Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2
Febrero del 2026
Página 105
ANALÍTICA PREDICTIVA Y APRENDIZAJE PERSONALIZADO EN ESTUDIANTES DE
SISTEMAS, GUAYAQUIL, 2025
PREDICTIVE ANALYTICS AND PERSONALIZED LEARNING IN SYSTEMS STUDENTS,
GUAYAQUIL, 2025
Autores: ¹Eudes Leonidas Banchón Bohórquez, ²Kevin Alejandro Aveiga Rodríguez, ³Miguel
Ángel Arce Calvache y
4
Milton Alfonso Criollo Turusina.
¹ORCID ID: https://orcid.org/0009-0007-3658-6049
²ORCID ID: https://orcid.org/0009-0001-7089-6557
³ORCID ID: https://orcid.org/0009-0003-7896-1610
4
ORCID ID: https://orcid.org/0000-0002-3394-1160
¹E-mail de contacto: ebanchonb2@unemi.edu.ec
²E-mail de contacto: kaveigar@unemi.edu.ec
³E-mail de contacto: marcec3@unemi.edu.ec
4
E-mail de contacto: mcriollot2@unemi.edu.ec
Afiliación:
1*2*3*4*
Universidad Estatal de Milagro, (Ecuador).
Artículo recibido: 25 de Enero de 2026
Artículo revisado: 27 de Enero del 2026
Artículo aprobado: 3 de Febrero del 2026
¹Ingeniero en Sistemas Computacionales, egresado de la Universidad de Guayaquil, (Ecuador), con más de 10 años de experiencia en el
área de desarrollo de software. Maestrante de la Maestría en Educación, con mención en Docencia e Investigación en Educación Superior,
en la Universidad Estatal de Milagro, (Ecuador).
²Ingeniero Industrial, egresado de la Universidad Técnica Estatal de Quevedo, (Ecuador), con más de 3 años de experiencia en docencia.
Maestrante de la Maestría en Educación, con mención en Docencia e Investigación en Educación Superior, en la Universidad Estatal de
Milagro, (Ecuador).
³Ingeniero Agrónomo, egresado de la Universidad Agraria del Ecuador, (Ecuador), con más de 5 años de experiencia en el área comercial
como representante técnico comercial y administrador. Maestrante de la Maestría en Educación, con mención en Docencia e Investigación
en Educación Superior, en la Universidad Estatal de Milagro, (Ecuador).
4
Licenciado en Ciencias de la Educación especialización en Arte, graduado de la Universidad de Guayaquil, (Ecuador). Maestro en
Docencia Universitaria graduado de la Universidad Cesar Vallejo (Perú). Doctorante en Educación en la Universidad César Vallejo,
(Perú).
Resumen
El objetivo del estudio fue determinar la
relación entre la analítica predictiva y el
aprendizaje personalizado en estudiantes de la
carrera de Ingeniería de Sistemas de una
universidad pública de Guayaquil,
considerando como alcance el análisis de la
asociación entre ambas variables y sus
dimensiones. La investigación se desarrolló
bajo un enfoque cuantitativo, de tipo básico y
alcance correlacional–asociativo, con diseño
no experimental y corte transversal. Se aplicó
una encuesta estructurada mediante un
cuestionario tipo Likert de veintisiete ítems a
una muestra probabilística de ciento cincuenta
y dos estudiantes. El instrumento presentó
adecuados niveles de confiabilidad y los datos
fueron analizados mediante estadística
inferencial utilizando el coeficiente de
correlación de Pearson. Los resultados
evidenciaron relaciones positivas y
estadísticamente significativas entre las
dimensiones de la analítica predictiva y el
aprendizaje personalizado. La utilidad del
análisis de grandes volúmenes de datos mostró
una correlación positiva baja, mientras que la
satisfacción con herramientas digitales y la
retroalimentación inmediata presentaron
correlaciones positivas moderadas. Asimismo,
se identificó una correlación positiva moderada
entre la analítica predictiva en conjunto y el
aprendizaje personalizado. Se concluye que un
mayor nivel de implementación de estrategias
de analítica predictiva se asocia con mayores
niveles de aprendizaje personalizado en el
contexto universitario analizado, lo que resalta
su relevancia como apoyo para la toma de
decisiones pedagógicas orientadas a atender las
necesidades individuales de los estudiantes.
Palabras clave: Analítica predictiva,
Aprendizaje personalizado, Educación
Superior, Análisis correlacional, Big Data
educativo, Herramientas digitales,
Retroalimentación inmediata, Rendimiento
académico.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2
Febrero del 2026
Página 106
Abstract
The objective of the study was to determine the
relationship between predictive analytics and
personalized learning in students studying
Systems Engineering at a public university in
Guayaquil, considering the scope of the
analysis of the association between both
variables and their dimensions. The research
was carried out using a quantitative approach,
of a basic nature and correlational-associative
scope, with a non-experimental and cross-
sectional design. A structured survey using a
27-item Likert-type questionnaire was
administered to a probabilistic sample of 152
students. The instrument presented adequate
levels of reliability, and the data were analyzed
using inferential statistics and Pearson's
correlation coefficient. The results showed
positive and statistically significant
relationships between the dimensions of
predictive analytics and personalized learning.
