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

 

 

Big Data en la educaci�n: personalizaci�n del aprendizaje y predicci�n del rendimiento estudiantil para la mejora de los resultados acad�micos

 

Big Data in Education: Personalizing Learning and Predicting Student Performance to Improve Academic Outcomes

 

Big Data na Educa��o: Personalizar a Aprendizagem e Prevendo o Desempenho dos Alunos para Melhorar os Resultados Acad�micos

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: n_umalo@hotmail.com

 

Ciencias de la Educaci�n

Art�culo de Investigaci�n

 

* Recibido: 26 de febrero de 2025 *Aceptado: 24 de marzo de 2025 * Publicado: �29 de abril de 2025

 

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

     II.          Licenciada en Publicidad y Mercadotecnia, Ecuador.

   III.          Master en educaci�n en Entornos Virtuales de Aprendizaje, Ecuador.

   IV.          Mag�ster en Docencia de las Ciencias Administrativas y Econ�micas, Ecuador.

     V.          Mag�ster en Gesti�n Educativa, Ecuador.

 

Resumen

El presente articulo analiza el impacto del Big Data en la educaci�n ecuatoriana, destacando c�mo esta tecnolog�a est� revolucionando los procesos de ense�anza y aprendizaje mediante el an�lisis de grandes vol�menes de datos sobre el comportamiento, rendimiento y necesidades de los estudiantes. El uso de Big Data permite la personalizaci�n de los programas educativos, la anticipaci�n de dificultades y la optimizaci�n de recursos, contribuyendo as� a mejorar la calidad educativa y reducir la deserci�n escolar. La metodolog�a empleada en el estudio es de tipo mixto, integrando enfoques cualitativos y cuantitativos, y enfatizando la triangulaci�n de fuentes mediante revisi�n sistem�tica, an�lisis de casos y encuestas. El an�lisis abarca datos recolectados de unidades educativas de todo el pa�s, desde la etapa inicial hasta el nivel secundario, durante un periodo de cuatro a�os. Se incluyen enfoques transversal y longitudinal para captar tanto la situaci�n acumulada como las diferencias entre zonas rurales y urbanas. Los resultados muestran que el sistema de sostenimiento fiscal concentra la mayor�a de estudiantes (73.65%), seguido por el particular (19.87%), mientras que los sostenimientos municipal y fiscomisional tienen una participaci�n significativamente menor (1.15% y 5.33%, respectivamente). El an�lisis gr�fico, a trav�s de un diagrama de calor y un diagrama de caja y bigote, evidencia la marcada concentraci�n de la matr�cula en el sector fiscal y la gran disparidad respecto a los otros tipos de sostenimiento. En la discusi�n, se destaca que el Big Data permite personalizar el aprendizaje, predecir el rendimiento acad�mico y optimizar recursos pedag�gicos, lo que representa una soluci�n innovadora a las limitaciones actuales del sistema educativo. Modelos predictivos y redes neuronales inteligentes facilitan la adaptaci�n de contenidos y metodolog�as a las necesidades individuales, contribuyendo a disminuir las tasas de abandono acad�mico. Las conclusiones subrayan que el Big Data est� transformando la educaci�n, que la mayor�a de estudiantes se concentran en el sector fiscal y que la aplicaci�n de estas tecnolog�as, aunque incipiente, ha demostrado su potencial para optimizar la gesti�n educativa. Entre las recomendaciones se encuentra fomentar la capacitaci�n en Big Data, desarrollar pol�ticas p�blicas para su integraci�n y fortalecer la infraestructura tecnol�gica, especialmente en los tipos de sostenimiento menos representados, para lograr una planificaci�n educativa m�s equitativa y eficiente.

Palabras Clave: Big Data; educaci�n; personalizaci�n del aprendizaje; predicci�n del rendimiento; abandono escolar.

