orientado a la
predicción de resultados de aprendizaje, lo que revela una inclinación del campo hacia
la anticipación del fracaso, el bajo rendimiento o la deserción. Esta tendencia dialoga
con la tradición de los sistemas de alerta temprana, en los cuales el valor de los
indicadores no reside únicamente en clasificar estudiantes, sino en convertir patrones
dispersos de comportamiento, asistencia o desempeño en problemas
pedagógicamente inteligibles y susceptibles de intervención (de Sousa et al., 2021;
Allensworth, 2013).
Desde esa perspectiva, la detección temprana no debe interpretarse como un ejercicio
de etiquetado predictivo, sino como una estrategia de inteligibilidad escolar.
Allensworth (2013) mostró, en el caso de los indicadores de noveno grado en Chicago,
que su utilidad radica en tres funciones concretas: focalizar las conversaciones
institucionales en problemas accionables, identificar estudiantes que requieren
intervención y reconocer patrones que permitan abordar el bajo desempeño de modo
más estratégico. En otras palabras, el rendimiento académico deja de observarse
exclusivamente como un resultado terminal y pasa a leerse como la expresión
acumulativa de trayectorias que pueden ser monitoreadas y reencauzadas. Este
hallazgo es crucial para secundaria, donde los costos de una identificación tardía
suelen traducirse en rezago crónico, desafección escolar y mayores probabilidades
de abandono (Allensworth, 2013).
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 85
Artículo Científico
Abril – Junio 2026
Ahora bien, la literatura más reciente complejiza este panorama al demostrar que el
riesgo académico no depende únicamente de las calificaciones previas ni de un solo
indicador escolar. Rajendran et al. (2022) desarrollaron modelos de aprendizaje
automático para predecir el rendimiento de estudiantes de secundaria y media
superior a partir de variables sociodemográficas, escolares y personales, incluyendo
factores como género, estructura familiar, tipo de escolaridad, estrés y estilo de vida.
La relevancia de este estudio no reside solo en la precisión algorítmica, sino en haber
mostrado que el bajo desempeño obedece a una constelación multicausal y que, por
tanto, las alertas tempranas ganan valor cuando integran dimensiones heterogéneas
del contexto estudiantil. Así, la analítica de aprendizaje desplaza la mirada desde una
noción estrecha de “mal estudiante” hacia una comprensión más fina de las
condiciones que erosionan la trayectoria académica (Rajendran et al., 2022).
Sin embargo, la literatura también advierte que la sola existencia de modelos
predictivos no garantiza mejoras efectivas en el aprendizaje. De Sousa et al. (2021)
subrayan que, en secundaria, muchas aplicaciones de analítica continúan en fase
incipiente y se concentran en experiencias de pequeña escala, mientras que Paolucci
et al. (2024) señalan que aún persisten dudas sobre la evidencia de impacto sostenido
en resultados educativos. Por consiguiente, el hallazgo más sólido no es que la
predicción sea suficiente en sí misma, sino que resulta valiosa cuando se articula con
decisiones escolares comprensibles, oportunas y éticamente responsables,
especialmente en contextos donde los estudiantes son menores de edad y el uso de
datos puede derivar en estigmatización si no se acompaña de criterios pedagógicos
claros (de Sousa et al., 2021; Paolucci et al., 2024).
3.1.2. Relación entre participación digital, compromiso escolar y desempeño
académico
Un segundo hallazgo de notable densidad teórica es que la participación digital no
puede equipararse de manera automática con aprendizaje efectivo. La analítica de
aprendizaje ha contribuido a mostrar que los rastros dejados por los estudiantes en
plataformas, entornos virtuales o sistemas escolares adquieren valor explicativo solo
cuando se interpretan como manifestaciones específicas de compromiso. La revisión
de Bond et al. (2023) es particularmente esclarecedora en este punto: al sintetizar
estudios publicados entre 2011 y 2022 sobre analítica y engagement en contextos K–
12, los autores concluyen que la investigación sigue siendo limitada, aunque creciente,
y que se concentra en gran medida en cursos medios y asignaturas STEM. Este
panorama sugiere que el campo todavía está construyendo marcos sólidos para
distinguir entre simple actividad digital y compromiso escolar con relevancia
académica (Bond et al., 2023).
