Analítica del aprendizaje mediada por informes de Moodle: Una ruta para la mejora del rendimiento académico

• Elizabeth Esther Vergel-Parejo https://orcid.org/0009-0007-0178-5099
• Arián Vázquez Álvarez https://orcid.org/0009-0001-8605-491X
• Elsy Rodríguez Ravelo https://orcid.org/0000-0003-4486-0785
• Roger Martínez Isaac https://orcid.org/0000-0002-5283-5726

DOI: https://doi.org/10.31876/rcs.v32i.45744

Palabras clave: Analítica del aprendizaje, Moodle, rendimiento académico, educación virtual, intervención pedagógica

Resumen

Este artículo de innovación describe una estrategia educativa basada en analítica del aprendizaje, mediada por informes generados por la plataforma Moodle, orientada a mejorar el rendimiento académico de estudiantes de Educación en la asignatura de Didáctica de las Ciencias Naturales, impartida en la Universidad Bolivariana del Ecuador. La investigación se enmarca en un enfoque metodológico mixto, con predominio descriptivo, que combina el análisis cuantitativo de datos (estadísticos descriptivos, gráficos comparativos y diagramas de Venn) con una interpretación pedagógica cualitativa centrada en comprensión del comportamiento estudiantil. La investigación se desarrolló con una muestra de 45 estudiantes universitarios en modalidad virtual. A través del análisis de informes de Moodle y el cruce de datos con calificaciones, se identificaron patrones de participación, niveles de interacción con los recursos formativos y casos de bajo desempeño sostenido. Los hallazgos revelan una escasa consulta de materiales clave y fuerte orientación hacia actividades evaluativas. En respuesta, se diseñó un plan de mejora estructurado en cinco ejes: seguimiento individual y colectivo, retroalimentación formativa, rediseño didáctico del entorno virtual y evaluación de impacto. Esta intervención propone una ruta de acción centrada en el estudiante y basada en datos, con potencial de ser replicada en otras asignaturas y contextos formativos.

Citas

Albreiki, B., Zaki, N. y Alashwal, H. (2021). A systematic literature review of student performance prediction using machine learning techniques. Education Sciences, 11(9), 552. https://doi.org/10.3390/educsci11090552

Aljaloud, A. S., Uliyan, D. M., Alkhalil, A., Elrhman, M. A., Alogali, A. F. M., Altameemi, Y. M., Altamimi, M., y Kwan, P. (2022). A deep learning model to predict student learning outcomes in LMS using CNN and LSTM. IEEE Access, 10, 85255-85265. https://doi.org/10.1109/ACCESS.2022.3196784

Atiaja, L. E. (2023). Uso de la analítica del aprendizaje de los estudiantes para minimizar la pérdida escolar en las diferentes modalidades de estudio [Tesis de maestría, Universidad Politécnica Salesiana]. https://dspace.ups.edu.ec/handle/123456789/25199

Banihashem, S. K., Noroozi, O., Van Ginkel, S., Macfadyen, L. P. y Biemans, H. J. A. (2022). A systematic review of the role of learning analytics in enhancing feedback practices in higher education. Educational Research Review, 37, e100489. https://doi.org/10.1016/j.edurev.2022.100489

Batuchina, A., Melnikova, J., Šakytė-Statnickė, G., y Šmitienė, G. (2022). The benefits of learning analytics for education: An analysis of the experiences of Lithuanian general education school teachers. Acta Paedagogica Vilnensia, 48, 129-142. https://www.journals.vu.lt/acta-paedagogica-vilnensia/en/article/view/25031

Corrêa, J. G., De Souza, A., y Barddal, J. P. (2023). An explainable machine learning approach for student dropout prediction. Expert Systems with Applications, 233, 120933. https://doi.org/10.1016/j.eswa.2023.120933

Kabathova, J., y Drlik, M. (2021). Towards predicting student’s dropout in university courses using different machine learning techniques. Applied Sciences, 11(7), 3130. https://doi.org/10.3390/app11073130

Kokoç, M., Bütüner, S. Ö., y Güler, M. (2025). A meta-analysis on the effect of learning analytics interventions on students’ academic performance. Journal of Research on Technology in Education, 1-24. https://doi.org/10.1080/15391523.2025.2536571

Kovačić, Z. J. (2010). Early prediction of student success: Mining students’ enrolment data. Proceedings of the Informing Science + Information Technology Education Joint Conference (pp. 647-665), Cassino, Italy.

Larrabee, A., Hughes, E., y Smith, J. (2019). The efficacy of learning analytics interventionsin higher education: A systematic review. British Journal of Educational Technology, 50(5), 2594-2618. https://doi.org/10.1111/bjet.12720

Lim, L.-A., Buckingham, S., Felten, P., y Uno, J. (2023). Belonging analytics: A proposal. Learning Letters, 1, 4. https://doi.org/10.59453//EAXA8005

Llanos, J. M., y Bucheli, V. A. (2021). Analítica de aprendizaje como estrategia de apoyo al aula invertida en cursos de programación: Una revisión sistemática de literatura. Investigación e Innovación en Ingenierías, 9(1), 114-135. https://doi.org/10.17081/invinno.9.1.4464

Lobos, K., Mella-Norambuena, J., Bruna, C., y Fernández, C. (2022). Analíticas de aprendizaje para la toma de decisiones pedagógicas en educación superior. Formación Universitaria, 15(4), 33-48. https://doi.org/10.4067/S0718-50062022000400033

López, L. I. (2023). El análisis del aprendizaje aplicado como estrategia para mejorar la educación en los entornos virtuales. Revista Educación, 47(2), 1-25. https://doi.org/10.15517/revedu.v47i2.53945