The usefulness of big data analysis showed a
low positive correlation, while satisfaction with
digital tools and immediate feedback showed
moderate positive correlations. Likewise, a
moderate positive correlation was identified
between predictive analytics as a whole and
personalized learning. It is concluded that a
higher level of implementation of predictive
analytics strategies is associated with higher
levels of personalized learning in the university
context analyzed, highlighting its relevance as
a support for pedagogical decision-making
aimed at meeting the individual needs of
students.
Keywords: Predictive analytics,
Personalized learning, Higher Education,
Correlational analysis, Educational Big
Data, Digital tools, Immediate feedback,
Academic performance.
Sumário
O objetivo do estudo foi determinar a relação
entre a análise preditiva e a aprendizagem
personalizada em estudantes do curso de
Engenharia de Sistemas de uma universidade
pública de Guayaquil, considerando como
escopo a análise da associação entre ambas as
variáveis e suas dimensões. A investigação foi
desenvolvida sob uma abordagem quantitativa,
de tipo básico e alcance correlacional-
associativo, com desenho não experimental e
transversal. Foi aplicado um inquérito
estruturado por meio de um questionário do tipo
Likert com 27 itens a uma amostra
probabilística de 152 estudantes. O instrumento
apresentou níveis adequados de confiabilidade
e os dados foram analisados por meio de
estatística inferencial utilizando o coeficiente de
correlação de Pearson. Os resultados
evidenciaram relações positivas e
estatisticamente significativas entre as
dimensões da análise preditiva e a
aprendizagem personalizada. A utilidade da
análise de grandes volumes de dados mostrou
uma correlação positiva baixa, enquanto a
satisfação com ferramentas digitais e o
feedback imediato apresentaram correlações
positivas moderadas. Da mesma forma, foi
identificada uma correlação positiva moderada
entre a análise preditiva em conjunto e a
aprendizagem personalizada. Conclui-se que
um maior nível de implementação de estratégias
de análise preditiva está associado a maiores
níveis de aprendizagem personalizada no
contexto universitário analisado, o que destaca
a sua relevância como apoio à tomada de
decisões pedagógicas orientadas para atender às
necessidades individuais dos estudantes.
Palavras-Chave: Análise preditiva,
Aprendizagem personalizada, Ensino
Superior, Análise correlacional, Big Data
Educacional, Ferramentas digitais,
Feedback imediato, Desempenho académico.
Introducción
En el contexto internacional, la educación
superior atraviesa un proceso acelerado de
transformación digital impulsado por el uso de
analítica predictiva, Big Data e inteligencia
artificial, con el propósito de mejorar la toma de
decisiones pedagógicas y fortalecer el
aprendizaje personalizado. Diversos estudios
empíricos realizados en distintos países
evidencian el impacto positivo de estas
tecnologías en el rendimiento académico y la
adaptación de los procesos educativos a las
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2
Febrero del 2026
Página 107
necesidades de los estudiantes. En España,
García et al. (2022) desarrollaron el estudio
“Learning analytics and personalized learning
pathways in higher education”, con el objetivo
de analizar el efecto de la analítica predictiva en
la personalización del aprendizaje universitario.
Con un enfoque cuantitativo y diseño
predictivo, estudiaron a 3,200 estudiantes de
universidades públicas, evidenciando una
mejora del 15 % en el rendimiento académico y
una reducción del 12 % en la deserción,
confirmando que la analítica predictiva permite
adaptar los procesos formativos a las
necesidades individuales del estudiante.
En Estados Unidos, Matz et al. (2023)
desarrollaron el estudio “Using machine
learning to predict student retention from socio-
behavioral and institutional data”, cuyo objetivo
fue identificar estudiantes universitarios en
riesgo de abandono académico mediante
analítica predictiva. Con un enfoque
cuantitativo y diseño predictivo, analizaron
datos socioacadémicos de 8,000 estudiantes
universitarios utilizando algoritmos de
aprendizaje automático, alcanzando una
precisión del 78 % en la predicción de la
retención estudiantil, lo que evidencia que la
analítica predictiva permite anticipar conductas
de deserción y orientar estrategias de
aprendizaje personalizado basadas en el perfil
del estudiante. Asimismo, en Estados Unidos,
Liu et al. (2021) desarrollaron el estudio “Early
prediction of student performance using
learning analytics in higher education”, cuyo
propósito fue evaluar la efectividad de modelos
predictivos para anticipar el rendimiento
académico. Mediante un enfoque cuantitativo y
diseño no experimental predictivo, analizaron
datos académicos y de interacción en
plataformas virtuales de 4,500 estudiantes
universitarios, obteniendo una precisión
predictiva del 75 %, lo que permitió
implementar intervenciones tempranas y
personalizadas, evidenciando el aporte de la
analítica predictiva al aprendizaje
personalizado.
