Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 11
Noviembre del 2025
Página 45
REVISIÓN DE ESTRATEGIAS BASADAS EN IA, PARA LA PREDICCIÓN Y MEJORA
DEL RENDIMIENTO ACADÉMICO ESTUDIANTIL
REVIEW OF AI-BASED STRATEGIES FOR PREDICTING AND IMPROVING STUDENT
ACADEMIC PERFORMANCE
Autores: ¹Martha Cecilia Montero Estrada, ²Jenny Violeta Benalcázar Mayorga, ³María Romelia
Pilataxi Gomez,
4
Luis Jhon Pilataxi Morales,
5
Segundo Adalberto Herrera Garcés.
¹ORCID ID: https://orcid.org/0009-0006-5137-1639
²ORCID ID: https://orcid.org/0009-0008-1915-5703
3
ORCID ID: https://orcid.org/0009-0008-6183-9308
4
ORCID ID: https://orcid.org/0009-0004-4730-2011
5
ORCID ID: https://orcid.org/0009-0000-9015-959X
¹E-mail de contacto: marthac.montero@educacion.gob.ec
²E-mail de contacto: jennybenalcazarv@hotmail.com
³E-mail de contacto: mariarpilataxig@hotmail.com
4
E-mail de contacto: luisjpilataxim@hotmail.com
5
E-mail de contacto: seghermacara@hotmail.com
Afiliación: ¹*
2*3*4*5*
Investigador independiente (Ecuador).
Artículo recibido: 26 de Octubre del 2025
Artículo revisado: 28 de Octubre del 2025
Artículo aprobado: 5 de Noviembre del 2025
¹Licenciada en Ciencias de la Educación, Profesora de Enseñanza Media en la Especialización de Comercio y Administración, graduada
de la Universidad Central del Ecuador, (Ecuador). Diploma Superior en Currículo por Competencias, Universidad Nacional de
Chimborazo, (Ecuador). Magíster en Administración Pública, mención Evaluación de Proyectos, Universidad Tecnológica América,
(Ecuador). Docente de Emprendimiento y Gestión con 17 años de experiencia laboral.
²Licenciada en Ciencias de la Educación, Profesora de Enseñanza Media en la Especialización de Comercio y Administración, graduada
en la Universidad Central del Ecuador, (Ecuador). Magíster en Diseño de Proyectos Socioeducativos, Universidad Central del Ecuador,
(Ecuador). Docente de Contabilidad en Bachillerato con 27 años de experiencia en el magisterio ecuatoriano.
³Licenciada en Ciencias de la Educación, Profesora de Enseñanza Media en la Especialización de Informática, graduada de la Universidad
Central del Ecuador, (Ecuador). Maestrante en Ingeniería de Software y Sistemas Informáticos, Universidad Internacional de la Rioja
(España). Docente con 21 años de experiencia laboral.
4
Magíster en Enseñanza de la Matemática, graduado de la Universidad de las Fuerzas Armadas (ESPE), (Ecuador). Docente de
Matemática con 25 años de experiencia laboral.
5
Licenciado en Ciencias de la Educación, Profesor de Enseñanza Media en la Especialización de Matemática y Física, graduado de la
Universidad Central del Ecuador, (Ecuador). Docente con 27 años de experiencia laboral.
Resumen
Este estudio se configura como un campo
emergente que redefine las prácticas educativas,
en este contexto, la investigación aborda la
necesidad analizar las estrategias basadas en
inteligencia artificial aplicadas a la predicción y
mejora del rendimiento académico estudiantil.
El estudio adoptó un enfoque cualitativo de tipo
bibliográfico, sustentado en revisión
documental y análisis teórico. Se emplearon
métodos inductivo-deductivo, analítico-
sintético y teórico, articulados con la técnica de
análisis documental, para sistematizar
información proveniente de artículos científicos
y estudios recientes. Como resultados, se
identificaron cinco estrategias innovadoras de
implementación, entre ellas sistemas de alerta
temprana, tutores virtuales emocionales y
analítica formativa inmersiva. Dichas
estrategias demostraron potencial para anticipar
riesgos de deserción, personalizar procesos de
enseñanza y promover mayor equidad
educativa, aunque enfrentan desafíos éticos,
tecnológicos y de formación docente. En
conclusión, la inteligencia artificial aplicada a la
educación no solo optimiza procesos de
predicción y personalización, sino que demanda
marcos éticos y políticas educativas inclusivas,
su integración efectiva dependerá de la
capacidad institucional para articular
innovación tecnológica con valores de equidad
y calidad formativa.
Palabras clave: Inteligencia artificial,
Rendimiento académico, Estrategias,
Equidad tecnológica.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 11
Noviembre del 2025
Página 46
Abstract
This study is part of an emerging field that is
redefining educational practices. In this
context, the research addresses the need to
analyze artificial intelligence-based strategies
applied to predicting and improving student
academic performance. The study adopted a
qualitative bibliographic approach, based on
document review and theoretical analysis.
