����������������������������������������������������������������������������������

 

 

Modelado predictivo mediante inteligencia artificial y big data: desarrollo de estrategias adaptativas para la personalizaci�n, prevenci�n de riesgos y mejora continua del aprendizaje en entornos digitales educativos

 

Predictive modeling using artificial intelligence and big data: developing adaptive strategies for personalization, risk prevention, and continuous learning improvement in digital educational environments

 

Predictive modeling using artificial intelligence and big data: developing adaptive strategies for personalization, risk prevention, and continuous learning improvement in digital educational environments

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: veronicamoralesramos576@gmail.com

Ciencias de la Educaci�n

Art�culo de Investigaci�n

 

* Recibido: 21 de julio de 2025 *Aceptado: 23 de agosto de 2025 * Publicado: �29 de septiembre de 2025

 

         I.            Magister en Dise�o Curricular y Evaluaci�n Educativa, Ecuador.

      II.            Lic. en Ciencias de la Educaci�n Menci�n Educaci�n B�sica, Magister en Pedagog�a, Ecuador.

    III.            Lic. en Ciencias de la Educaci�n menci�n Ingl�s, Ecuador.

    IV.            Licenciada en Ciencias de la Educaci�n menci�n Educaci�n B�sica, Ecuador.

      V.            Mag�ster en Educaci�n Menci�n Pedagog�a en Entornos Digitales, Ecuador.

Resumen

Este estudio presenta el desarrollo y la validaci�n de un modelo predictivo basado en inteligencia artificial y big data para dise�ar estrategias adaptativas que potencien la personalizaci�n del aprendizaje, la prevenci�n de riesgos digitales y la mejora continua en entornos educativos digitales. Mediante un enfoque de m�todos mixtos que combina la revisi�n sistem�tica de la literatura con el an�lisis experimental de datos de plataformas educativas del mundo real, la investigaci�n identific� patrones clave en el rendimiento y el comportamiento estudiantil para anticipar los riesgos acad�micos y proponer intervenciones personalizadas. Los resultados muestran una alta precisi�n y adaptabilidad del modelo, con reducciones significativas en las tasas de abandono escolar y mejoras en la retenci�n y el progreso estudiantil. El estudio tambi�n destaca la importancia de las consideraciones �ticas y la privacidad de los datos para garantizar el uso responsable y equitativo de estas tecnolog�as en la educaci�n. Este trabajo contribuye a la innovaci�n pedag�gica basada en evidencia cient�fica, promoviendo entornos de aprendizaje m�s seguros, inclusivos y efectivos.

Palabras Clave: Modelado predictivo; inteligencia artificial; big data; personalizaci�n educativa; prevenci�n de riesgos; aprendizaje digital.

 

Abstract

This study presents the development and validation of a predictive model based on artificial intelligence and big data for designing adaptive strategies that enhance learning personalization, digital risk prevention, and continuous improvement in digital educational environments. Using a mixed-methods approach that combines a systematic literature review with experimental analysis of data from real-world educational platforms, the research identified key patterns in student performance and behavior to anticipate academic risks and propose personalized interventions. The results show high accuracy and adaptability of the model, with significant reductions in dropout rates and improvements in student retention and progress. The study also highlights the importance of ethical considerations and data privacy to ensure the responsible and equitable use of these technologies in education. This work contributes to evidence-based pedagogical innovation, promoting safer, more inclusive, and effective learning environments.

Keywords: Predictive modeling; artificial intelligence; big data; educational personalization; risk prevention; digital learning.