En esa línea, uno de los aportes más importantes de la analítica consiste en haber
refinado la lectura del compromiso como fenómeno observable pero no reductible a
métricas superficiales. La frecuencia de acceso, el tiempo de permanencia o el
número de interacciones pueden ofrecer señales útiles, pero carecen de sentido si no
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 86
Artículo Científico
Abril – Junio 2026
se vinculan con conductas como la persistencia, la culminación de tareas, la respuesta
a la retroalimentación o la autorregulación (Burbano-Buñay, 2025). De hecho, Bond et
al. (2023) insisten en la necesidad de investigaciones más teóricamente rigurosas
para que la analítica no se limite a cuantificar comportamiento digital, sino que
contribuya a comprender cómo se expresa el compromiso estudiantil en escenarios
escolares mediados por tecnología (Gonzalez-Ordoñez et al., 2025). Bajo esta
premisa, el rendimiento académico aparece menos como una consecuencia mecánica
de la actividad en línea y más como el resultado de formas cualitativamente distintas
de involucramiento con las tareas escolares (Bond et al., 2023).
La relación entre participación digital y desempeño también ha sido documentada
desde estudios empíricos que examinan condiciones concretas de enseñanza. Aguilar
et al. (2022), al analizar una muestra aleatoria de familias de un gran distrito urbano
del sur de California, encontraron que la instrucción en vivo predice positivamente el
compromiso en el aprendizaje a distancia, medido a través de la finalización del trabajo
escolar (Zúñiga-Cazorla et al., 2025). Aunque la asociación fue más intensa en niveles
inferiores, también resultó significativa en estudiantes de secundaria y bachillerato.
Este hallazgo es relevante porque muestra que el compromiso digital no depende solo
del acceso a plataformas, sino de la calidad de la mediación pedagógica: la interacción
síncrona, la retroalimentación inmediata y la presencia instructiva parecen fortalecer
la continuidad del trabajo académico, y con ello las condiciones para un mejor
desempeño (Aguilar et al., 2022).
Aun así, la literatura también demuestra que la relación entre digitalización y logro no
es lineal, unívoca ni necesariamente benéfica en todos los casos. Mädamürk et al.
(2021), en un estudio con adolescentes finlandeses, mostraron que la participación
digital adopta perfiles diferenciados y que ciertos patrones de involucramiento
tecnológico pueden asociarse con orientaciones de logro más adaptativas, como
mayor persistencia y menor ansiedad de evaluación, mientras que otros se vinculan
con dificultades de aprendizaje. La importancia de este hallazgo radica en que impide
sostener una visión ingenua según la cual toda intensificación de la actividad digital
mejoraría per se el rendimiento. Por el contrario, la analítica de aprendizaje aporta
más cuando discrimina entre usos tecnológicos que fortalecen el compromiso
académico y usos que, aun siendo intensos, pueden interferir con la concentración, la
organización del tiempo o el bienestar escolar (Piedra-Castro, 2025).
3.1.3. Uso de datos para personalizar estrategias de enseñanza y apoyo
pedagógico
El tercer hallazgo relevante se sitúa en el plano de la acción docente: la analítica de
aprendizaje comienza a mostrar mayor fecundidad cuando se la emplea para
personalizar la enseñanza y no solo para describir o vigilar comportamientos
estudiantiles. Van Leeuwen et al. (2022) sostienen que, para desempeñar un papel
constructivo, las analíticas deben diseñarse de modo que complementen la toma de
decisiones humanas y favorezcan procesos de interpretación y actuación
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 87
Artículo Científico
Abril – Junio 2026
contextualizados. Esta idea es crucial, porque desplaza el centro de gravedad desde
el algoritmo hacia el trabajo pedagógico del profesorado. Los datos, por sí mismos, no
individualizan la enseñanza; lo que hacen es ofrecer insumos para que docentes y
estudiantes comprendan mejor los procesos de aprendizaje y ajusten sus acciones
con mayor precisión (van Leeuwen et al., 2022).
En términos más concretos, la literatura sobre dashboards docentes ha mostrado que
la visualización de información en tiempo real puede modificar la distribución y la
calidad de la retroalimentación. Knoop-van Campen et al. (2023) encontraron que los
dashboards tendían a producir una asignación más equilibrada de retroalimentación
de tarea y de proceso en aulas K–12, lo que sugiere un efecto igualador en la atención
pedagógica brindada a estudiantes con distintos niveles de desempeño (Salazar-
Alcivar et al., 2024). Este resultado es especialmente valioso en secundaria, donde la
heterogeneidad del aula suele traducirse en apoyos desiguales. Si el docente dispone
de evidencia sintética y oportuna sobre progreso, errores o necesidades emergentes,
las decisiones de acompañamiento dejan de apoyarse exclusivamente en impresiones
fragmentarias y pueden orientarse hacia intervenciones más diferenciadas y
equitativas (Knoop-van Campen et al., 2023).