Inductive-deductive, analytical-synthetic, and
theoretical methods were used, combined with
the technique of document analysis, to
systematize information from scientific articles
and recent studies. As a result, five innovative
implementation strategies were identified,
including early warning systems, emotional
virtual tutors, and immersive formative
analytics. These strategies demonstrated
potential for anticipating dropout risks,
personalizing teaching processes, and
promoting greater educational equity, although
they face ethical, technological, and teacher
training challenges. In conclusion, artificial
intelligence applied to education not only
optimizes prediction and personalization
processes, but also demands ethical
frameworks and inclusive educational policies.
Its effective integration will depend on the
institutional capacity to articulate technological
innovation with values of equity and
educational quality.
Keywords: Artificial intelligence, Academic
performance, Strategies, Technological
equity.
Sumário
Este estudo configura-se como um campo
emergente que redefine as práticas educativas.
Neste contexto, a investigação aborda a
necessidade de analisar as estratégias baseadas
na inteligência artificial aplicadas à previsão e
melhoria do desempenho académico dos
estudantes. O estudo adotou uma abordagem
qualitativa de tipo bibliográfico, sustentada na
revisão documental e na análise teórica. Foram
utilizados métodos indutivo-dedutivos,
analítico-sintéticos e teóricos, articulados com
a técnica de análise documental, para
sistematizar informações provenientes de
artigos científicos e estudos recentes. Como
resultados, foram identificadas cinco
estratégias inovadoras de implementação, entre
elas sistemas de alerta precoce, tutores virtuais
emocionais e análise formativa imersiva. Essas
estratégias demonstraram potencial para
antecipar riscos de evasão escolar, personalizar
processos de ensino e promover maior
equidade educacional, embora enfrentem
desafios éticos, tecnológicos e de formação
docente. Em conclusão, a inteligência artificial
aplicada à educação não só otimiza os
processos de previsão e personalização, mas
também exige quadros éticos e políticas
educativas inclusivas. A sua integração eficaz
dependerá da capacidade institucional de
articular a inovação tecnológica com valores de
equidade e qualidade formativa.
Palavras-chave: Palavras-chave:
Inteligência artificial, Desempenho
acadêmico, Estratégias, Equidade
tecnológica.
Introducción
La investigación sobre estrategias basadas en
inteligencia artificial orientadas a la predicción
y mejora del rendimiento académico se ha
consolidado como un campo emergente dentro
de la educación contemporánea (Bolaño y
Duarte, 2024). El uso de algoritmos de
aprendizaje automático y profundo ha permitido
generar modelos predictivos capaces de
anticipar la deserción estudiantil y proyectar el
desempeño académico en diversos niveles
educativos, lo cual redefine los procesos de
enseñanza y aprendizaje en entornos escolares y
universitarios (Cruz et al., 2022). El problema
central se enmarca en la dificultad de muchas
instituciones para identificar oportunamente a
los estudiantes en riesgo de bajo rendimiento,
fracaso escolar o abandono, pese al creciente
acceso a datos académicos y socioeconómicos,
persiste la ausencia de mecanismos sistemáticos
que articulen esta información con acciones
pedagógicas concretas (Carguacundo et al.,
2024). En este escenario surge la pregunta de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 11
Noviembre del 2025
Página 47
investigación: ¿cómo las estrategias basadas en
inteligencia artificial pueden optimizar la
predicción y la mejora del rendimiento
académico en los contextos escolares?
La justificación de este estudio se sustenta en el
potencial transformador de la IA en el ámbito
educativo, su aplicación no solo permitiría
diseñar intervenciones tempranas para reducir
las tasas de deserción y fracaso, sino también
fortalecer el aprendizaje personalizado y
equitativo. Se espera que los hallazgos aporten
a la construcción de nuevas rutas metodológicas
que integren el análisis predictivo en la práctica
pedagógica, generando beneficios para
docentes, estudiantes y responsables de
políticas educativas (García, 2024). Los aportes
se proyectan tanto en el plano teórico, al ampliar
la comprensión sobre el vínculo entre IA y
educación, como en el plano práctico, al
proponer mecanismos de intervención
escalables y adaptables a distintos contextos. El
objetivo general de la investigación se centra en
analizar las estrategias basadas en inteligencia
artificial aplicadas a la predicción y mejora del
rendimiento académico estudiantil, evaluando
su pertinencia, eficacia y posibles implicaciones
pedagógicas y sociales.
La inteligencia artificial (IA) ha pasado de ser
una disciplina centrada en la automatización de
procesos a consolidarse como un eje innovador
en la educación, su evolución en contextos
escolares se vincula con el aprendizaje
automático, la analítica del aprendizaje y los
sistemas adaptativos capaces de identificar
patrones complejos en los datos estudiantiles
(Quinto et al., 2024). El tránsito de los modelos
estadísticos tradicionales hacia algoritmos
inteligentes ha permitido ampliar las
capacidades predictivas y personalizar la
enseñanza. En este recorrido histórico, la IA se
configura como una herramienta que transforma
la gestión académica y posibilita intervenciones
oportunas, orientadas al desarrollo integral de
los estudiantes (Álvarez et al., 2024). En la
actualidad, las aplicaciones de la IA en la
educación incluyen plataformas de evaluación
formativa con retroalimentación inmediata,
sistemas de tutoría inteligente, predicción de
deserción escolar y generación de rutas
personalizadas de aprendizaje. Estas
innovaciones no solo optimizan el monitoreo
del rendimiento académico, sino que también
potencian la motivación y el compromiso
estudiantil mediante experiencias adaptadas a
las necesidades individuales (Zambrana,
2025b).