 

Abstract

This article analyzes the impact of Big Data on Ecuadorian education, highlighting how this technology is revolutionizing teaching and learning processes through the analysis of large volumes of data on student behavior, performance, and needs. The use of Big Data enables the personalization of educational programs, the anticipation of difficulties, and the optimization of resources, thus contributing to improving educational quality and reducing school dropout rates. The study uses a mixed methodology, integrating qualitative and quantitative approaches and emphasizing the triangulation of sources through systematic reviews, case analyses, and surveys. The analysis covers data collected from educational institutions across the country, from preschool to secondary school, over a four-year period. Cross-sectional and longitudinal approaches are included to capture both the cumulative situation and the differences between rural and urban areas. The results show that the public sector supports the majority of students (73.65%), followed by the private sector (19.87%), while municipal and fiscomisional support have a significantly lower share (1.15% and 5.33%, respectively). The graphical analysis, using a heat diagram and a box and whisker plot, demonstrates the marked concentration of enrollment in the public sector and the great disparity with respect to other types of support. The discussion highlights that Big Data allows for personalized learning, predicting academic performance, and optimizing pedagogical resources, which represents an innovative solution to the current limitations of the educational system. Predictive models and intelligent neural networks facilitate the adaptation of content and methodologies to individual needs, contributing to reducing academic dropout rates. The conclusions underscore that Big Data is transforming education, that the majority of students are concentrated in the public sector, and that the application of these technologies, although incipient, has demonstrated its potential to optimize educational management. Among the recommendations are promoting training in Big Data, developing public policies for its integration and strengthening the technological infrastructure, especially in the underrepresented types of support, to achieve more equitable and efficient educational planning.

Keywords: Big Data; education; personalized learning; performance prediction; school dropout rates.

 

 

 

Resumo

Este artigo analisa o impacto do Big Data na educa��o equatoriana, destacando como esta tecnologia est� a revolucionar os processos de ensino e aprendizagem atrav�s da an�lise de grandes volumes de dados sobre o comportamento, o desempenho e as necessidades dos alunos. A utiliza��o de Big Data permite a personaliza��o de programas educativos, a antecipa��o de dificuldades e a otimiza��o de recursos, contribuindo para a melhoria da qualidade da educa��o e para a redu��o das taxas de abandono escolar. O estudo utiliza uma metodologia mista, integrando abordagens qualitativas e quantitativas e enfatizando a triangula��o de fontes atrav�s de uma revis�o sistem�tica, an�lise de casos e inqu�ritos. A an�lise abrange dados recolhidos junto de institui��es de ensino de todo o pa�s, desde o pr�-escolar at� ao ensino secund�rio, durante um per�odo de quatro anos. S�o inclu�das abordagens transversais e longitudinais para captar tanto a situa��o cumulativa como as diferen�as entre as �reas rurais e urbanas. Os resultados mostram que o sistema de apoio fiscal concentra a maioria dos alunos (73,65%), seguido pelo sistema privado (19,87%), enquanto os apoios municipal e fiscal t�m uma participa��o significativamente menor (1,15% e 5,33%, respetivamente). A an�lise gr�fica, utilizando um diagrama de calor e um gr�fico de caixa e bigode, demonstra a concentra��o acentuada de matr�culas no sector p�blico e a grande disparidade em rela��o a outros tipos de apoio. A discuss�o destaca que o Big Data permite uma aprendizagem personalizada, prev� o desempenho acad�mico e otimiza os recursos de ensino, representando uma solu��o inovadora para as atuais limita��es do sistema educativo. Os modelos preditivos e as redes neuronais inteligentes facilitam a adapta��o de conte�dos e metodologias �s necessidades individuais, ajudando a reduzir as taxas de abandono acad�mico. As conclus�es real�am que o Big Data est� a transformar a educa��o, que a maioria dos alunos est� concentrada no sector p�blico e que a aplica��o destas tecnologias, embora incipiente, demonstrou o seu potencial para optimizar a gest�o educativa. Entre as recomenda��es est�o promover a capacita��o em Big Data, desenvolver pol�ticas p�blicas para a sua integra��o e refor�ar a infraestrutura tecnol�gica, sobretudo nos suportes menos representados, para alcan�ar um planeamento educativo mais equitativo e eficiente.

Palavras-chave: Grandes Dados; educa��o; personaliza��o da aprendizagem; previs�o de desempenho; abandono escolar.