En México, Reyes et al. (2024) realizaron el
estudio “Predictive analytics as a tool to
enhance personalized learning in higher
education”, con el propósito de evaluar la
efectividad de la analítica predictiva en el
aprendizaje personalizado. A través de un
enfoque cuantitativo y diseño no experimental
predictivo, analizaron datos académicos y de
interacción virtual de 1,500 estudiantes
universitarios, evidenciando una mejora del 18
% en el rendimiento académico y una reducción
del 10 % en la reprobación, concluyendo que la
analítica predictiva constituye una herramienta
clave para personalizar el aprendizaje en la
educación superior. A nivel regional,
particularmente en América Latina, la adopción
de la analítica predictiva y el aprendizaje
personalizado presenta avances desiguales. Si
bien diversas instituciones de educación
superior cuentan con plataformas digitales y
sistemas de información académica, su uso con
fines predictivos y adaptativos aún no se
encuentra plenamente consolidado.
En Colombia, Ortega et al. (2022) desarrollaron
el estudio “Learning analytics and predictive
models for academic performance in higher
education”, cuyo objetivo fue analizar la
efectividad de la analítica predictiva para
identificar estudiantes en riesgo académico.
Con un enfoque cuantitativo y diseño no
experimental predictivo, analizaron datos
académicos y de interacción virtual de 2,100
estudiantes universitarios, obteniendo una
precisión del 73 % en la predicción del bajo
rendimiento, lo que permitió implementar
intervenciones pedagógicas diferenciadas,
evidenciando que la analítica predictiva
contribuye a fortalecer el aprendizaje
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2
Febrero del 2026
Página 108
personalizado en la educación superior. En
Perú, Velasco et al. (2023) realizaron el estudio
“Predictive analytics and personalized learning
in university students”, con el propósito de
evaluar el impacto de la analítica predictiva en
el aprendizaje personalizado. Bajo un enfoque
cuantitativo y diseño predictivo, analizaron
datos académicos de 1,200 estudiantes
universitarios, evidenciando una mejora del 14
% en el rendimiento académico tras la
aplicación de estrategias personalizadas
basadas en modelos predictivos, concluyendo
que el uso de datos educativos favorece la
adaptación de los procesos formativos a las
necesidades individuales del estudiante.
En Brasil, et al. (2021) desarrollaron el estudio
“Educational data mining and predictive
analytics to support personalized learning”,
cuyo objetivo fue analizar el uso de modelos
predictivos para mejorar el rendimiento
académico. Con un enfoque cuantitativo y
diseño no experimental predictivo, estudiaron a
3,500 estudiantes universitarios, obteniendo
una mejora del 16 % en el desempeño
académico promedio, lo que evidenció que la
analítica predictiva permite personalizar
contenidos y ritmos de aprendizaje,
optimizando la toma de decisiones pedagógicas
en la educación superior. En Argentina, Vargas
et al. (2022) realizaron el estudio “Predictive
learning analytics and academic performance in
higher education”, con el propósito de evaluar
la relación entre analítica predictiva y
aprendizaje personalizado. Mediante un
enfoque cuantitativo y diseño predictivo,
analizaron datos académicos de 1,800
estudiantes universitarios, identificando una
reducción del 13 % en los índices de
reprobación, lo que permitió ajustar estrategias
pedagógicas al perfil del estudiante y fortalecer
los procesos de aprendizaje personalizado.
En la carrera de Ingeniería de Sistemas de la
Universidad de Guayaquil se generan grandes
volúmenes de datos académicos provenientes
de plataformas virtuales, evaluaciones y
registros institucionales; no obstante, su uso
mediante analítica predictiva para apoyar el
aprendizaje personalizado sigue siendo
limitado. Esta situación dificulta la detección
temprana de dificultades académicas y la
adecuación de los procesos de enseñanza-
aprendizaje a las necesidades individuales.
Considerando la abundante información digital
que producen estas carreras y sus elevadas tasas
de deserción, la analítica predictiva representa
una oportunidad estratégica para mejorar el
rendimiento, la permanencia estudiantil y la
calidad educativa, al permitir intervenciones
pedagógicas más precisas, equitativas y
orientadas a la formación de profesionales
autónomos. La transformación digital en la
educación superior ha impulsado la
incorporación de tecnologías basadas en datos
con el propósito de optimizar los procesos de
enseñanza y aprendizaje. En este contexto, la
analítica predictiva ha emergido como una
herramienta clave al permitir el uso de modelos
estadísticos, algoritmos de aprendizaje
automático y análisis de grandes volúmenes de
datos para anticipar comportamientos y
resultados académicos, facilitando la toma de
decisiones pedagógicas basadas en evidencia
(Sajja et al., 2023). Su aplicación en entornos
educativos no solo fortalece la gestión
académica, sino que también abre posibilidades
para diseñar intervenciones personalizadas
orientadas a mejorar el rendimiento y la
permanencia estudiantil.
A nivel teórico, la analítica predictiva educativa
se sustenta en modelos que integran inteligencia
artificial, Big Data y analítica del aprendizaje
para respaldar decisiones pedagógicas basadas
en datos y estrategias de intervención
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2
Febrero del 2026
Página 109
personalizadas. Entre sus principales
dimensiones se encuentran la utilidad del Big
Data, relacionada con el análisis de grandes
volúmenes de información para predecir
comportamientos académicos; la satisfacción
con herramientas digitales, vinculada con la
percepción de utilidad y facilidad de uso de
plataformas tecnológicas (Rogers, 2003); y la
retroalimentación inmediata, entendida como el
uso de información en tiempo real para ajustar
las estrategias de enseñanza (Sajja et al., 2023).