El uso de redes neuronales, minería de datos y
árboles de decisión ha demostrado eficacia en la
detección temprana de riesgos académicos y en
la consolidación de aprendizajes significativos,
posicionando a la IA como un aliado
pedagógico estratégico en distintos niveles
educativos. La implementación de la IA en los
procesos pedagógicos requiere diseñar
estrategias que integren tanto las dimensiones
técnicas como las educativas, una de ellas
consiste en el empleo de algoritmos de
aprendizaje automático que predicen el
rendimiento futuro a partir de datos académicos
y socioeconómicos, lo que permite activar
sistemas de alerta temprana. Otra estrategia se
basa en la incorporación de sistemas de tutoría
inteligente capaces de adaptar contenidos al
ritmo y estilo de cada estudiante, fomentando
un aprendizaje autónomo y personalizado
(García, 2024). Asimismo, la analítica del
aprendizaje posibilita a los docentes tomar
decisiones informadas, al identificar patrones
que condicionan el desempeño estudiantil.
Estos enfoques se complementan con
herramientas de retroalimentación inmediata
que corrigen errores en tiempo real y
promueven la motivación. Su adecuada
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 11
Noviembre del 2025
Página 48
implementación demanda capacitación docente,
calidad de datos y marcos éticos sólidos que
garanticen transparencia y equidad (Álvarez et
al., 2024).
El rendimiento académico se concibe como el
resultado del proceso de aprendizaje expresado
en logros cognitivos, habilidades adquiridas y
competencias demostradas en evaluaciones
formales e informales, este concepto trasciende
la mera acumulación de calificaciones, ya que
se vincula con la capacidad de aplicar
conocimientos en diversos contextos (Rosario y
Benavides, 2024). Su medición incluye tanto
los indicadores cuantitativos, como promedios
y resultados de pruebas estandarizadas, como
aspectos cualitativos relacionados con la
comprensión crítica y la resolución de
problemas. En este sentido, constituye un
constructo multidimensional que integra
factores pedagógicos, sociales y tecnológicos, y
que refleja la interacción entre las
características individuales del estudiante y el
entorno educativo (Orozco y Osorio, 2024). Los
factores que condicionan el rendimiento
académico pueden agruparse en internos y
externos. Entre los internos, destacan las
capacidades cognitivas, el nivel de motivación
intrínseca, la autorregulación del aprendizaje y
la resiliencia frente a los fracasos, también
cumplen un papel fundamental los aspectos
emocionales, como la autoestima y el manejo
del estrés, que inciden directamente en la
disposición para enfrentar retos académicos.
Respecto a los factores externos, influyen las
condiciones socioeconómicas, el acceso a
recursos tecnológicos, el acompañamiento
familiar y la calidad del entorno escolar. En
contextos de desigualdad, estas variables
externas amplifican las brechas en los logros
educativos y generan riesgos de abandono o
bajo desempeño. La literatura evidencia que la
combinación de estos factores ofrece un marco
explicativo robusto para comprender la
variabilidad en los resultados académicos
(Álvarez, 2023). La inteligencia artificial ha
demostrado eficacia en la identificación
temprana de estudiantes en riesgo de deserción
o fracaso, mediante redes neuronales, árboles de
decisión y modelos de minería de datos se logra
anticipar patrones de bajo rendimiento a partir
de datos históricos de evaluaciones, asistencia y
variables socioeconómicas. Estos modelos
generan predicciones con alta precisión y
permiten a las instituciones activar medidas de
intervención adaptadas a cada caso (Orozco y
Osorio, 2024). Los sistemas de alerta temprana,
sustentados en algoritmos de aprendizaje
automático, facilitan a los docentes detectar
desviaciones en el rendimiento antes de que se
conviertan en fracaso escolar, estas plataformas
procesan grandes volúmenes de datos y emiten
reportes que orientan la adopción de estrategias
diferenciadas de enseñanza y acompañamiento.
La implementación de este enfoque permite
optimizar el tiempo de respuesta pedagógica y
fortalecer la equidad en la atención a
poblaciones vulnerables (Gregori et al., 2024).
El impacto de la IA en el aprendizaje
personalizado se evidencia en su capacidad para
adaptar los contenidos, ritmos y evaluaciones a
las necesidades de cada estudiante, al identificar
fortalezas y debilidades, estas herramientas
orientan trayectorias formativas diferenciadas
que incrementan la motivación y la autonomía.
En términos de equidad, posibilitan reducir
brechas educativas al brindar apoyo focalizado
a estudiantes con limitaciones académicas o
socioeconómicas. No obstante, su eficacia
depende de la calidad de los datos empleados y
del marco ético que guíe su aplicación, con el
fin de evitar sesgos y exclusiones, la evidencia
empírica muestra que los entornos de
aprendizaje mediados por IA mejoran la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 11
Noviembre del 2025
Página 49
retención estudiantil, potencian la resiliencia
académica y favorecen un acceso más
equitativo a oportunidades formativas.
