Analítica del aprendizaje y predicción del abandono estudiantil en entornos virtuales

• Camacho Reyes, Ronald Durvanny ^[1] ; Guaña Moya, Javier ^[2] ; Herrera Gallegos, Ruth Karla ^[3] ; Payne Mora, Esperanza Soledad ^[3] ; Corahua Tica, Rolando ^[3]
  1. [1] Universidad Técnica Estatal de Quevedo

     Universidad Técnica Estatal de Quevedo

     Quevedo, Ecuador

     
  2. [2] Instituto Superior Universitario Japón. Ecuador
  3. [3] Instituto de Educación Superior Pedagógico Público "Quillabamba". Perú

  Mostrar afiliaciones +
• Localización: Ethos Scientific Journal, ISSN-e 3091-1737, Vol. 4, Nº. 1, 2026, págs. 79-94
• Idioma: español
• Títulos paralelos:
  • Learning analytics and prediction of student dropout in virtual environments
• Enlaces
  • Texto completo (pdf)
  • Texto completo
• Resumen
  • español

    Objetivo: Se estudió cómo la literatura reciente ha tratado el análisis del aprendizaje para entender y prever el abandono de estudiantes en entornos virtuales. Se tomaron en cuenta indicadores académicos y de comportamiento, condiciones de las instituciones y las implicaciones éticas del uso de inteligencia artificial. Metodología: Se llevó a cabo un estudio cualitativo con un enfoque bibliográfico-documental. Se eligieron publicaciones de manera intencionada y se organizó la información usando una matriz de extracción. Se aplicó codificación temática y análisis de contenido para reconocer similitudes, diferencias y faltantes en el área. Resultados: La producción se enfocó en 2021–2025, y el análisis identificó cuatro patrones principales: (1) razones e indicadores de abandono escolar; (2) uso de datos para tomar decisiones educativas; (3) condiciones del contexto (participación, desigualdades e infraestructura); y (4) ética, prejuicios y objetivos educativos de la IA. Se notó que el bloque ético estuvo muy presente, mientras que la evidencia de modelos predictivos con validación técnica clara fue menor en comparación. Además, se señalaron riesgos de interpretación cuando las métricas de la plataforma no incluyen variables de acceso e infraestructura. Conclusiones: Se concluyó que la predicción del abandono requiere integrar indicadores de participación y desempeño con lectura pedagógica, controles contextuales y marcos éticos operativos. Esto es necesario para sostener decisiones institucionales transparentes y equitativas. Se sugirió avanzar en validaciones a largo plazo, evaluar sesgos por subgrupos y estudiar la efectividad de intervenciones que provienen de alertas tempranas.

  • English

    Objective: The study examined how recent literature has addressed learning analytics to understand and predict student dropout in virtual environments. Academic and behavioral indicators, institutional conditions, and the ethical implications of using artificial intelligence were considered. Methodology: A qualitative study with a bibliographic-documentary approach was conducted. Publications were intentionally selected, and the information was organized using an extraction matrix. Thematic coding and content analysis were applied to identify similarities, differences, and gaps in the field. Results: The research focused on 2021–2025, and the analysis identified four main patterns: (1) reasons and indicators of school dropout; (2) use of data for educational decision-making; (3) contextual conditions (participation, inequalities, and infrastructure); and (4) ethics, biases, and educational objectives of AI. It was noted that the ethical dimension was very prominent, while evidence of predictive models with clear technical validation was less prevalent by comparison. Additionally, risks of misinterpretation were noted when the platform’s metrics do not include access and infrastructure variables. Conclusions: It was concluded that dropout prediction requires integrating participation and performance indicators with pedagogical interpretation, contextual controls, and operational ethical frameworks. This is necessary to sustain transparent and equitable institutional decisions. It was suggested to advance long-term validations, evaluate biases by subgroup, and study the effectiveness of interventions triggered by early warnings.