No obstante, la personalización pedagógica basada en datos depende críticamente
de la capacidad docente para interpretar esa información. Michos et al. (2023), en una
encuesta con 1,059 docentes de secundaria superior en Suiza, concluyeron que la
alfabetización en datos para analítica de aprendizaje constituye un predictor central
del uso pedagógico de datos digitales. Este hallazgo introduce una precisión decisiva:
no basta con proveer tecnologías que recojan y muestren información; es
indispensable que los profesores desarrollen competencias para leerla,
contextualizarla y transformarla en decisiones instruccionales razonadas. De lo
contrario, la analítica corre el riesgo de producir una sobreabundancia de indicadores
sin traducción didáctica efectiva, o incluso de fomentar interpretaciones simplificadas
de fenómenos escolares complejos (Michos et al., 2023).
La evidencia de intervención refuerza esta misma tesis. Karademir et al. (2024), en un
estudio cuasiexperimental con 16 docentes, 22 clases y 403 estudiantes de
secundaria, analizaron el efecto de un dashboard docente con sistema de
retroalimentación sobre el aprendizaje estudiantil y observaron ganancias de
conocimiento medidas mediante pruebas pre y postest, comparando aulas con y sin
acceso al sistema (Ilvis-Vacacela et al., 2025). Este resultado es importante porque
muestra que la analítica puede incidir en el rendimiento no de forma directa ni
automática, sino a través de una cadena de mediaciones en la que intervienen la
aceptación tecnológica del docente, sus prácticas de retroalimentación y la calidad de
las decisiones pedagógicas que adopta a partir de la información recibida. Por tanto,
la personalización efectiva depende menos del dispositivo aislado que del ecosistema
de uso que se construye a su alrededor (Karademir et al., 2024).
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 88
Artículo Científico
Abril – Junio 2026
A escala más amplia, Mohseni et al. (2024) sintetizaron la investigación sobre visual
learning analytics en primaria y secundaria y concluyeron que estas herramientas
muestran mejoras de aprendizaje entre moderadas y claras dentro de los límites de
las intervenciones analizadas, aunque todavía se requiere investigación más
sistemática para establecer efectos de largo plazo. Esta cautela es
metodológicamente importante: la analítica de aprendizaje ofrece indicios promisorios
para personalizar la enseñanza, monitorear progresos y apoyar la toma de decisiones,
pero aún no autoriza afirmaciones maximalistas sobre su eficacia universal. En
consecuencia, el balance más riguroso consiste en afirmar que los datos pueden
enriquecer la enseñanza cuando se insertan en diseños pedagógicos formativos,
sensibles al contexto y compatibles con una comprensión humanizada del aprendizaje
escolar (Mohseni et al., 2024; Paolucci et al., 2024).
En síntesis, los principales hallazgos de la analítica de aprendizaje en secundaria no
apuntan a una sustitución del juicio docente por sistemas automatizados, sino a la
posibilidad de construir una pedagogía más informada, preventiva y diferenciada. La
detección temprana permite identificar trayectorias de riesgo antes de que se
consoliden; el análisis de la participación digital ayuda a discernir formas de
compromiso con verdadero valor académico; y la personalización basada en datos
abre oportunidades para redistribuir apoyos, refinar la retroalimentación y orientar
mejor las decisiones de enseñanza. Sin embargo, la literatura coincide en que estas
potencialidades solo se materializan cuando los datos son interpretados dentro de
marcos pedagógicos y éticos robustos, y cuando la escuela dispone de capacidades
institucionales para transformar información en acción educativa significativa (van
Leeuwen et al., 2022; de Sousa et al., 2021; Michos et al., 2023; Paolucci et al., 2024).
4. Discusión
A la luz de la evidencia revisada, la analítica de aprendizaje aplicada a la educación
secundaria no puede seguir entendiéndose como una promesa meramente
instrumental ni como una prolongación acrítica de los desarrollos gestados en
educación superior. Más bien, los hallazgos examinados sugieren que su valor reside
en la capacidad de convertir rastros digitales, indicadores de progreso y patrones de
interacción en insumos interpretables para la acción pedagógica, especialmente
cuando se trata de anticipar rezagos, comprender formas de compromiso escolar y
orientar apoyos diferenciados (Caicedo-Basurto et al., 2024). En esa dirección, los
resultados de esta revisión convergen con el diagnóstico de que, en secundaria, el
campo aún se encuentra en una etapa de consolidación: de Sousa et al. (2021)
identificaron una literatura todavía concentrada en iniciativas de pequeña escala,
mientras que Paolucci et al. (2024) señalaron que las oportunidades de mejora
conviven con desafíos de diseño, implementación y equidad aún no resueltos. En
consecuencia, la principal contribución de la analítica no radica en la sofisticación
algorítmica por sí sola, sino en su potencial para enriquecer la inteligibilidad
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 89
Artículo Científico
Abril – Junio 2026
pedagógica de fenómenos que, en ausencia de datos organizados, suelen
permanecer fragmentarios o invisibles (de Sousa et al., 2021; Paolucci et al., 2024;
Ferguson, 2012).