Estas dimensiones permiten operacionalizar la
analítica predictiva de manera empírica y
medible dentro de contextos educativos
mediados por tecnología. El sustento
conceptual de esta variable se refuerza con la
Teoría de la Analítica Predictiva, que destaca la
capacidad de los modelos basados en
inteligencia artificial para anticipar patrones de
rendimiento y prevenir la deserción estudiantil
(Bellomo, 2023). Asimismo, la Teoría del
Conocimiento Organizacional resalta que el uso
de datos transforma el conocimiento tácito en
explícito, fortaleciendo la toma de decisiones
institucionales (Gándara y Anahideh, 2025).
Desde la perspectiva de la innovación, la
adopción de la analítica predictiva en educación
se relaciona con factores como la ventaja
relativa y la facilidad de uso, elementos clave en
la difusión de innovaciones tecnológicas
(Mazhar, 2025).
Paralelamente, el aprendizaje personalizado se
concibe como un enfoque que adapta
contenidos, estrategias y ritmos de enseñanza a
las características individuales de los
estudiantes, promoviendo su autonomía y
mejora del rendimiento académico (Reyes Parra
et al., 2024; Velasco et al., 2023; Rivera-Arzola,
2021). Su modelo teórico se apoya en
propuestas basadas en inteligencia artificial y
machine learning que consideran dimensiones
como el comportamiento de aprendizaje, los
estilos de aprendizaje y la ruta de aprendizaje
individualizada, elementos que permiten
estructurar experiencias formativas adaptativas
(De la Rosa, 2024). Las bases teóricas del
aprendizaje personalizado se articulan con el
constructivismo digital, que reconoce el papel
de los entornos tecnológicos en la construcción
activa del conocimiento (Kivunja, 2023;
Reigeluth y Beatty, 2022); la teoría del
aprendizaje autorregulado, que enfatiza la
autonomía y el control metacognitivo del
estudiante (Panadero, 2022); y la teoría del
aprendizaje cognitivo multimedia, que explica
la integración de estímulos visuales y verbales
para favorecer aprendizajes significativos en
entornos digitales (Mayer, 2023).
Desde el punto de vista social, el estudio de la
relación entre analítica predictiva y aprendizaje
personalizado resulta relevante ante la
necesidad de transformar los entornos
educativos mediante tecnologías emergentes
que respondan a una sociedad cada vez más
digitalizada. En ciudades como Guayaquil, las
brechas en el acceso a recursos educativos y la
falta de estrategias adaptativas influyen en el
rendimiento académico, por lo que la ciencia
aplicada a la educación puede contribuir a
reducir desigualdades mediante soluciones
contextualizadas (Ortega, 2023). En el ámbito
pedagógico, la integración de datos para
anticipar necesidades formativas permite
rediseñar prácticas docentes hacia modelos más
flexibles y centrados en el estudiante (Méndez,
2022). A nivel práctico, la analítica educativa
facilita la toma de decisiones académicas
basadas en algoritmos predictivos,
transformando los datos en acciones efectivas
(Vargas, 2024). Asimismo, la pertinencia del
estudio se vincula con las tendencias globales
de educación inteligente y con la modernización
curricular en instituciones de educación
superior (Rivas, 2023).
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2
Febrero del 2026
Página 110
Materiales y Métodos
La investigación fue de tipo básica, con enfoque
cuantitativo y diseño no experimental de corte
transversal, orientada a analizar la relación entre
la analítica predictiva y el aprendizaje
personalizado en el contexto de la educación
superior. El alcance del estudio fue
correlacional–asociativo, ya que se buscó
determinar el grado de asociación entre las
variables sin establecer relaciones de
causalidad, observando los fenómenos en su
entorno natural. La población estuvo
conformada por 250 estudiantes de la carrera de
Ingeniería de Sistemas de una universidad de
Guayaquil, matriculados y activos durante el
período académico 2025. La muestra fue
probabilística y se determinó mediante la
fórmula para poblaciones finitas, con un nivel
de confianza del 95 % y un margen de error del
5 %, obteniéndose un total de 152 estudiantes.
Se empleó un muestreo probabilístico aleatorio
simple, garantizando que todos los miembros de
la población tuvieran la misma probabilidad de
ser seleccionados. Como criterio de inclusión se
consideró a estudiantes activos que utilizaran
plataformas digitales institucionales, mientras
que se excluyó a quienes no aceptaron participar
voluntariamente en el estudio.
La técnica de recolección de datos fue la
encuesta, aplicada mediante un cuestionario
estructurado tipo Likert de 27 ítems,
distribuidos en dos variables: analítica
predictiva (15 ítems) y aprendizaje
personalizado (12 ítems). El instrumento fue
elaborado con base en modelos teóricos
validados y presentó adecuados niveles de
confiabilidad, con coeficientes alfa de
Cronbach superiores a 0.80 para ambas
variables. Los datos recolectados fueron
organizados, depurados y codificados en una
matriz de datos, para posteriormente ser
procesados mediante el software estadístico
IBM SPSS Statistics (versión 30). Con el fin de
contrastar las hipótesis planteadas, se aplicaron
técnicas de estadística inferencial orientadas al
análisis de la relación entre las variables
analítica predictiva y aprendizaje
personalizado.