 

 

Introducci�n

El uso de Big Data en la educaci�n est� revolucionando la forma en que se ense�a y aprende, permitiendo analizar grandes vol�menes de datos sobre el comportamiento, rendimiento y necesidades de los estudiantes. Esta tecnolog�a facilita la personalizaci�n de los programas educativos, la anticipaci�n de dificultades y la optimizaci�n de recursos para mejorar el aprendizaje (Tel�fonica, 2023). La educaci�n contempor�nea enfrenta una transformaci�n sin precedentes impulsada por la Big Data, tecnolog�a que procesa grandes vol�menes de datos generados en entornos acad�micos -como interacciones en plataformas virtuales, resultados de evaluaciones y asistencia estudiantil- para optimizar procesos de ense�anza-aprendizaje (Mayorga, 2020). Aunque su adopci�n en instituciones educativas a�n es limitada, estudios demuestran su potencial para personalizar contenidos, predecir riesgos de deserci�n y mejorar la toma de decisiones institucionales (Salvador, 2024). La pandemia aceler� la implementaci�n de estas herramientas, permitiendo un an�lisis detallado de tendencias estudiantiles y facilitando modelos predictivos que identifican necesidades individuales. Por ejemplo, el an�lisis de datos en tiempo real ayuda a docentes a adaptar m�todos pedag�gicos, mientras las instituciones optimizan recursos y curr�culos (Far�as, 2024). La educaci�n contempor�nea experimenta una revoluci�n impulsada por el Big Data, tecnolog�a que analiza grandes vol�menes de datos acad�micos -desde interacciones en plataformas digitales hasta resultados de evaluaciones- para transformar metodolog�as de ense�anza, optimizar recursos y predecir el rendimiento estudiantil. Este enfoque no solo permite adaptar contenidos a las necesidades individuales de los alumnos, sino que tambi�n facilita la identificaci�n temprana de riesgos como la deserci�n escolar y la brecha acad�mica (Salvador, 2024). Mediante an�lisis predictivos, el Big Data identifica estudiantes en riesgo de bajo rendimiento o abandono escolar al detectar se�ales como inasistencias recurrentes, bajas calificaciones en asignaturas clave o disminuci�n en la participaci�n. Sistemas como los descritos por Siemens & Long (2011) utilizan datos hist�ricos para dise�ar intervenciones tempranas, como tutor�as personalizadas o apoyo psicoemocional, logrando reducir hasta un 30% las tasas de deserci�n. Durante la pandemia, esta capacidad se intensific�, permitiendo a instituciones monitorear el progreso en entornos virtuales y ajustar estrategias remotas (innovaciontech, 2025).

 

 

 

Metodolog�a

Se emplear� un dise�o mixto (cualitativo-cuantitativo) con �nfasis en la triangulaci�n de fuentes (revisi�n sistem�tica, an�lisis de casos y encuestas). El objetivo es evaluar el impacto del Big Data en la personalizaci�n educativa y la predicci�n del rendimiento, integrando evidencia emp�rica y te�rica (Escobar, 2019). La metodolog�a aplicada en este estudio se basa en el tipo de investigaci�n: descriptiva, documental, hist�rica, longitudinal y transversal.

Se utilizo la investigaci�n transversal porque los datos se recopilaron desde las unidades educativas desde la etapa inicial hasta el nivel secundario de las diferentes ciudades, para generar la informaci�n acumulada durante un per�odo de cuatro a�os.

La investigaci�n longitudinal, porque estudia las situaciones at�picas en las zonas no delimitadas, ya que la educaci�n afecta al crecimiento de una poblaci�n, en este caso podemos referirnos a la poblaci�n rural frente a la urbana, considerando la premisa que sin cultura no hay crecimiento.

El proceso de "reordenar la oferta educativa" consiste en un plan para prescindir de instituciones peque�as y con pocas condiciones de calidad educativa. Para lo cual, la demanda escolar se agrupa en instituciones equipadas con infraestructura completa (laboratorios, espacios verdes y otros espacios educativos), y se ubican en lugares estrat�gicos para servir a una poblaci�n escolar m�s grande (Ministerio de Educaci�n, 2015) �

 

Tabla 1. Estudiantes de educaci�n escolarizada ordinaria por tipo de sostenimiento

Nota. Elaboraci�n propia a partir de registros administrativos del Ministerio de Educaci�n de Ecuador - MINEDUC.