Desde esta perspectiva, uno de los hallazgos más significativos de la revisión es la
centralidad que ha adquirido la detección temprana del riesgo académico. Los
estudios examinados muestran que la analítica de aprendizaje ha sido empleada, de
manera recurrente, para identificar estudiantes con mayor probabilidad de bajo
rendimiento, desconexión escolar o trayectorias frágiles antes de que esos problemas
se consoliden (Cacao-Baque et al., 2025). No obstante, la discusión de este hallazgo
exige una precisión importante: anticipar no equivale automáticamente a transformar.
Allensworth (2013) ya advertía, desde la lógica de los sistemas de alerta temprana,
que los indicadores solo adquieren valor cuando logran focalizar conversaciones,
orientar intervenciones y articular respuestas institucionales concretas; de forma
convergente, Rajendran et al. (2022) mostraron que el desempeño académico
depende de una constelación de variables escolares, personales y contextuales, lo
que impide reducir el riesgo a una lectura lineal de las calificaciones previas. Así, la
discusión no debería centrarse en si los modelos predicen con mayor o menor
precisión, sino en si tales predicciones son suficientemente comprensibles, oportunas
y pedagógicamente accionables para evitar que la clasificación del riesgo derive en
etiquetamientos prematuros o en determinismos escolares encubiertos (Allensworth,
2013; Rajendran et al., 2022; de Sousa et al., 2021).
En un segundo plano analítico, la revisión permite sostener que la relación entre
participación digital, compromiso escolar y desempeño académico es más compleja
de lo que sugieren las métricas conductuales de uso. La literatura recuperada coincide
en que el número de accesos, clics o tiempos de permanencia no constituye, por sí
solo, un indicador suficiente de aprendizaje significativo (Fuentes-Riquero, 2025).
Bond et al. (2023) subrayan que la investigación K–12 sobre engagement mediado
por analítica todavía requiere mayor rigor teórico para distinguir actividad digital de
involucramiento escolar con valor formativo, mientras que Aguilar et al. (2022)
evidenciaron que la instrucción en vivo se asocia con mayores niveles de compromiso
en aprendizaje remoto, lo que resitúa la mediación docente como variable explicativa
de primera magnitud. A ello se añade el aporte de Mädamürk et al. (2021), quienes
mostraron que el compromiso digital adopta perfiles diferenciados y que no toda
intensidad tecnológica se traduce en disposiciones de logro favorables. Por tanto, la
discusión sugiere abandonar una mirada cuantitativista de la participación y avanzar
hacia una comprensión más cualificada, en la que los rastros digitales se interpreten
a la luz de la autorregulación, la persistencia y la calidad de la experiencia escolar, y
no como meras señales de presencia en el entorno digital (Bond et al., 2023; Aguilar
et al., 2022; Mädamürk et al., 2021).
Un tercer eje de discusión se vincula con el uso de datos para personalizar la
enseñanza y fortalecer el apoyo pedagógico. En este punto, la evidencia revisada
resulta particularmente sugerente, aunque todavía no concluyente. Van Leeuwen et
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 90
Artículo Científico
Abril – Junio 2026
al. (2022) sostienen que las analíticas dirigidas a docentes y estudiantes solo
desempeñan un papel constructivo cuando complementan el juicio humano y facilitan
procesos de interpretación y acción; esta idea adquiere respaldo empírico en trabajos
como los de Knoop-van Campen et al. (2023), quienes hallaron un efecto igualador de
los dashboards docentes sobre la distribución de la retroalimentación en aulas K–12,
y Karademir et al. (2024), que reportaron mayores ganancias de conocimiento en la
condición con acceso al tablero docente. Sin embargo, estos hallazgos no autorizan
una lectura tecnosolucionista. Más bien, muestran que la personalización pedagógica
emerge de una cadena de mediaciones en la que intervienen el diseño del sistema, la
calidad de la visualización, la oportunidad de la retroalimentación y, de modo decisivo,
la capacidad del profesorado para traducir información en decisiones didácticas
sensibles al contexto. Dicho de otro modo, los datos no individualizan la enseñanza
por sí mismos; son los docentes quienes, mediante procesos de interpretación
profesional, convierten esos datos en intervenciones con relevancia formativa (van
Leeuwen et al., 2022; Knoop-van Campen et al., 2023; Karademir et al., 2024; Mohseni
et al., 2024).