La integración de estrategias basadas en
inteligencia artificial con la predicción del
rendimiento académico se articula mediante
modelos capaces de analizar patrones
complejos en los datos estudiantiles.
Algoritmos como redes neuronales, máquinas
de soporte vectorial y bosques aleatorios
permiten identificar riesgos de deserción,
clasificar niveles de desempeño y generar
intervenciones adaptadas, esta articulación no
se limita a la predicción estadística, sino que
posibilita retroalimentación inmediata y apoyo
a la toma de decisiones pedagógicas (Arias et
al., 2024). Al establecer correspondencias entre
variables individuales, contextuales y
educativas, la IA facilita un diagnóstico integral
que orienta acciones preventivas y correctivas.
La literatura reciente confirma que esta
convergencia entre estrategias de IA y
predicción académica incrementa la eficiencia
institucional y amplía las oportunidades de
éxito estudiantil en distintos contextos
educativos. El uso de inteligencia artificial en
educación implica transformaciones que
trascienden la dimensión técnica. Desde la
perspectiva pedagógica, estas herramientas
promueven la personalización del aprendizaje,
la identificación temprana de debilidades y la
optimización de estrategias didácticas. A nivel
social, favorecen la equidad al ofrecer apoyos
diferenciados a estudiantes en situación de
vulnerabilidad, aunque también plantean
desafíos relacionados con sesgos algorítmicos y
desigualdades en el acceso tecnológico
(Robalino et al., 2024). La incorporación de IA
exige capacitar al profesorado en competencias
digitales, así como establecer marcos éticos que
regulen la privacidad y el uso responsable de los
datos, de esta manera, la IA se configura como
un recurso con potencial democratizador,
siempre que su aplicación considere las brechas
sociales existentes y garantice transparencia en
los procesos de predicción y evaluación.
Materiales y Métodos
El estudio fue de carácter cualitativo, definido
como un enfoque sustentado en fundamentos
epistemológicos interpretativos que privilegió
la comprensión profunda de los fenómenos
sociales, educativos y psicológicos desde la
perspectiva de los actores implicados (Jiménez,
2023). El uso de este enfoque facilitó la
construcción de una comprensión holística,
exploratoria y contextualizada, permitiendo
generar aportes que trascienden la simple
medición y que contribuyeron a la elaboración
de categorías emergentes útiles para el debate
académico. El diseño adoptó un enfoque
descriptivo–exploratorio. El componente
descriptivo se orientó a detallar, caracterizar y
sistematizar las particularidades de las
estrategias de IA y su relación con el
rendimiento académico, mientras que el
componente exploratorio permitió examinar un
campo con vacíos teóricos y limitado desarrollo
empírico en determinados contextos educativos
(Carazas et al., 2024). Esta combinación facilitó
identificar patrones y categorías iniciales, así
como comprender dinámicas emergentes que
sirvieron de base para nuevas líneas de
investigación y futuras intervenciones.
La investigación fue de tipo bibliográfica,
definida como aquella sustentada en la revisión,
selección, análisis y síntesis de fuentes
secundarias especializadas (Maldonado et al.,
2023). Este procedimiento se fundamentó en
textos académicos, artículos científicos
indexados, lo cual permitió construir un marco
teórico sólido, identificar antecedentes
relevantes y contrastar diversos enfoques
conceptuales sobre la aplicación de la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 11
Noviembre del 2025
Página 50
inteligencia artificial en la educación. Se
aplicaron los métodos teóricos, inductivo-
deductivo y analítico-sintético. El primero se
orientó a la construcción conceptual y
definición de categorías; el segundo permitió
partir de hallazgos particulares hacia
generalizaciones y, de forma inversa, aplicar
marcos generales al análisis de casos concretos;
el tercero posibilitó descomponer el fenómeno
en sus elementos y reintegrarlos en una visión
comprensiva (Hurtado, 2020). Estos métodos se
articularon para organizar e interpretar la
información de manera coherente con las
categorías conceptuales del estudio. La técnica
empleada fue el análisis documental, concebido
como un procedimiento cualitativo que permitió
examinar críticamente textos, artículos
científicos y documentos académicos
(Manterola et al., 2015). Esta técnica garantizó
la obtención de información válida y relevante,
necesaria para responder a los objetivos
planteados en la investigación.
El estudio fue de carácter cualitativo, definido
como un enfoque sustentado en fundamentos
epistemológicos interpretativos que privilegió
la comprensión profunda de los fenómenos
sociales, educativos y psicológicos desde la
perspectiva de los actores implicados (Jiménez,
2023). El uso de este enfoque facilitó la
construcción de una comprensión holística,
exploratoria y contextualizada, permitiendo
generar aportes que trascienden la simple
medición y que contribuyeron a la elaboración
de categorías emergentes útiles para el debate
académico. El diseño adoptó un enfoque
descriptivo–exploratorio. El componente
descriptivo se orientó a detallar, caracterizar y
sistematizar las particularidades de las
estrategias de IA y su relación con el
rendimiento académico, mientras que el
componente exploratorio permitió examinar un
campo con vacíos teóricos y limitado desarrollo
empírico en determinados contextos educativos
(Carazas et al., 2024). Esta combinación facilitó
identificar patrones y categorías iniciales, así
como comprender dinámicas emergentes que
sirvieron de base para nuevas líneas de
investigación y futuras intervenciones.