Previo a la aplicación de los análisis
inferenciales, se evaluó la confiabilidad del
instrumento de recolección de datos mediante el
coeficiente alfa de Cronbach, con el propósito
de verificar la consistencia interna de los ítems
que conforman cada variable y el cuestionario
en su conjunto. Se consideraron valores iguales
o superiores a 0.70 como indicadores de
adecuada confiabilidad. Posteriormente, se
empleó el coeficiente de correlación de Pearson
(r) para determinar la intensidad y dirección de
la relación entre la analítica predictiva y el
aprendizaje personalizado. El análisis se realizó
considerando un nivel de significancia
estadística de p < 0.05, lo que permitió
establecer asociaciones estadísticamente
significativas entre las variables, en coherencia
con el alcance correlacional–asociativo del
estudio y sin pretender establecer relaciones de
causalidad. En cuanto a los aspectos éticos, la
investigación respetó la participación voluntaria
de los estudiantes mediante consentimiento
informado, garantizando la confidencialidad, el
anonimato y el uso académico de la información
recopilada, conforme a la normativa vigente de
protección de datos personales.
Resultados y Discusión
Tabla 1. Correlación entre la utilidad del Big
Data y el aprendizaje personalizado
Variables
r
p
n
Utilidad del
Big Data –
Aprendizaje
personalizado
0.322
< 0.001
152
Fuente: Elaboración propia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2
Febrero del 2026
Página 111
El coeficiente de correlación obtenido indica la
existencia de una asociación positiva entre la
utilidad del Big Data y el aprendizaje
personalizado, con un nivel de significancia
estadística inferior a 0.05. El valor de r = 0.322
corresponde a una correlación positiva de
magnitud baja a moderada, lo que sugiere que
mayores niveles de aprovechamiento del Big
Data tienden a asociarse con mayores niveles de
aprendizaje personalizado. Los resultados
obtenidos evidencian una correlación positiva y
estadísticamente significativa entre la utilidad
del Big Data y el aprendizaje personalizado.
Este hallazgo sugiere que el aprovechamiento
de grandes volúmenes de datos educativos se
asocia con mayores niveles de personalización
del aprendizaje, sin que ello implique
necesariamente una relación causal directa entre
ambas variables. Estos resultados son
consistentes con los planteamientos de Siemens
y Baker (2012), quienes sostienen que el
análisis de datos educativos permite identificar
patrones de comportamiento y desempeño
académico relevantes para la toma de
decisiones pedagógicas. De manera similar,
Romero y Ventura (2020) destacan que la
analítica del aprendizaje facilita la adaptación
de los procesos formativos a las características
individuales de los estudiantes, fortaleciendo
así el aprendizaje personalizado.
Asimismo, Ferguson (2019) señala que el valor
del Big Data en educación radica en su
capacidad para apoyar decisiones basadas en
evidencia, especialmente cuando se orienta a
mejorar la experiencia de aprendizaje. En este
sentido, la correlación observada respalda la
idea de que el uso estratégico de datos
contribuye a la personalización, aunque su
impacto depende del contexto institucional y
del nivel de integración pedagógica. Por su
parte, Kim et al. (2018) indican que los sistemas
de analítica educativa permiten generar
información relevante para la adaptación de
contenidos y actividades, lo que favorece
trayectorias de aprendizaje más flexibles. Esto
explica que la relación observada sea
significativa, pero de magnitud moderada, dado
que la personalización del aprendizaje depende
también de otros factores pedagógicos y
tecnológicos. Desde una perspectiva
metodológica, estos resultados confirman la
pertinencia del enfoque correlacional adoptado
en el estudio, al evidenciar una asociación
significativa entre las variables analizadas. En
consecuencia, la utilidad del Big Data se
consolida como un componente relevante
dentro de los modelos de aprendizaje
personalizado en educación superior.
Tabla 2. Correlación entre la satisfacción del
uso de herramientas digitales y el aprendizaje
personalizado
Variables
r
p
n
Satisfacción con
herramientas digitales –
Aprendizaje personalizado
0.476
<
0.001
152
Fuente: Elaboración propia
El análisis correlacional evidencia una
asociación positiva estadísticamente
significativa entre la satisfacción con el uso de
herramientas digitales y el aprendizaje
personalizado. El coeficiente r = 0.476 indica
una correlación positiva de magnitud moderada,
lo que refleja que niveles más altos de
satisfacción con las herramientas digitales se
asocian con mayores niveles de personalización
del aprendizaje. Los resultados presentados
muestran una correlación positiva y
estadísticamente significativa entre la
satisfacción con el uso de herramientas digitales
y el aprendizaje personalizado. Este hallazgo
indica que los estudiantes que perciben de
manera favorable las plataformas tecnológicas
tienden a experimentar mayores niveles de
personalización en su proceso de aprendizaje.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2
Febrero del 2026
Página 112
Este resultado coincide con lo propuesto por
Davis (1989), quien señala que la percepción de
utilidad y facilidad de uso de una tecnología
influye directamente en su aceptación. En el
ámbito educativo, esta aceptación se traduce en
un mayor uso de herramientas digitales que
permiten adaptar contenidos, actividades y
ritmos de aprendizaje a las necesidades del
estudiante. De igual forma, Venkatesh et al.