Precisamente por ello, la alfabetización docente en datos aparece en esta revisión
como una condición estructural del impacto pedagógico de la analítica de aprendizaje.
Michos et al. (2023) mostraron que, en secundaria superior, la data literacy para
learning analytics constituye un predictor central del uso pedagógico de datos
digitales, lo cual obliga a desplazar el foco desde la mera adopción tecnológica hacia
las capacidades profesionales que hacen posible una lectura crítica, contextualizada
y éticamente prudente de la información. Este hallazgo tiene implicaciones sustantivas
para la discusión del rendimiento académico: si las escuelas incorporan plataformas
y tableros sin fortalecer simultáneamente la competencia interpretativa del
profesorado, el riesgo no es solo la infrautilización de los datos, sino también su uso
simplificador, punitivo o descontextualizado. En consecuencia, el valor de la analítica
en secundaria parece depender menos de la abundancia de información recolectada
que de la existencia de comunidades escolares capaces de deliberar sobre ella,
someterla a contraste pedagógico y convertirla en decisiones proporcionales,
formativas y revisables (Michos et al., 2023; van Leeuwen et al., 2022; Paolucci et al.,
2024).
No obstante, una discusión rigurosa debe incorporar también los límites y riesgos del
campo. La revisión muestra que, junto con sus posibilidades de mejora, la analítica de
aprendizaje en secundaria plantea interrogantes de orden ético, epistémico y político
que no pueden considerarse accesorios. Hoel y Chen (2018) advierten que la
privacidad y la protección de datos constituyen un obstáculo central para cualquier
futuro educativo guiado por datos, mientras que Beerwinkle (2021) subraya el
potencial de daño para estudiantes K–12 cuando las agencias educativas no evalúan
críticamente los riesgos de vigilancia, perfilamiento o decisiones automatizadas. Estas
advertencias adquieren una densidad particular en secundaria, donde la población
estudiantil es, en su mayoría, menor de edad y, por tanto, especialmente vulnerable a
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 91
Artículo Científico
Abril – Junio 2026
mecanismos opacos de clasificación. Desde esta óptica, la discusión no puede
limitarse a la eficacia de los sistemas predictivos o visuales, sino que debe preguntarse
por las condiciones normativas bajo las cuales la recolección y el uso de datos pueden
considerarse pedagógicamente legítimos. En otras palabras, la mejora del rendimiento
académico no debería defenderse a costa de una intensificación inadvertida del
control escolar ni de una reducción del estudiante a perfil de riesgo o patrón de
comportamiento digital (Hoel & Chen, 2018; Beerwinkle, 2021; Paolucci et al., 2024).
En términos metodológicos, los resultados revisados también exigen cautela
interpretativa. La predominancia de estudios de alcance localizado, la heterogeneidad
de variables, la diversidad de contextos escolares y la coexistencia de diseños
descriptivos, correlacionales y cuasiexperimentales impiden sostener
generalizaciones fuertes sobre el efecto causal de la analítica de aprendizaje en el
rendimiento académico de todos los estudiantes de secundaria. Más bien, la revisión
sugiere que el campo ha avanzado con mayor solidez en la identificación de patrones,
oportunidades y condiciones de uso que en la demostración inequívoca de impactos
estables y transferibles (Avilez-Figueroa et al., 2024). Por ello, una agenda futura de
investigación debería priorizar estudios longitudinales, evaluaciones comparativas
entre contextos, análisis de implementación a nivel institucional y diseños que integren
resultados académicos con indicadores de bienestar, agencia estudiantil y justicia
educativa. Solo de ese modo será posible superar una comprensión restringida del
rendimiento y evitar que la analítica se convierta en una tecnología de optimización
desligada de los fines formativos más amplios de la educación secundaria (de Sousa
et al., 2021; Mohseni et al., 2024; Paolucci et al., 2024; Bond et al., 2023).