La investigación fue de tipo bibliográfica,
definida como aquella sustentada en la revisión,
selección, análisis y síntesis de fuentes
secundarias especializadas (Maldonado et al.,
2023). Este procedimiento se fundamentó en
textos académicos, artículos científicos
indexados, lo cual permitió construir un marco
teórico sólido, identificar antecedentes
relevantes y contrastar diversos enfoques
conceptuales sobre la aplicación de la
inteligencia artificial en la educación. Se
aplicaron los métodos teóricos, inductivo-
deductivo y analítico-sintético. El primero se
orientó a la construcción conceptual y
definición de categorías; el segundo permitió
partir de hallazgos particulares hacia
generalizaciones y, de forma inversa, aplicar
marcos generales al análisis de casos concretos;
el tercero posibilitó descomponer el fenómeno
en sus elementos y reintegrarlos en una visión
comprensiva (Hurtado, 2020). Estos métodos se
articularon para organizar e interpretar la
información de manera coherente con las
categorías conceptuales del estudio. La técnica
empleada fue el análisis documental, concebido
como un procedimiento cualitativo que permitió
examinar críticamente textos, artículos
científicos y documentos académicos
(Manterola et al., 2015). Esta técnica garantizó
la obtención de información válida y relevante,
necesaria para responder a los objetivos
planteados en la investigación.
Resultados y Discusión
Los hallazgos evidencian que las estrategias
basadas en inteligencia artificial se han
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 11
Noviembre del 2025
Página 51
consolidado como herramientas clave para
predecir y mejorar el rendimiento académico.
Los estudios analizados muestran que
algoritmos como redes neuronales, árboles de
decisión, alcanzan altos niveles de precisión al
identificar estudiantes en riesgo de deserción o
bajo desempeño, lo que permite implementar
intervenciones tempranas y personalizadas. Se
resalta también la utilidad de sistemas de tutoría
inteligente, análisis de datos educativos y
retroalimentación automática para optimizar los
procesos de aprendizaje.
Tabla 1. Optimización, aplicación y pertinencia de estrategias basadas en inteligencia artificial en el
rendimiento académico
Autor y año
¿Cómo las estrategias basadas en IA pueden
optimizar la predicción del rendimiento
académico?
¿Cuáles son las estrategias basadas en IA
aplicadas a la predicción y mejora del
rendimiento académico estudiantil?
¿Cuál es la pertinencia, eficacia e
implicaciones pedagógicas y sociales de
estas estrategias?
(Orozco &
Osorio, 2024)
Señalan que la IA optimiza el rendimiento al
individualizar procesos de aprendizaje y
detectar patrones en pruebas estandarizadas,
utilizando redes neuronales, SVM y Random
Forest para predecir resultados de manera más
precisa.
Destacan el uso de algoritmos de clasificación como
árboles de decisión y regresión logística, que
permiten correlacionar resultados de exámenes con
acreditaciones de calidad universitaria, generando
información útil para instituciones.
Consideran que estas estrategias son
pertinentes al aportar a la medición objetiva de
la calidad educativa, pero advierten sobre
sesgos y la necesidad de datos de calidad para
garantizar aplicaciones éticas y transparentes.
(Jaramillo,
2024)
Explica que los algoritmos predictivos permiten
identificar tempranamente estudiantes en
riesgo, alcanzando precisiones de hasta el 85%,
lo que incrementa la retención y mejora la toma
de decisiones académicas en.
Señala el uso de enfoques multidimensionales que
integran datos académicos, socioeconómicos y de
comportamiento en plataformas, con énfasis en
redes neuronales y árboles de decisión para una
predicción más confiable.
Concluye que la eficacia depende de combinar
factores tecnológicos, éticos y pedagógicos,
resaltando la pertinencia de tutorías
personalizadas y sistemas de alerta temprana
para fortalecer la equidad y la inclusión.
(Acevedo et
al., 2025)
Indican que los modelos basados en Machine
Learning, aplicados a pruebas Saber PRO y
Saber 11, logran anticipar desempeños futuros y
optimizar estrategias educativas desde el inicio
de los cursos.
Utilizan modelos lineales generalizados, Random
Forest y KNN para correlacionar resultados de
pruebas nacionales con variables socioeconómicas,
evidenciando la capacidad de estas técnicas para
predecir rendimiento en educación.
Resaltan que estas aplicaciones favorecen la
identificación de brechas y permiten ajustar
políticas educativas, aunque requieren
transparencia en el manejo de datos y
metodologías rigurosas para reducir sesgos.
(Zambrana,
2025a)
Afirman que los algoritmos de IA ayudan a
vincular acreditaciones de calidad con
resultados de pruebas estandarizadas,
ofreciendo parámetros objetivos para evaluar
programas académicos y proyectar mejoras.