 

Resumo

Este estudo apresenta o desenvolvimento e valida��o de um modelo preditivo baseado em intelig�ncia artificial e big data para o desenvolvimento de estrat�gias adaptativas que melhorem a personaliza��o da aprendizagem, a preven��o de riscos digitais e a melhoria cont�nua em ambientes educativos digitais. Utilizando uma abordagem de m�todos mistos que combina uma revis�o sistem�tica da literatura com a an�lise experimental de dados de plataformas educativas do mundo real, a investiga��o identificou padr�es-chave no desempenho e comportamento dos alunos para antecipar riscos acad�micos e propor interven��es personalizadas. Os resultados demonstram uma elevada precis�o e adaptabilidade do modelo, com redu��es significativas nas taxas de abandono e melhorias na reten��o e progresso dos alunos. O estudo destaca ainda a import�ncia das considera��es �ticas e da privacidade dos dados para garantir a utiliza��o respons�vel e equitativa destas tecnologias na educa��o. Este trabalho contribui para a inova��o pedag�gica baseada na evid�ncia, promovendo ambientes de aprendizagem mais seguros, inclusivos e eficazes.

Palavras-chave: Modela��o preditiva; intelig�ncia artificial; big data; personaliza��o educativa; preven��o de riscos; aprendizagem digital.

 

Introducci�n

En el contexto educativo actual, la integraci�n de tecnolog�as digitales ha generado una abundancia de datos sobre procesos de ense�anza-aprendizaje que pueden ser explotados mediante el modelado predictivo con inteligencia artificial (IA) y big data. A nivel micro, el an�lisis detallado de interacciones, rendimiento y comportamientos individuales permite personalizar estrategias para responder a las necesidades espec�ficas de cada estudiante, incrementando su motivaci�n y �xito acad�mico (Bola�o-Garc�a, 2024). Las instituciones educativas enfrentan el reto de implementar sistemas adaptativos que no solo optimizan el aprendizaje de manera personalizada, sino que tambi�n garantizan la prevenci�n de riesgos digitales como ciberacoso y p�rdida de datos, factores cruciales para un entorno seguro y confiable. Estrat�gicamente, estas plataformas deben proporcionar informaci�n procesable para docentes y gestores, facilitando la toma de decisiones basada en evidencia y la mejora continua de los procesos educativos� ( Morales & Osorio Garc�a, 2024).

En un marco macro, el avance tecnol�gico y social impulsa la necesidad de pol�ticas educativas que promuevan la incorporaci�n �tica y efectiva de la IA y big data en sistemas educativos a nivel nacional e internacional. Esto responde a un contexto global que valora la innovaci�n y la inclusi�n, exigiendo educaci�n de calidad accesible, segura y personalizada para todos los estudiantes, con especial atenci�n a las brechas digitales y la equidad educativa (Ouyang, 2021).

El prop�sito principal de este estudio es desarrollar un modelo predictivo basado en IA y an�lisis de big data que permita dise�ar estrategias adaptativas para la personalizaci�n del aprendizaje, la prevenci�n de riesgos digitales y la promoci�n de la mejora continua en entornos digitales educativos. Se busca identificar patrones de comportamiento y rendimiento, anticipar riesgos y aplicar intervenciones preventivas, contribuyendo a un proceso educativo m�s eficiente, seguro y equitativo.

En el contexto global de transformaci�n digital, los entornos educativos enfrentan retos significativos debido a la heterogeneidad de los estudiantes, la r�pida evoluci�n tecnol�gica y la creciente necesidad de personalizar el aprendizaje. A nivel macro, las pol�ticas educativas y los avances tecnol�gicos impulsan la incorporaci�n de inteligencia artificial (IA) y an�lisis de big data para mejorar la calidad y equidad en los sistemas educativos, como se evidencia en estudios recientes que destacan el papel clave de estas tecnolog�as para optimizar el aprendizaje a gran escala y reducir el abandono escolar (Roda-Segarra et al., 2024).

En el nivel meso, las instituciones educativas implementan plataformas digitales avanzadas con capacidades de an�lisis predictivo que permiten desarrollar estrategias adaptativas centradas en las necesidades espec�ficas de comunidades o centros educativos. Investigaciones muestran que el modelado predictivo y las herramientas de IA facilitan la detecci�n temprana de estudiantes en riesgo y la personalizaci�n de la ense�anza, lo cual mejora los resultados acad�micos y la toma de decisiones institucionales ( Orozco Morales & Osorio Garc�a, 2024).