 

 

 

Grafico 1

Diagrama de Calor

 

 

 

 

 

 

 

 

 

 

Nota. El grafico representa la Intensidad del color de acuerdo a los porcentajes

 

An�lisis e interpretaci�n del diagrama de calor

Las celdas con colores m�s oscuros o intensos indican valores m�s altos. En este caso, la fila correspondiente a "Fiscal" tendr� las celdas m�s oscuras, reflejando que es el tipo de sostenimiento con la mayor cantidad y porcentaje de estudiantes (14,891,734 estudiantes y 73.65%). Esto confirma visualmente que la educaci�n p�blica fiscal es predominante en Ecuador.

Comparaci�n entre tipos: La categor�a "Particular" tendr� una intensidad intermedia, mostrando una participaci�n significativa pero menor (19.87%). Las categor�as "Fiscomisional" y "Municipal" tendr�n colores mucho m�s claros, evidenciando su menor proporci�n en la matr�cula estudiantil (5.33% y 1.15%, respectivamente).

Visualizaci�n clara y r�pida: El uso del mapa de calor permite a los tomadores de decisiones, investigadores o interesados en educaci�n identificar de forma inmediata d�nde se concentra la matr�cula escolar y d�nde hay menor cobertura, lo que puede orientar pol�ticas educativas y asignaci�n de recursos.

 

 

 

Diagrama de caja y bigote

 

Nota. El diagrama de Caja y bigote representa el an�lisis de los valores que est�n en la mitad de los datos con relaci�n a los cuartiles.

 

An�lisis e interpretaci�n del diagrama de caja y bigote

La cantidad de estudiantes muestra una gran dispersi�n en los valores, debido a que el n�mero de estudiantes en el sostenimiento fiscal (14,891,734) es much�simo mayor que en los otros tipos. Esto genera una distribuci�n altamente asim�trica, con un valor muy alto (Fiscal) y tres valores mucho m�s bajos (Municipal, Fiscomisional y Particular). La mediana y los cuartiles estar�n muy influenciados por esta diferencia extrema, y los valores peque�os pueden aparecer como �outliers� o puntos alejados del rango intercuart�lico. Esto refleja que la mayor�a de estudiantes est�n concentrados en el sistema fiscal, mientras que los otros sostenimientos tienen una participaci�n mucho menor.

El sostenimiento fiscal concentra el 73.65% de la matr�cula, un valor muy alto comparado con los dem�s (Municipal 1.15%, Fiscomisional 5.33%, Particular 19.87%).

Esta diferencia genera una distribuci�n sesgada, con un valor dominante y varios valores bajos.

La visualizaci�n confirma que el sostenimiento fiscal es el principal proveedor de educaci�n escolarizada en Ecuador.

 

Discusi�n

Desde este enfoque, el an�lisis de la literatura revela avances significativos en la aplicaci�n del Big Data en el �mbito educativo. En particular, se subraya su capacidad para personalizar el aprendizaje seg�n las necesidades individuales de los estudiantes, predecir su rendimiento acad�mico y optimizar el uso de recursos pedag�gicos. Estas estrategias ofrecen soluciones innovadoras a las limitaciones actuales de los sistemas educativos, demostrando un potencial significativo para elevar el desempe�o acad�mico, transformar los m�todos de ense�anza y reducir problem�ticas como la deserci�n escolar en todos los niveles. En cuanto a la personalizaci�n del aprendizaje, cabe destacar que los modelos predictivos y las redes neuronales inteligentes permiten ajustar los contenidos curriculares y las metodolog�as docentes, adapt�ndolas a las demandas espec�ficas de cada estudiante. Este enfoque, centrado en la percepci�n individual de la informaci�n educativa y el acompa�amiento personalizado, contribuye directamente a disminuir las tasas de abandono acad�mico (ANG, 2020).