Aplican Random Forest, árboles de decisión y
regresión logística para analizar el desempeño en
ingeniería, mostrando cómo la IA puede clasificar
instituciones y programas según calidad académica.
Reconocen que estas herramientas son eficaces
para orientar procesos institucionales y
políticas públicas, aunque su implementación
exige infraestructura tecnológica y formación
docente adecuada.
(Rodríguez,
2025)
Sostienen que las redes neuronales permiten
clasificar competencias específicas, como el
dominio del inglés, con alta precisión,
facilitando predicciones confiables del
desempeño académico.
Describen la aplicación de ANN para personalizar
programas de aprendizaje, identificando debilidades
individuales y ofreciendo rutas formativas adaptadas
a las necesidades de cada estudiante.
Concluyen que estas estrategias son
pertinentes para fortalecer la personalización
del aprendizaje, aunque deben equilibrarse con
criterios de equidad y garantizar acceso a todos
los estudiantes.
Fuente: elaboración propia
La interpretación de los hallazgos
permite observar que la inteligencia artificial no
solo ha introducido nuevas herramientas de
predicción, sino que también ha reconfigurado
la manera en que las instituciones conciben la
gestión educativa, más allá de los modelos
técnicos aplicados, emerge una tendencia hacia
el uso de la IA como mecanismo de
transformación estructural, capaz de integrar
variables sociales, económicas y pedagógicas
en un mismo sistema de análisis. Esto implica
que la IA no se limita a identificar estudiantes
en riesgo, sino que habilita un cambio en la
cultura institucional hacia la anticipación y la
personalización de los procesos formativos. Al
analizar las distintas propuestas, se identifica
una convergencia en el valor de la
interdisciplinariedad, puesto que las estrategias
más efectivas son aquellas que combinan
algoritmos avanzados con datos contextuales y
experiencias prácticas, generando una visión
más integral del aprendizaje. El impacto de
estas innovaciones radica en que las
instituciones educativas ya no dependen
únicamente de indicadores tradicionales, sino
que incorporan métricas dinámicas que
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 11
Noviembre del 2025
Página 52
responden a la complejidad de los entornos
actuales. Esta interpretación evidencia que la IA
no debe asumirse como un recurso
complementario, sino como un eje articulador
de políticas, programas y metodologías
orientadas a la equidad y la sostenibilidad
educativa.
Tabla 2. Estrategias de implementación de inteligencia artificial para la predicción y mejora del
rendimiento académico estudiantil
Nombre de la
estrategia
Objetivo
Indicador de
evaluación
Indicador de
seguimiento
Recursos
Neuro Aprendizaje
Adaptativo 360°
Favorecer la
personalización del
aprendizaje mediante
algoritmos de redes
neuronales que
identifiquen patrones
individuales de
desempeño y estilos de
aprendizaje.
Porcentaje de
estudiantes con
mejoras sostenidas en
evaluaciones
personalizadas tras
aplicar la estrategia en
comparación con
grupos de control.
Número de
adaptaciones
curriculares generadas
automáticamente por
el sistema en función
de la evolución del
estudiante durante el
ciclo académico.
Plataforma de IA con
módulos de big data,
redes neuronales,
docentes capacitados en
analítica del aprendizaje,
y dispositivos
tecnológicos para
recolección de datos
educativos.
Alerta Cognitiva
Predictiva
Anticipar riesgos de bajo
rendimiento y deserción
escolar mediante
sistemas de alerta
temprana basados en
machine learning.
Precisión de
predicciones sobre
deserción o bajo
rendimiento validadas
con resultados reales
al finalizar el semestre
académico.
Cantidad de alertas
emitidas, atendidas y
solucionadas con
acciones pedagógicas
específicas en plazos
establecidos.
Software de machine
learning, bases de datos
institucionales, paneles
de control interactivos,
formación docente en
interpretación de
reportes, y red de apoyo
psicológico y académico.
Tutor Virtual
Emocional
Complementar el proceso
pedagógico mediante un
asistente virtual que
combine IA y análisis
emocional para
retroalimentación
inmediata.
Nivel de satisfacción y
confianza de los
estudiantes al
interactuar con el
tutor, medido a través
de encuestas y
métricas de uso.
Número de
interacciones efectivas
registradas y
correlación con
mejoras en el
rendimiento
académico de los
usuarios.
Chatbots con IA,
algoritmos de
procesamiento de
lenguaje natural,
módulos de análisis
emocional,
infraestructura digital y
materiales de apoyo
pedagógico.
Analítica Formativa
Inmersiva
Impulsar el aprendizaje
activo mediante el
análisis de datos en
entornos de realidad
virtual y aumentada,
integrados con IA.
Resultados de
desempeño en
simulaciones y
actividades prácticas
en comparación con
evaluaciones
tradicionales.
Reportes periódicos
sobre la evolución de
habilidades prácticas y
cognitivas en
actividades de realidad
virtual y aumentada.
Dispositivos de realidad
virtual y aumentada,
software de IA para
análisis en tiempo real,
simuladores educativos y
docentes capacitados en
didácticas inmersivas.
Equidad
Algorítmica
Inclusiva
Garantizar procesos de
aprendizaje equitativos
mediante algoritmos
diseñados para reducir
sesgos y favorecer a
poblaciones vulnerables.