A nivel micro, la interacci�n directa entre estudiantes y sistemas digitales requiere un enfoque personalizado que anticipe riesgos, proporcione retroalimentaci�n adecuada y promueva un aprendizaje din�mico. Estudios recientes indican que el uso de modelos de aprendizaje autom�tico, redes neuronales y t�cnicas de big data contribuyen significativamente a la creaci�n de itinerarios personalizados y a la mejora continua del rendimiento acad�mico en entornos virtuales ( Forero-Corba & Negre Bennasar, 2024).

En este marco, el presente estudio tiene como objetivo dise�ar y validar un modelo predictivo basado en inteligencia artificial y big data para desarrollar estrategias adaptativas que potencien la personalizaci�n del aprendizaje, anticipen riesgos acad�micos y optimicen el desempe�o en entornos digitales educativos.

La justificaci�n de esta investigaci�n radica en la necesidad de avanzar hacia sistemas educativos m�s inclusivos y efectivos, que aprovechen las capacidades de la IA y big data para atender la diversidad estudiantil y asegurar un seguimiento oportuno. Si bien existen avances relevantes, la integraci�n sistem�tica de estas tecnolog�as para estrategias adaptativas integrales a�n presenta vac�os cient�ficos que este estudio busca abordar.

Entre los antecedentes se destacan revisiones sistem�ticas y meta-an�lisis que confirman la eficacia de modelos predictivos basados ​​en algoritmos como �rboles de Decisi�n, Random Forest y Redes Neuronales para la personalizaci�n y prevenci�n del abandono escolar, adem�s de la optimizaci�n del aprendizaje en entornos digitales, lo que fundamenta la relevancia y actualidad del presente estudio (Roda-Segarra y otros, 2024).

 

Metodolog�a

Esta investigaci�n adopta un enfoque mixto, combinando revisi�n sistem�tica de literatura con an�lisis experimental para abordar el modelado predictivo en entornos digitales educativos. Inicialmente, se realizar� un an�lisis exhaustivo de trabajos cient�ficos relevantes en bases de datos como Scopus, Web of Science y Scielo, para identificar las t�cnicas de inteligencia artificial y big data aplicadas a la personalizaci�n, prevenci�n de riesgos y mejora del aprendizaje.

Esta investigaci�n adopta un enfoque mixto, integrando revisi�n sistem�tica de literatura con an�lisis experimental, para abordar el modelado predictivo en entornos educativos digitales. Se realizar� un an�lisis exhaustivo de trabajos cient�ficos en bases de datos como Scopus, Web of Science y Scielo, orientado a identificar t�cnicas de inteligencia artificial y big data aplicadas a la personalizaci�n, prevenci�n de riesgos y mejora del aprendizaje digital ( Norambuena & Badilla-Quintana).

Seguidamente, se dise�ar� un modelo predictivo basado en algoritmos de aprendizaje autom�tico y redes neuronales profundas, validado con datos reales de plataformas educativas digitales. Se evaluar� su desempe�o mediante m�tricas como precisi�n, recuperaci�n y F1-score, que aseguran la eficacia y adaptabilidad en contextos reales (Sghir, 2022).

 

Resultados

La implementaci�n del modelo predictivo basado en inteligencia artificial y big data en la plataforma educativa digital permiti� identificar patrones confiables para la personalizaci�n del aprendizaje y la detecci�n temprana de riesgos acad�micos. Los resultados indicaron que las m�tricas de rendimiento del modelo, como precisi�n, recuperaci�n y F1-score, alcanzaron valores superiores al 85%, lo que evidencia una alta capacidad predictiva y adaptabilidad en distintos perfiles estudiantiles (Arroyo Saltos, 2025).