López, R., Sánchez, S., Quintana, M. R., y Gómez, V. G. (2024). Valoraciones teóricas sobre el concepto de analítica del aprendizaje. Mendive. Revista de Educación, 22(1), e3699. https://mendive.upr.edu.cu/index.php/MendiveUPR/article/view/3699

Mazzullo, E., Bulut, O., Wongvorachan, T., y Tan, B. (2023). Learning analytics in the era of large language models. Analytics, 2(4), 877-898. https://doi.org/10.3390/analytics2040046

Mendivil, P. M., Hernández, C. P., González, E. J., y Herazo, M. I. (2023). Desarrollo de habilidades sociales en estudiantes de práctica profesional de la Corporación Universitaria del Caribe, Colombia. Revista de Ciencias Sociales (Ve), XXIX(E-8), 136-148. https://doi.org/10.31876/rcs.v29i.40943

Namoun, A., y Alshanqiti, A. (2021). Predicting student performance using data mining and learning analytics techniques: A systematic literature review. Applied Sciences, 11(1), 237. https://doi.org/10.3390/app11010237

Nevárez, L., Caldera, M. I., y Ronquillo, G. (2021). Obtención de un modelo de learning analytics con información de un LMS. RECIE. Revista Electrónica Científica de Investigación Educativa, 5(2), 313-333. https://doi.org/10.33010/recie.v5i2.1314

Pozo-Sánchez, S., López-Belmonte, J., Rodríguez-García, A.-M., y López-Núñez, J.-A. (2020). Teachers’ digital competence in using and analytically managing information in flipped learning. Culture and Education, 32(2), 213-241. https://doi.org/10.1080/11356405.2020.1741876

Quinn, R. J., y Gray, G. (2020). Prediction of student academic performance using Moodle data from a Further Education setting. Irish Journal of Technology Enhanced Learning, 5(1). https://doi.org/10.22554/ijtel.v5i1.57

Rabanal, R., Huamán, C. R., Murga, N. L., y Chauca, P. (2020). Desarrollo de competencias personales y sociales para la inserción laboral de egresados universitarios. Revista de Ciencias Sociales (Ve), XXVI(2), 250-258. https://doi.org/10.31876/rcs.v26i2.32438

Rebelo, M., Reis, T., Thompsen, T., Targino, R., Ramos, V., Marques, E., Munoz, R., y Cechinel, C. (2025). Student dropout prediction through machine learning optimization: Insights from Moodle log data. Scientific Reports, 15, 9840. https://doi.org/10.1038/s41598-025-93918-1

Rienties, B., Cross, S., y Zdrahal, Z. (2017). Implementing a learning analytics intervention and evaluation framework: What works? In B. K. Daniel (Ed.), Big data and learning analytics in higher education: Current theory and practice (pp. 147-166). Springer. https://doi.org/10.1007/978-3-319-06520-5_10

Salazar, J. (2016). Big data en la educación. Revista Digital Universitaria, 17(1). https://www.revista.unam.mx/ojs/index.php/rdu/article/view/738

Sánchez-Chero, M., Flores-Mendoza, L. C., Bruno-Coveñas, P., y Zapata-Periche, I. C. (2024). Impacto del modelo de aprendizaje constructivista en la interpretación del conocimiento en curso virtual de automatización industrial. Revista de Ciencias Sociales (Ve), XXX(E-9), 93-104. https://doi.org/10.31876/rcs.v30i.42250

Stojanov, A., y Daniel, B. K. (2024). A decade of research into the application of big data and analytics in higher education: A systematic review of the literature. Education and InformationTechnologies, 29, 5807-5831. https://doi.org/10.1007/s10639-023-12033-8

Urbina-Nájera, A. B. (2021). Variables que influyen en el rendimiento de los estudiantes de posgrado: Una perspectiva desde la analítica del aprendizaje. Telos: Revista de Estudios Interdisciplinarios en Ciencias Sociales, 23(1), 36-50. https://doi.org/10.36390/telos231.04

Valero, J. E., Navarro, Á. F., Larios, A. C., y Julca, J. D. (2022). Deserción universitaria: Evaluación de diferentes algoritmos de Machine Learning para su predicción. Revista de Ciencias Sociales (Ve), XXVIII(3), 362-375. https://doi.org/10.31876/rcs.v28i3.38480

Viberg, O., Grönlund, Å., y Andersson, A. (2023). Integrating digital technology in mathematics education: A Swedish case study. Interactive Learning Environments, 31(1), 232-243. https://doi.org/10.1080/10494820.2020.1770801

Villarreal-Torres, H., Ángeles-Morales, J., Marín-Rodriguez, W., y Cano-Mejía, J. (2024). Modelo de clasificación para la deserción estudiantil en las universidades públicas del Perú. Revista de Ciencias Sociales (Ve), XXX(1), 452-469. https://doi.org/10.31876/rcs.v30i1.41667

Wong, B. T.-M., y Li, K. C. (2020). A review of learning analytics intervention in higher education (2011–2018). Journal of Computers in Education, 7(1), 7-28. https://doi.org/10.1007/s40692-019-00143-7

Yang, L., y Bai, Z. (2022). Study on score prediction model with high efficiency based on deep learning. Electronics, 11(23), 3995. https://doi.org/10.3390/electronics11233995

Yang, Y., Hooshyar, D., Pedaste, M., Wang, M., Huang, Y.-M. y Lim, H. (2020). Predicting course achievement of university students based on their procrastination behaviour on Moodle. Soft Computing, 24(11), 18777-18793. https://doi.org/10.1007/s00500-020-05110-4