Reducción de brechas
académicas entre
grupos vulnerables y
no vulnerables tras la
implementación de la
estrategia.
Informes de auditoría
algorítmica que
evidencien la
disminución de sesgos
en los modelos
predictivos aplicados
en educación.
Equipos de expertos en
ética e IA, datasets
balanceados, plataformas
de verificación
algorítmica y
capacitación docente en
inclusión digital.
Fuente: elaboración propia
La aplicación de las estrategias en instituciones
educativas concretas evidencia un potencial
transformador, aunque acompañado de desafíos
significativos, en escuelas, el
NeuroAprendizaje Adaptativo 360° y el Tutor
Virtual Emocional facilitarían aprendizajes
personalizados y motivacionales, fortaleciendo
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 11
Noviembre del 2025
Página 53
la atención a estudiantes con ritmos
diferenciados; sin embargo, implican inversión
en plataformas tecnológicas y capacitación
docente. En universidades, la Alerta Cognitiva
Predictiva y la Analítica Formativa Inmersiva
resultan útiles para anticipar riesgos de
deserción y optimizar prácticas en entornos
profesionales simulados, aunque requieren
infraestructuras digitales robustas y protocolos
de protección de datos. Finalmente, la Equidad
Algorítmica Inclusiva constituye un eje
transversal para ambos contextos, ya que
garantiza justicia educativa, pero enfrenta la
dificultad de diseñar algoritmos libres de sesgos
y sostenibles en el tiempo. En conjunto, los
beneficios residen en mejorar el rendimiento, la
retención y la equidad, mientras que los
desafíos se concentran en costos, formación
docente y adaptación ética a realidades
institucionales diversas.
Conclusiones
La revisión de las estrategias basadas en
inteligencia artificial aplicadas a la predicción y
mejora del rendimiento académico estudiantil
revela un escenario educativo en el que la
innovación tecnológica no puede disociarse de
la reflexión crítica sobre sus implicaciones
pedagógicas y sociales. La incorporación de
algoritmos avanzados y sistemas de análisis no
constituye únicamente un recurso instrumental,
sino un punto de inflexión en la manera en que
las instituciones conciben el aprendizaje, la
evaluación y la equidad en el acceso al
conocimiento. Este panorama exige reconocer
que la IA, más allá de optimizar procesos, actúa
como mediadora entre la información y la toma
de decisiones educativas, reconfigurando el rol
docente y las dinámicas institucionales. Un
aspecto fundamental consiste en la necesidad de
generar un marco ético que acompañe el uso de
estas tecnologías, sin dicho marco, el riesgo de
perpetuar sesgos y desigualdades puede superar
los beneficios previstos, comprometiendo la
legitimidad de los resultados. Al mismo tiempo,
la capacidad de la IA para identificar patrones
complejos y anticipar situaciones de riesgo
académico abre la posibilidad de construir
políticas educativas preventivas y
personalizadas, lo cual plantea la urgencia de
repensar los sistemas de gestión escolar desde
un enfoque de inclusión y sostenibilidad. La
reflexión crítica también lleva a considerar que
la eficacia de estas estrategias dependerá en
gran medida de la formación docente y del
fortalecimiento de competencias digitales en la
comunidad educativa. No se trata únicamente
de implementar plataformas sofisticadas, sino
de generar un ecosistema en el que tecnología y
pedagogía se integren de forma coherente y
contextualizada. En síntesis, el reto principal
radica en trascender la visión instrumental de la
inteligencia artificial para situarla en el centro
de un proyecto educativo integral, en el que la
innovación tecnológica se alinee con valores de
equidad, ética y calidad formativa,
configurando así un horizonte educativo
verdaderamente transformador.
Referencias Bibliográficas
Acevedo, M., Cabezas, N., La Serna, P., &
Araujo, S. (2025). Desafíos y oportunidades
de la inteligencia artificial en la educación
superior latinoamericana: una revisión
sistemática de la literatura. Revista Inve,
6(1), 1–10.
https://zenodo.org/records/15508755
Álvarez, H. (2023). La inteligencia artificial
como catalizador en la enseñanza de la
historia: retos y posibilidades pedagógicas.
Revista Docentes 2.0, 16(2), 318–325.
https://doi.org/10.37843/rted.v16i2.426
Álvarez, M., Ponce, M., Alban, J., & Zambrano,
L. (2024). Revisión de modelos estadísticos
para pronosticar el desempeño académico en
estudiantes universitarios. MQR Investigar,
8(2), 3806–3823.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 11
Noviembre del 2025
Página 54
https://doi.org/10.56048/mqr20225.8.2.2024
.3806-3823
Arias, C., Bruna, O., Gelpi Trudo, R., Del Valle,
M., Zamora, E., & Urquijo, S. (2024).