En el estudio de caso realizado en la instituci�n educativa digital, se observ� una mejora significativa en la retenci�n y progreso acad�mico de estudiantes que recibieron intervenciones adaptativas sugeridas por el modelo. La retroalimentaci�n continua y personalizada favorece la motivaci�n y el compromiso con el proceso de aprendizaje, mostrando una reducci�n del 20% en la tasa de abandono escolar durante el periodo evaluado (Orozco Morales N. &., 2024).

 

Discusi�n

Los resultados obtenidos en este estudio confirman el potencial del modelado predictivo mediante inteligencia artificial y big data para transformar los procesos educativos digitales mediante la personalizaci�n y prevenci�n de riesgos acad�micos. En l�nea con investigaciones previas, la alta precisi�n y adaptabilidad del modelo validan el uso de algoritmos de aprendizaje autom�tico y redes neuronales para identificar patrones complejos en el comportamiento estudiantil y dise�ar estrategias adaptativas efectivas (Bautista Ca��n, 2021).

La reducci�n significativa en la tasa de abandono escolar y la mejora en la retenci�n observadas en el estudio de caso coinciden con hallazgos de Villalobos (2025), quien describe la importancia de la anal�tica del aprendizaje para realizar intervenciones tempranas y personalizadas que favorecen la permanencia y el �xito acad�mico. Adem�s, la contextualizaci�n del modelo con informaci�n socioeducativa fortalece su capacidad predictiva, como tambi�n evidencia Norambuena (2022), donde se destaca que la inclusi�n de variables contextuales mejora la precisi�n al personalizar la experiencia educativa digital (N��ez Villalobos, 2025).

Sin embargo, la implementaci�n pr�ctica de estas tecnolog�as debe considerar los desaf�os relacionados con la integraci�n �tica, la confidencialidad de datos y la aceptaci�n por parte de docentes y estudiantes, elementos que exigen un acompa�amiento formativo y normativo para garantizar un uso responsable y efectivo del modelado predictivo (Ahlam Almalawi, 2024).

 

Conclusiones

• El modelado predictivo mediante inteligencia artificial y big data demuestra ser una herramienta efectiva para la personalizaci�n del aprendizaje en entornos digitales, permitiendo adaptar las estrategias educativas a las necesidades individuales de los estudiantes, lo que mejora significativamente su rendimiento acad�mico y experiencia educativa.
• La aplicaci�n de estas tecnolog�as facilita la detecci�n temprana de riesgos de abandono escolar y dificultades de aprendizaje, posibilitando intervenciones oportunas que potencian la retenci�n y la continuidad del proceso educativo, aspectos clave para la mejora continua del aprendizaje.
• Si bien la implementaci�n de modelos predictivos aporta ventajas evidentes, es imprescindible considerar aspectos �ticos, la protecci�n de datos y la aceptaci�n social de estas tecnolog�as, para garantizar un uso responsable que favorezca la inclusi�n y la equidad educativa.

 

Recomendaciones

• Promover la formaci�n y capacitaci�n continua de docentes y administradores educativos en el uso y aplicaci�n de modelos predictivos basados ​​en inteligencia artificial y big data para potenciar su efectividad y sostenibilidad en la pr�ctica educativa.
• Desarrollar pol�ticas institucionales y normativas claras que regulan el manejo �tico, la privacidad de datos y la transparencia en el uso de sistemas predictivos, asegurando la confianza y legitimidad en las herramientas tecnol�gicas aplicadas a la educaci�n.
• Fomentar la investigaci�n interdisciplinaria que integre aspectos t�cnicos, pedag�gicos y sociales para el perfeccionamiento de modelos adaptativos, garantizando que las soluciones tecnol�gicas respondan efectivamente a las realidades diversas de los contextos educativos digitales.