En suma, la discusión derivada de esta revisión permite afirmar que la analítica de
aprendizaje posee un potencial genuino para contribuir a la mejora del rendimiento
académico en secundaria, pero ese potencial es contingente, no automático. Su
mayor fortaleza parece residir en hacer visibles trayectorias de riesgo, matizar la
interpretación de la participación digital y ofrecer apoyos para una enseñanza más
diferenciada; su mayor debilidad, en cambio, emerge cuando se la absolutiza como
solución técnica independiente del juicio docente, la cultura institucional y las
garantías éticas. Por ello, el horizonte más fértil no es una secundaria gobernada por
datos, sino una secundaria que utiliza datos con discernimiento pedagógico, prudencia
normativa y sentido formativo. Bajo esa premisa, la analítica de aprendizaje puede
dejar de ser un mecanismo de observación intensificada para convertirse en una
herramienta de acompañamiento inteligente, orientada no solo a predecir el
rendimiento, sino a comprenderlo y transformarlo de manera más justa (Ferguson,
2012; van Leeuwen et al., 2022; Michos et al., 2023; Hoel & Chen, 2018).
5. Conclusiones
La revisión bibliográfica realizada permite concluir que la analítica de aprendizaje
constituye una herramienta con alto potencial para contribuir a la mejora del
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 92
Artículo Científico
Abril – Junio 2026
rendimiento académico en estudiantes de secundaria, siempre que su implementación
trascienda la lógica meramente técnica y se integre en una comprensión pedagógica
más amplia del proceso educativo. Su principal fortaleza radica en la posibilidad de
transformar datos dispersos de interacción, participación y desempeño en información
útil para anticipar dificultades, reconocer patrones de aprendizaje y orientar decisiones
de apoyo más oportunas. En ese sentido, la analítica no debe entenderse como un fin
en sí mismo, sino como un medio para enriquecer la comprensión del comportamiento
académico y fortalecer la capacidad de respuesta de las instituciones escolares frente
a trayectorias de riesgo.
Asimismo, se concluye que uno de los aportes más relevantes de este campo es la
detección temprana de estudiantes en situación de vulnerabilidad académica. La
posibilidad de identificar señales de rezago antes de que se conviertan en fracaso
sostenido representa una ventaja estratégica para la escuela secundaria, ya que
permite pasar de intervenciones reactivas a acciones preventivas y focalizadas. Sin
embargo, esta capacidad predictiva solo adquiere verdadero sentido cuando se
articula con decisiones institucionales concretas, con acompañamiento docente y con
mecanismos de apoyo que eviten convertir los indicadores en simples etiquetas de
clasificación.
Del mismo modo, el análisis desarrollado evidencia que la relación entre participación
digital, compromiso escolar y rendimiento académico no es automática ni lineal. La
actividad registrada en entornos tecnológicos solo resulta significativa cuando se
interpreta a la luz de procesos más complejos, como la autorregulación, la
persistencia, la calidad de la interacción con las tareas y la mediación pedagógica. Por
ello, no toda presencia digital expresa compromiso genuino ni toda intensidad de uso
tecnológico se traduce en mejores resultados escolares. La contribución de la
analítica, en este punto, consiste en ofrecer herramientas para diferenciar entre
patrones de participación con valor formativo y dinámicas de uso que pueden resultar
superficiales, dispersas o incluso contraproducentes para el aprendizaje.
De igual forma, puede afirmarse que el uso pedagógico de los datos abre posibilidades
reales para personalizar la enseñanza y diversificar el apoyo brindado a los
estudiantes. Cuando la información obtenida mediante sistemas analíticos se traduce
en retroalimentación oportuna, en ajustes metodológicos y en decisiones docentes
contextualizadas, se incrementan las oportunidades de responder a la heterogeneidad
propia de la educación secundaria. No obstante, esta potencialidad depende de
manera decisiva de la alfabetización docente en el uso e interpretación de datos, así
como de la existencia de una cultura institucional que favorezca la reflexión
pedagógica y no solo la vigilancia del desempeño.
Finalmente, se concluye que la analítica de aprendizaje puede aportar de manera
sustantiva a la mejora del rendimiento académico en secundaria, pero su eficacia no
es automática, universal ni independiente del contexto. Su impacto depende de la
calidad de los diseños pedagógicos, de la formación de los docentes, de la capacidad
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 93
Artículo Científico
Abril – Junio 2026
institucional para convertir información en acción educativa y del respeto por criterios
éticos vinculados con la privacidad, la equidad y la no estigmatización del estudiante.