Rasgos de personalidad y estrategias
cognitivas de regulación emocional en
estudiantes universitarios. Liberabit: Revista
Peruana de Psicología, 30(1), 1–14.
https://doi.org/10.24265/liberabit.2024.v30n
1.779
Bolaño, M., & Duarte, N. (2024). Una revisión
sistemática del uso de la inteligencia
artificial en la educación. Revista
Colombiana de Cirugía, 39(1), 51–63.
https://doi.org/10.30944/20117582.2365
Carazas, R., Mayta, D., Ancaya, C., Tasayco,
S., & Berrio, M. (2024). Método de
investigación científica: Diseño de proyectos
y elaboración de protocolos en las Ciencias
Sociales. Instituto de Investigación y
Capacitación.
https://doi.org/10.53595/eip.012.2024
Carguacundo, F., García, K., Urgilés, D., Chica,
R., Suin, A., & Andrade, M. (2024).
Integración de la IA en el desarrollo del
material educativo y didáctico para docentes
del subnivel Educación General Básica
Media en la asignatura de Ciencias
Naturales. Ciencia Latina Revista Científica
Multidisciplinar, 8(2), 1152–1163.
https://doi.org/10.37811/cl_rcm.v8i2.10557
Cruz, E., González, M., & Rangel, J. C. (2022).
Técnicas de machine learning aplicadas a la
evaluación del rendimiento y a la predicción
de la deserción de estudiantes universitarios:
una revisión. Prisma Tecnológico, 13(1),
77–87.
https://doi.org/10.33412/pri.v13.1.3039
García, F. (2024). Inteligencia artificial
generativa y educación: un análisis desde
múltiples perspectivas. Education in the
Knowledge Society (EKS), 25, 1–25.
https://doi.org/10.14201/eks.31942
Gregori, G., García, C., Rosario, K., & Vidal, I.
(2024). Las tecnologías y su impacto en la
enseñanza aprendizaje de las matemáticas en
la educación universitaria. Serie Científica
de la Universidad de las Ciencias
Informáticas, 17(1), 166–174.
https://publicaciones.uci.cu/index.php/serie/
article/view/1537
Hurtado, F. (2020). Fundamentos
metodológicos de la investigación: el génesis
del nuevo conocimiento. Revista Scientific,
5(16), 99–119.
https://doi.org/10.29394/SCIENTIFIC.ISSN
.2542-2987.2020.5.16.5.99-119
Jaramillo, P. (2024). Aplicación de algoritmos
predictivos para mejorar la retención y el
éxito académico en la educación superior.
Revista Multidisciplinaria de Desarrollo
Agropecuario, Tecnológico, Empresarial y
Humanista, 6(2), 8.
https://doi.org/10.61236/dateh.v6i2.944
Jiménez, J. (2023). Metodología e
investigación: ¿es posible superar el
reduccionismo cientificista? Cuadernos de
Pensamiento, 2(36), 21–50.
https://doi.org/10.51743/cpe.392
Maldonado, F., Álvarez, R., Maldonado, P.,
Cordero, G., & Capote, M. (2023).
Metodología de la investigación: De la
teoría a la práctica. Puerto Madero Editorial
Académica.
https://doi.org/10.55204/pmea.24
Manterola, C., Astudillo, P., Arias, E., &
Claros, N. (2015). Revisiones sistemáticas
de la literatura: qué se debe saber acerca de
ellas. Cirugía Española, 91(3), 149–155.
https://doi.org/10.1016/j.ciresp.2011.07.009
Orozco, N., & Osorio, P. (2024). Application of
artificial intelligence models in standardized
tests for optimizing academic performance
in higher education. European Public and
Social Innovation Review, 9, 1–21.
https://doi.org/10.31637/epsir-2024-1605
Quinto, E., Mazzini, J., Erráez, S., & Suasnabas,
L. (2024). Integración de la IA en la
educación: desafíos y oportunidades.
Recimundo, 8(1), 193–202.
https://doi.org/10.26820/recimundo/8.(1).en
e.2024.193-202
Robalino, C., Chicaiza, K., Coello, C., &
Castillo, A. (2024). Revisión sistemática:
inteligencia artificial en la transformación de
la educación primaria. LATAM: Revista
Latinoamericana de Ciencias Sociales y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 11
Noviembre del 2025
Página 55
Humanidades, 5(5), 1952–1966.
https://doi.org/10.56712/latam.v5i5.2754
Rodríguez, M. (2025). Enfoque para la
retroalimentación inmediata y mejora del
rendimiento académico. Innovarium
International Multidisciplinary Journal,
3(1), 1–13.
https://revinde.org/index.php/innovarium/ar
ticle/view/31
Rosario, J., & Benavides, M. (2024). Métodos
efectivos de evaluación formativa para
mejorar el rendimiento estudiantil en
Ecuador. Revista Social Fronteriza, 4(5), 1–
18.
https://doi.org/10.59814/resofro.2024.4(5)e
493
Zambrana, R. (2025). La inteligencia artificial
como herramienta para el análisis del
rendimiento estudiantil: una revisión desde
la analítica del aprendizaje. Educational
Regent Multidisciplinary Journal, 2(3), 1–
12. https://doi.org/10.63969/nsw2xb85
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Martha Cecilia
Montero Estrada, Jenny Violeta Benalcázar
Mayorga, María Romelia Pilataxi Gomez, Luis Jhon
Pilataxi Morales, Segundo Adalberto Herrera
Garcés.