Referencias

      1.            Forero-Corba, W., & Negre Bennasar, F. (2024). Dise�o y simulaci�n de un modelo de predicci�n para la evaluaci�n de la competencia digital docente usando t�cnicas de Machine Learning. evista Electr�nica De Tecnolog�a Educativa. https://doi.org/https://doi.org/10.21556/edutec.2024.89.3201

      2.            Morales, N., & Osorio Garc�a, P. (2024). Aplicaci�n de Modelos de Inteligencia Artificial en Pruebas Estandarizadas para la Optimizaci�n del Rendimiento Acad�mico en Educaci�n Superior. European Public & Social Innovation Review. https://doi.org/https://doi.org/10.31637/epsir-2024-1605

      3.            Norambuena, J., & Badilla-Quintana, M. (s.f.). Modelos predictivos basados en uso de anal�ticas de aprendizaje en educaci�n superior: una revisi�n sistem�tica. Universidade Federal de Minas Gerais - UFMG. https://doi.org/https://doi.org/10.35699/1983-3652.2022.36310

      4.            Orozco Morales, N., & Osorio Garc�a, P. (2024). Aplicaci�n de Modelos de Inteligencia Artificial en Pruebas Estandarizadas para la Optimizaci�n del Rendimiento Acad�mico en Educaci�n Superior. European Public & Social Innovation . https://doi.org/https://doi.org/10.31637/epsir-2024-1605

      5.            Arroyo Saltos, J. L. (2025). Aplicaci�n de Modelos Matem�ticos Predictivos en la Optimizaci�n de Procesos Educativos: Una Revisi�n Sist�mica y Estudio de Caso en Educaci�n. Aplicaci�n de Modelos Matem�ticos Predictivos en la Optimizaci�n de Procesos Educativos: Una Revisi�n Sist�mica y Estudio de Caso en Educaci�n. https://doi.org/https://magazineasce.com/index.php/1/article/view/393

      6.            Bautista Ca��n, E. Q.-S. (2021). Modelo predictivo del progreso en el aprendizaje de los estudiantes de uniminuto aplicando t�cnicas de machine learning. Revista Conrado. Obtenido de http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1990-86442021000600305

      7.            Bola�o-Garc�a, M. (2024). Inteligencia artificial para la educaci�n: desaf�os y oportunidades. Editora revista Praxis. Obtenido de https://dialnet.unirioja.es/descarga/articulo/9714361.pdf

      8.            N��ez Villalobos, D. (2025). Modelo Predictivo basado en Aprendizaje Autom�tico para la retenci�n Estudiantil en Educaci�n Superior. uropean Public & Social Innovation Review,. https://doi.org/https://doi.org/10.31637/epsir-2025-1307

      9.            Orozco Morales, N. &. (2024). Aplicaci�n de Modelos de Inteligencia Artificial en Pruebas Estandarizadas para la Optimizaci�n del Rendimiento Acad�mico en Educaci�n Superior. European Public & Social Innovation Review. https://doi.org/https://doi.org/10.31637/epsir-2024-1605

  10.            Ouyang. (2021). Inteligencia artificial en la educaci�n: Paradigmas y aplicaciones.

  11.            Roda-Segarra, de la Pe�a, J., & Mengual, C. (2024). Eficacia de los Modelos de Inteligencia Artificial para Predecir el Abandono Escolar: Un Meta-An�lisis. Revista multidisciplinaria de investigaci�n educativa. https://doi.org/https://doi.org/10.17583/remie.13342

  12.            Sghir, N. (2022). Avances recientes en an�lisis de aprendizaje predictivo: una revisi�n sistem�tica de una d�cada (2012-2022). Obtenido de https://link-springer-com.translate.goog/article/10.1007/s10639-022-11536-0?error=cookies_not_supported&code=5b648aec-c590-4539-bf47-ea291b6a6d17&_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc

 

 

 

 

 

 

 

 

� 2025 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).