Algoritmos de aprendizaje automático aplicados en analíticas de aprendizaje en la educación superior

• Ángel Salas-Martínez ^[1] ; Sofía Isabel Fernández-Gregorio ^[2] ; Samuel Martínez-Ramos ^[3]
  1. [1] Universidad Veracruzana

     Universidad Veracruzana

     México

     
  2. [2] TecNM/ Martínez de la Torre, México
  3. [3] TecNM/ Perote, México

  Mostrar afiliaciones +
• Localización: Revista latinoamericana de estudios educativos, ISSN 0185-1284, Vol. 56, Nº. 2, 2026 (Ejemplar dedicado a: Inteligencia Artificial en entornos educativos), págs. 245-274
• Idioma: español
• Títulos paralelos:
  • Machine learning algorithms applied in learning analytics in higher education
• Enlaces
  • Texto completo
• Resumen
  • español

    La incorporación de la inteligencia artificial en la educación superior ha abierto nuevas posibilidades para optimizar los procesos de enseñanza y aprendizaje. En este contexto, el aprendizaje automático se posiciona como una herramienta clave para potenciar las analíticas de aprendizaje, ya que permite predecir el abandono estudiantil, personalizar contenidos y apoyar la toma de decisiones pedagógicas y administrativas. Este artículo presenta una revisión de estudios recientes que integran algoritmos de aprendizaje automático en contextos universitarios. Se identifican y clasifican los algoritmos empleados y se destacan sus usos, ventajas y limitaciones según el tipo de estudio. Los hallazgos permiten ofrecer una guía orientativa para la selección de algoritmos en función de objetivos específicos de investigación o de intervención educativa. Se concluye que aún persisten vacíos significativos en la literatura, lo que evidencia la necesidad de investigaciones más profundas y aplicadas en este campo emergente.

  • English

    The incorporation of artificial intelligence in higher education has opened up new possibilities for optimizing teaching and learning processes. In this context, machine learning is positioned as a key tool for enhancing learning analytics, enabling the prediction of student dropout rates, personalizing content, and supporting pedagogical and administrative decision-making. This article presents a review of recent studies that integrate machine learning algorithms in university contexts. The algorithms used are identified and classified, with their uses, advantages, and limitations highlighted by study type. The findings guide selecting algorithms based on specific research or educational intervention objectives. It is concluded that significant gaps remain in the literature, underscoring the need for more indepth, applied research in this emerging field.