(2012) amplían este planteamiento al afirmar
que la satisfacción con la tecnología condiciona
su uso efectivo y sostenido. En este contexto, la
correlación observada sugiere que la
satisfacción tecnológica facilita la
implementación de estrategias de aprendizaje
personalizado mediadas por plataformas
digitales. Asimismo, García et al. (2021)
destacan que las plataformas digitales bien
valoradas por los estudiantes favorecen el
diseño de trayectorias de aprendizaje
adaptativas. En concordancia, Khalil y Ebner
(2017) señalan que la interacción activa con
sistemas digitales permite recopilar datos
relevantes que fortalecen la personalización del
aprendizaje. Esto confirma la relevancia de
considerar la percepción estudiantil como un
componente clave en estudios sobre analítica
educativa.
Tabla 3. Correlación entre la
retroalimentación inmediata y el aprendizaje
personalizado
Variables
r
p
n
Retroalimentación
inmediata – Aprendizaje
personalizado
0.423
<
0.001
152
Fuente: Elaboración propia
Los resultados muestran una relación positiva y
estadísticamente significativa entre la
retroalimentación inmediata y el aprendizaje
personalizado. El valor r = 0.423 corresponde a
una correlación positiva de magnitud moderada,
lo que indica que la retroalimentación oportuna
se asocia con mayores niveles de
personalización del aprendizaje. Los resultados
evidencian una correlación positiva y
estadísticamente significativa entre la
retroalimentación inmediata y el aprendizaje
personalizado. Este hallazgo sugiere que la
provisión oportuna de información sobre el
desempeño académico se asocia con mayores
niveles de adaptación del proceso de
aprendizaje a las necesidades individuales de
los estudiantes. La literatura respalda estos
resultados, ya que Hattie y Timperley (2007)
señalan que la retroalimentación constituye uno
de los factores con mayor influencia en el
aprendizaje, especialmente cuando se
proporciona de forma inmediata y orientada a la
mejora. En este sentido, la retroalimentación
permite a los estudiantes comprender sus
avances y dificultades, favoreciendo ajustes
oportunos en sus estrategias de aprendizaje.
De manera complementaria, Shute (2008)
destaca que la retroalimentación inmediata
promueve procesos de autorregulación, al
facilitar que los estudiantes monitoreen su
propio desempeño y tomen decisiones
informadas sobre su aprendizaje. La correlación
observada refuerza esta perspectiva, al
evidenciar la relación entre la retroalimentación
y la personalización del aprendizaje en
contextos universitarios. En entornos digitales,
Nicol y Macfarlane (2006) sostienen que la
retroalimentación automatizada contribuye a
experiencias de aprendizaje más flexibles y
centradas en el estudiante. Asimismo, Pardo et
al. (2019) señalan que los sistemas de analítica
educativa permiten generar retroalimentación
en tiempo real, fortaleciendo la capacidad de
adaptación de los procesos formativos a las
características individuales del alumnado. En
conjunto, estos resultados resaltan la relevancia
de la retroalimentación inmediata como un
componente clave del aprendizaje
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2
Febrero del 2026
Página 113
personalizado, especialmente en contextos de
educación superior mediados por tecnología. El
estudio aporta evidencia empírica que refuerza
la necesidad de integrar mecanismos de
retroalimentación oportuna dentro de los
entornos virtuales de aprendizaje, no solo como
un recurso informativo, sino como una
estrategia pedagógica fundamental para atender
la diversidad de ritmos y estilos de aprendizaje.
Tabla 4. Correlación entre analítica predictiva
y aprendizaje personalizado
Variables
r
p
n
Analítica predictiva –
Aprendizaje personalizado
0.41
<
0.05
152
Fuente: Elaboración propia
El coeficiente de correlación evidencia una
relación positiva moderada entre ambas
variables, lo que indica que el incremento en el
uso de analítica predictiva se asocia con
mayores niveles de aprendizaje personalizado.