En consecuencia, el horizonte más prometedor no consiste en una educación
gobernada exclusivamente por datos, sino en una educación capaz de usar los datos
con criterio crítico, prudencia ética y sentido formativo para comprender mejor las
trayectorias escolares y promover aprendizajes más justos, oportunos y significativos.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Aguilar, S. J., Galperin, H., Baek, C., & Gonzalez, E. (2022). Live instruction predicts
engagement in K–12 remote learning. Educational Researcher, 51(1), 81–84.
https://doi.org/10.3102/0013189X211056884
Allensworth, E. (2013). The use of ninth-grade early warning indicators to improve
Chicago schools. Journal of Education for Students Placed at Risk, 18(1), 68–
83. https://doi.org/10.1080/10824669.2013.745181
Avilez-Figueroa, C. M., Apráez-Márquez, S. X., Herrera-Enríquez, V. N., Guiscasho-
Chicaiza, D. R., & Gualoto-Díaz, M. C. (2024). Estrategias innovadoras para
fomentar el pensamiento crítico en niños de educación preescolar a través de
la ciencia. Journal of Economic and Social Science Research, 4(4), 56–72.
https://doi.org/10.55813/gaea/jessr/v4/n4/132
Beerwinkle, A. L. (2021). The use of learning analytics and the potential risk of harm
for K-12 students participating in digital learning environments. Educational
Technology Research and Development, 69(1), 327–330. Enlace:
https://doi.org/10.1007/s11423-020-09854-6.
Bond, M., Viberg, O., & Bergdahl, N. (2023). The current state of using learning
analytics to measure and support K–12 student engagement: A scoping review.
In LAK23: 13th International Learning Analytics and Knowledge Conference
(pp. 240–249). ACM. https://doi.org/10.1145/3576050.3576085
Burbano-Buñay, E. S. (2025). Prácticas de innovación educativa para la enseñanza
de la historia y ciencias sociales en educación superior. Journal of Economic
and Social Science Research, 5(1), 188–200.
https://doi.org/10.55813/gaea/jessr/v5/n1/169
Cacao-Baque, K. D., Morales-Castro, I. J., Morales-Castro, A. G., Alvarado-Rodríguez,
M. A., & Florez-Rodriguez, I. D. C. (2025). El juego como mediador del
desarrollo de habilidades socioemocionales en la lectura de textos literarios en
estudiantes de secundaria. Revista Científica Zambos, 4(3), 138-150.
https://doi.org/10.69484/rcz/v4/n3/137
Caicedo-Basurto, R. L., Camacho-Medina, B. M., Quinga-Villa, C. A., Fonseca-
Lombeida, A. F., & López-Freire, S. A. (2024). Análisis y beneficios de la
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 94
Artículo Científico
Abril – Junio 2026
educación en la era de la inteligencia artificial. Journal of Economic and Social
Science Research, 4(4), 291–302.
https://doi.org/10.55813/gaea/jessr/v4/n4/148
de Sousa, E. B. G., Alexandre, B., Ferreira Mello, R., Pontual Falcão, T., Vesin, B., &
Gašević, D. (2021). Applications of learning analytics in high schools: A
systematic literature review. Frontiers in Artificial Intelligence, 4, Article 737891.
https://doi.org/10.3389/frai.2021.737891
Ferguson, R. (2012). Learning analytics: Drivers, developments and challenges.
International Journal of Technology Enhanced Learning, 4(5–6), 304–317.
https://doi.org/10.1504/IJTEL.2012.051816
Fuentes-Riquero, S. Y. (2025). Estrategias de aprendizaje autónomo a través de las
TIC en estudios sociales: Un enfoque para mejorar la autoeficacia y el
rendimiento académico. Revista Científica Zambos, 4(1), 74-86.
https://doi.org/10.69484/rcz/v4/n1/77
Gonzalez-Ordoñez, M. M., Gonzalez-Sare, G. Y., Minuche-Sánchez, J. E., Mendoza-
Villacís, G. P., & Quisay-Vera, L. A. (2025). Impacto del acompañamiento
integral del aula en el rendimiento académico de estudiantes de educación
básica superior. Revista Científica Ciencia Y Método, 3(3), 295-308.
https://doi.org/10.55813/gaea/rcym/v3/n3/77
Hoel, T., & Chen, W. (2018). Privacy and data protection in learning analytics should
be motivated by an educational maxim—Towards a proposal. Research and
Practice in Technology Enhanced Learning, 13, Article 20.
https://doi.org/10.1186/s41039-018-0086-8
Ilvis-Vacacela, J. M., Guaita-Lagua, Z. C., & Yuquilema-Cachipud, M. A. (2025). El
impacto de herramientas digitales en el aprendizaje de la lengua Kichwa:
experiencia innovadora de enseñanza virtual. Journal of Economic and Social
Science Research, 5(1), 93–106. https://doi.org/10.55813/gaea/jessr/v5/n1/156
Johar, N. A., Kew, S. N., Tasir, Z., & Koh, E. (2023). Learning analytics on student
engagement to enhance students’ learning performance: A systematic review.