 

Conclusiones

• El Big Data est� transformando la educaci�n al permitir la personalizaci�n del aprendizaje y la predicci�n temprana de riesgos acad�micos, lo que facilita intervenciones oportunas para mejorar el rendimiento y reducir la deserci�n escolar
• La mayor�a de estudiantes en Ecuador se concentran en el sistema de sostenimiento fiscal (73.65%), lo que indica que la educaci�n p�blica es el principal motor del sistema educativo, mientras que los sostenimientos municipal, fiscomisional y particular tienen una participaci�n mucho menor, evidenciado tambi�n en los diagramas de calor y caja.
• La aplicaci�n de Big Data en educaci�n, aunque a�n en etapas iniciales en muchas instituciones, ha demostrado su potencial para optimizar recursos, adaptar metodolog�as y mejorar la toma de decisiones institucionales, especialmente tras la aceleraci�n de su uso durante la pandemia

 

Recomendaciones

• Fomentar la implementaci�n y capacitaci�n en herramientas de Big Data en todas las instituciones educativas, especialmente en el sector p�blico, para aprovechar su potencial en la personalizaci�n del aprendizaje y la gesti�n eficiente de recursos.
• Desarrollar pol�ticas p�blicas que promuevan la integraci�n de an�lisis de datos masivos para identificar tempranamente a estudiantes en riesgo de deserci�n o bajo rendimiento, implementando planes de apoyo personalizados.

Potenciar la infraestructura tecnol�gica y la recolecci�n sistem�tica de datos educativos en modalidades de sostenimiento menos representadas (municipal, fiscomisional y particular), para generar informaci�n integral que permita una planificaci�n educativa m�s equitativa y eficiente.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Referencias

ANG, K. L.-M. (2020). Big Educational Data & Analytics: Survey, Architecture and Challenges. ieeexplore.ieee.org. Obtenido de https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9093868

Escobar, F. T. (2019). Big Data en la Educaci�n Beneficios e Impacto de la Anal�tica de Datos. Revista Cient�fica y Tecnol�gica UPSE. Recuperado el 28 de 04 de 2025, de http://scielo.senescyt.gob.ec/scielo.php?script=sci_abstract&pid=S1390-76972018000200088&lng=pt&nrm=iso

Far�as, E. B. (20 de 01 de 2024). Formaci�n de directivos universitarios en el uso de la Big Data dentro de la gesti�n del conocimiento. Revista de Investigaci�n en Ciencias de la Administraci�n. Obtenido de Formaci�n de directivos universitarios en el uso de la Big Data dentro de la gesti�n del conocimiento: https://www.redalyc.org/journal/6219/621977183003/html/

innovaciontech. (2025). Impacto de Big Data en la educaci�n y el aprendizaje innovador. Obtenido de Impacto de Big Data en la educaci�n y el aprendizaje innovador: https://innovaciontech.com/impacto-de-big-data-en-la-educacion-y-el-aprendizaje-innovador/

Mayorga, H. H. (20 de 12 de 2020). Big data en la educaci�n. Revista Horizontes . doi:https://revistahorizontes.org/index.php/revistahorizontes/article/view/134

Ministerio de Educaci�n. (2015). Estad�stica educativa. Reporte de indicadores, Volumen 1. . Obtenido de Estad�stica educativa. Reporte de indicadores, Volumen 1. : https://educacion.gob.ec/wp-content/uploads/ downloads/2017/06/PUB_EstadisticaEducativaVol 1_mar2015.pdf

Salvador, J. A. (2024). Implementaci�n de big data para mejorar el an�lisis de indicadores de eficiencia. Revista InveCom. Recuperado el 28 de 04 de 2025, de https://ve.scielo.org/scielo.php?script=sci_arttext&pid=S2739-00632025000102074

Tel�fonica. (05 de 05 de 2023). Uso de Big Data en educaci�n. Obtenido de Uso de Big Data en educaci�n: https://www.telefonica.com/es/sala-comunicacion/noticias/uso-de-big-data-en-educacion/.

 

�

 

 

 

 

 

 

� 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/).