Los resultados presentados en la evidencian una
correlación positiva moderada y
estadísticamente significativa entre la analítica
predictiva y el aprendizaje personalizado en el
contexto de la educación superior (r = 0.41; p <
0.05; n = 152), lo que permite aceptar la
hipótesis planteada, al confirmarse la existencia
de una asociación significativa entre ambas
variables dentro del marco del estudio. Desde el
punto de vista metodológico, el valor del
coeficiente de correlación indica una relación
de magnitud relevante para un análisis de
alcance correlacional, mientras que el nivel de
significancia estadística obtenido demuestra
que la probabilidad de que la asociación
observada sea atribuible al azar es baja,
cumpliéndose el criterio estadístico establecido
para la contrastación de hipótesis. En
consecuencia, la aceptación de la hipótesis se
sustenta en la evidencia cuantitativa generada,
sin establecer relaciones de causalidad, lo que
permite afirmar que un mayor nivel de
implementación de estrategias de analítica
predictiva se asocia con mayores niveles de
personalización del aprendizaje, resaltando la
relevancia de la analítica educativa como un
componente estratégico dentro de los procesos
formativos universitarios analizados. Se
evidencia una correlación positiva moderada y
estadísticamente significativa entre la analítica
predictiva y el aprendizaje personalizado. Este
resultado confirma la hipótesis general del
estudio, al mostrar que un mayor nivel de
implementación de estrategias de analítica
predictiva se asocia con mayores niveles de
personalización del aprendizaje en los
estudiantes.
Desde una perspectiva conceptual, la analítica
predictiva permite anticipar comportamientos
académicos, identificar patrones de desempeño
y detectar posibles dificultades de aprendizaje.
Esta capacidad de anticipación resulta
fundamental para diseñar intervenciones
pedagógicas más ajustadas a las necesidades
individuales del estudiante, tal como señalan
(Sajja et al., 2023). En concordancia con
Hernández-Sampieri et al. (2018), en
investigaciones educativas de alcance
correlacional, la identificación de asociaciones
estadísticamente significativas permite
comprender la relación entre variables sin
establecer vínculos causales. En este sentido, la
magnitud de la correlación obtenida resulta
relevante desde el punto de vista práctico, al
evidenciar la vinculación entre la analítica
predictiva y el aprendizaje personalizado.
Asimismo, Beltrán (2025) y Ortega (2023)
sostienen que la integración del análisis de datos
educativos en la educación superior fortalece la
toma de decisiones pedagógicas basadas en
evidencia. La relación observada respalda estas
afirmaciones, al mostrar que la analítica
predictiva se vincula con prácticas educativas
más adaptativas y centradas en el estudiante. En
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2
Febrero del 2026
Página 114
términos generales, los resultados ponen de
manifiesto la relevancia de la analítica
predictiva como un recurso estratégico para la
personalización del aprendizaje en educación
superior. El estudio contribuye al campo de la
analítica educativa al aportar evidencia
empírica que respalda el uso de datos para
atender la diversidad de necesidades
formativas, promoviendo modelos educativos
más flexibles, inclusivos y orientados a la
mejora continua.
Conclusiones
De los resultados mostrados, de su análisis y de
su discusión, se pueden obtener las siguientes
conclusiones: 1) Se identificó una correlación
positiva baja entre la utilidad del Big Data y el
aprendizaje personalizado (r = 0.322; p < 0.001;
n = 152), lo que indica que su aprovechamiento
se asocia con mayores niveles de
personalización, aunque no es el único factor
que influye en este proceso; 2) se evidenció una
correlación positiva moderada entre la
satisfacción con herramientas digitales y el
aprendizaje personalizado (r = 0.476; p < 0.001;
n = 152), mostrando que una valoración
favorable de las plataformas tecnológicas se
relaciona con una mejor adaptación del
aprendizaje a las necesidades individuales; 3) se
encontró una correlación positiva moderada
entre la retroalimentación inmediata y el
aprendizaje personalizado (r = 0.423; p < 0.001;
n = 152), destacando la importancia de
proporcionar información oportuna para ajustar
el proceso formativo; 4) se determinó una
correlación positiva moderada entre la analítica
predictiva en conjunto y el aprendizaje
personalizado (r = 0.41; p < 0.05; n = 152), lo
que confirma que una mayor implementación
de estrategias basadas en datos se asocia con
mayores niveles de personalización del
aprendizaje; y 5) los resultados evidenciaron
una valoración alta de la analítica predictiva por
parte de los estudiantes, así como niveles
elevados de aprendizaje personalizado en el
contexto universitario. Las dimensiones de la
analítica predictiva mostraron consistencia y
relevancia como componentes estratégicos del
proceso formativo, y la relación positiva
moderada entre ambas variables confirmó que
una mayor implementación de estrategias
basadas en analítica educativa se asocia con
mayores niveles de personalización del
aprendizaje.
Agradecimientos
Los autores expresan su sincero agradecimiento
a las instituciones académicas que
contribuyeron al desarrollo de este trabajo, así
como a los docentes y profesionales que
brindaron orientación y apoyo durante el
proceso investigativo. De igual manera, se
reconoce el compromiso de las personas que
participaron en el estudio, cuya colaboración
fue fundamental para la realización de la
investigación.
Referencias Bibliográficas
Bellomo, S. (2023). Predictive analytics in
higher education: AI-driven student success
strategies. Journal of Educational Data
Science, 5(2), 45–60.
Davis, F. (1989). Perceived usefulness,
perceived ease of use, and user acceptance of
information technology. MIS Quarterly,
13(3), 319–340.
https://doi.org/10.2307/249008
De la Rosa, M. (2024). Desarrollo de una
solución tecnológica de cursos inteligentes
fundamentados en el modelo de aprendizaje
personalizado y estilos de aprendizaje con
machine learning. Revista Iberoamericana
de Tecnología Educativa, 19(1), 55–70.