Sustainability, 15(10), Article 7849. https://doi.org/10.3390/su15107849
Karademir, O., Borgards, L., Di Mitri, D., Strauß, S., Kubsch, M., Brobeil, M., Grimm,
A., Gombert, S., Rummel, N., Neumann, K., & Drachsler, H. (2024). Following
the impact chain of the LA Cockpit: An intervention study investigating a teacher
dashboard’s effect on student learning. Journal of Learning Analytics, 11(2),
215–228. https://doi.org/10.18608/jla.2024.8399
Knoop-van Campen, C. A. N., Wise, A., & Molenaar, I. (2023). The equalizing effect of
teacher dashboards on feedback in K–12 classrooms. Interactive Learning
Environments, 31(6), 3447–3463.
https://doi.org/10.1080/10494820.2021.1931346
Mädamürk, K., Tuominen, H., Hietajärvi, L., & Salmela-Aro, K. (2021). Adolescent
students’ digital engagement and achievement goal orientation profiles.
Computers & Education, 161, 104058.
https://doi.org/10.1016/j.compedu.2020.104058
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 95
Artículo Científico
Abril – Junio 2026
Mandinach, E. B., & Gummer, E. S. (2016). What does it mean for teachers to be data
literate: Laying out the skills, knowledge, and dispositions. Teaching and
Teacher Education, 60, 366–376. https://doi.org/10.1016/j.tate.2016.07.011
Michos, K., Schmitz, M.-L., & Petko, D. (2023). Teachers’ data literacy for learning
analytics: A central predictor for digital data use in upper secondary schools.
Education and Information Technologies, 28, 14453–14471.
https://doi.org/10.1007/s10639-023-11772-y
Mohseni, Z., Masiello, I., Martins, R. M., & Nordmark, S. (2024). Visual learning
analytics for educational interventions in primary and secondary schools: A
scoping review. Journal of Learning Analytics, 11(2), 91–111.
https://doi.org/10.18608/jla.2024.8309
Paolucci, C., Vancini, S., Bex II, R. T., Cavanaugh, C., Salama, C., & de Araujo, Z.
(2024). A review of learning analytics opportunities and challenges for K-12
education. Heliyon, 10(4), Article e25767.
https://doi.org/10.1016/j.heliyon.2024.e25767
Piedra-Castro, W. I. (2025). Enseñanza de las ciencias sociales con metodologías
pedagógicas de inteligencia artificial. Journal of Economic and Social Science
Research, 5(1), 119–130. https://doi.org/10.55813/gaea/jessr/v5/n1/164
Rajendran, S., Chamundeswari, S., & Sinha, A. A. (2022). Predicting the academic
performance of middle- and high-school students using machine learning
algorithms. Social Sciences & Humanities Open, 6(1), 100357.
https://doi.org/10.1016/j.ssaho.2022.100357
Roman-Lainez, F. R., Chalén-Del-Pezo, V. M., Caiza-Maiza, V. del R., Chuquimarca-
Llulluna, S. D., & Flores-Flores, F. A. (2025). La planificación docente como
fundamento del diseño de estrategias pedagógicas efectivas en la educación
secundaria. Revista Científica Zambos, 4(3), 151-165.
https://doi.org/10.69484/rcz/v4/n3/138
Salazar-Alcivar, A. N., Alcivar-Córdova, D. M., Flores-Verdesoto, G. E., Montaño-Villa,
J. J., & Salazar-Alcivar, L. E. (2024). Educación ambiental como herramienta
para fomentar la conciencia ecológica en estudiantes de secundaria. Revista
Científica Ciencia Y Método, 2(2), 40-52.
https://doi.org/10.55813/gaea/rcym/v2/n2/42
van Leeuwen, A., Teasley, S. D., & Wise, A. F. (2022). Teacher and student facing
learning analytics. En C. Lang, A. F. Wise, A. Merceron, D. Gašević, & G.
Siemens (Eds.), The handbook of learning analytics (2nd ed., pp. 130–140).
Society for Learning Analytics Research (SoLAR).
https://doi.org/10.18608/hla22.013
Zúñiga-Cazorla, J. A., Mejía-Hidalgo, E. F., Pomboza-Granizo, R. G., & Puruncajas-
Orozco, M. A. (2025). Aprendizaje adaptativo con plataformas inteligentes:
efectos en la autoeficacia y el desempeño académico. Revista Científica
Ciencia Y Método, 3(4), 459-469. https://doi.org/10.55813/gaea/rcym/v3/n4/125