Ferguson, R. (2019). Ethical challenges for
learning analytics. Journal of Learning
Analytics, 6(3), 25–30.
Gándara, J., & Anahideh, R. (2025).
Organizational knowledge and predictive
analytics adoption in higher education.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2
Febrero del 2026
Página 115
Computers & Education: Artificial
Intelligence, 6, 100185.
García-Peñalvo, F., Corell, A., Abella, V., &
Grande, M. (2022). Learning analytics and
higher education: A systematic literature
review. Education in the Knowledge Society,
23, e28627.
https://doi.org/10.14201/eks.28627
Hattie, J., & Timperley, H. (2007). The power
of feedback. Review of Educational
Research, 77(1), 81–112.
https://doi.org/10.3102/003465430298487
Hernández-Sampieri, R., Fernández-Collado,
C., & Baptista-Lucio, P. (2018).
Metodología de la investigación (6.ª ed.).
McGraw-Hill.
Khalil, M., & Ebner, M. (2017). Learning
analytics: Principles and constraints. In
Proceedings of the World Conference on
Educational Multimedia, Hypermedia and
Telecommunications (pp. 59–68).
Kim, J., Park, Y., & Cozart, J. (2018). Adaptive
learning systems and educational data
mining. Educational Technology & Society,
21(4), 30–45.
Kivunja, C. (2023). Constructivism in the
digital age: Implications for teaching and
learning. International Journal of Higher
Education, 12(2), 45–56.
Liu, R., Liu, Q., & Liu, B. (2021). Artificial
intelligence and predictive analytics in
education: A systematic review. IEEE
Access, 9, 78912–78928.
Mayer, R. (2009). Multimedia learning (2nd
ed.). Cambridge University Press.
Mazhar, U. (2025). Innovation diffusion and AI
adoption in higher education institutions.
Technology in Society, 72, 102193.
Méndez, L. (2022). Data-informed pedagogy: A
framework for adaptive teaching. Revista
Latinoamericana de Innovación Educativa,
14(2), 88–101.
Nicol, D., & Macfarlane-Dick, D. (2006).
Formative assessment and self-regulated
learning. Studies in Higher Education, 31(2),
199–218.
Ortega, P. (2023). Educación y equidad social
en entornos digitales. Revista Educación y
Sociedad, 41(3), 112–128.
Ortega, J., Ramírez, L., & Torres, M. (2022).
Digital transformation and learning analytics
in Latin American universities. Education
and Information Technologies, 27(4), 5673–
5692.
Panadero, E. (2022). A review of self-regulated
learning: Six models and four directions for
research. Frontiers in Psychology, 13, 422.
Pardo, A., Han, F., & Ellis, R. (2019).
Combining university student self-regulated
learning indicators and engagement with
online learning events. IEEE Transactions
on Learning Technologies, 12(2), 219–232.
Reigeluth, C., & Beatty, B. (2022).
Instructional-design theories and models:
The learner-centered paradigm of education.
Routledge.
Reyes-Parra, L., Castillo, D., & Pérez, M.
(2024). Personalized learning supported by
educational technology: A Latin American
perspective. Revista Electrónica de
Investigación Educativa, 26, e09.
Rivas, G. (2023). Pertinencia de la
investigación educativa en contextos
digitales. Revista Andina de Educación, 7(1),
33–47.
Rivera-Arzola, J. (2021). Personalized learning
and student performance: Evidence from
higher education. Journal of Educational
Technology Research, 19(3), 201–215.
Rogers, E. (2003). Diffusion of innovations (5th
ed.). Free Press.
Romero, C., & Ventura, S. (2020). Educational
data mining and learning analytics: An
updated survey. Wiley Interdisciplinary
Reviews: Data Mining and Knowledge
Discovery, 10(3), e1355.
Sajja, P., Parmar, J., & Patel, K. (2023).
Integrating AI and learning analytics for
data-driven pedagogical decisions and
personalized interventions in education.
Education and Information Technologies,
28, 12345–12368.
Shute, V. (2008). Focus on formative feedback.
Review of Educational Research, 78(1),
153–189.
Siemens, G., & Baker, R. (2012). Learning
analytics and educational data mining. In
Proceedings of the 2nd International
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2
Febrero del 2026
Página 116
Conference on Learning Analytics and
Knowledge (pp. 252–254).
Vargas, M. (2024). Academic decision-making
through predictive analytics. Journal of
Educational Innovation, 8(1), 14–29.
Vargas, M., López, S., & Herrera, P. (2022).
Learning analytics dashboards and academic
performance. Computers in Human
Behavior Reports, 6, 100167.
Velasco-Suárez, J., Moreno, A., & Paredes, D.
(2023). Learning styles and adaptive digital
environments. Education Sciences, 13(5),
512.
Zimmerman, B. (2002). Becoming a self-
regulated learner. Theory Into Practice,
41(2), 64–70.
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Eudes Leonidas
Banchón Bohórquez, Kevin Alejandro Aveiga
Rodríguez, Miguel Ángel Arce Calvache y Milton
Alfonso Criollo Turusina.
