Resumen generado por IA
Un estudiante puede dejar rastro digital de su aprendizaje: pausas en un vídeo, volver a explicaciones previas, fallos repetidos en un cuestionario o abandonar una actividad. Esas señales, combinadas con otros registros (accesos, tiempo, entregas, participación), permiten al learning analytics convertir datos en conocimiento útil: detectar dificultades, diseñar intervenciones, optimizar recursos y anticipar riesgos mediante modelos predictivos. No se trata solo de medir actividad, sino de interpretar esas señales en contexto pedagógico y cerrar el ciclo —datos → análisis → interpretación → intervención→ nuevos datos— para comprobar si las acciones funcionan.
El valor real surge cuando la analítica ofrece información relevante y accionable a estudiantes, docentes, diseñadores y equipos institucionales, y no sólo gráficos sin uso. Además de identificar estudiantes en riesgo, la analítica puede revelar problemas del propio diseño del curso y guiar su mejora iterativa. Sin embargo, exige responsabilidad: evitar etiquetar o limitar a alumnos por predicciones, garantizar privacidad, transparencia y supervisión humana, y cumplir regulaciones como GDPR y la normativa europea de IA. En suma, el learning analytics no sustituye el juicio pedagógico; lo potencia, permitiendo formular mejores preguntas sobre cómo aprenden y cómo mejorar esa experiencia.
Cada interacción de un estudiante en un entorno digital genera datos. El learning analytics los convierte en información útil para detectar dificultades, anticipar abandonos y mejorar contenidos y estrategias educativas. Pero su verdadero valor depende de cómo se interpreten los datos y de las decisiones humanas que provoquen.
Un alumno entra en una plataforma educativa, reproduce un vídeo, lo detiene dos veces, vuelve a una explicación anterior, responde a un cuestionario, falla tres preguntas relacionadas con el mismo concepto y deja sin terminar la última actividad.
Para el estudiante, ha sido simplemente una sesión de estudio. Para un sistema de learning analytics o analítica de aprendizaje, ha generado una secuencia de señales que puede ayudar a comprender cómo está aprendiendo.
La digitalización de la educación está creando una cantidad de información que hace pocos años era prácticamente imposible obtener. Ya no conocemos únicamente la nota final de un examen. Podemos observar parte del proceso que conduce hasta ella: ritmos de trabajo, actividad, participación, errores recurrentes, progresión o interacción con determinados recursos.
El reto consiste en transformar esa huella digital en conocimiento útil.
Eso es precisamente lo que persigue el learning analytics: utilizar datos sobre los estudiantes y su aprendizaje para comprender mejor qué está sucediendo y tomar decisiones capaces de mejorar la enseñanza.
Es, además, el complemento natural del aprendizaje adaptativo, que analizamos anteriormente. Si el aprendizaje adaptativo utiliza datos para modificar automáticamente el itinerario de un estudiante, el learning analytics tiene un alcance más amplio: puede proporcionar información al alumno, al profesor, al diseñador de un curso o a toda una institución para decidir cómo intervenir.
El cambio de fondo es importante. La educación digital no consiste únicamente en trasladar contenidos a una pantalla. También permite observar el aprendizaje con una granularidad inédita.
¿Qué es el learning analytics o analítica de aprendizaje?
Definición y origen del concepto
La Society for Learning Analytics Research (SoLAR), una de las organizaciones internacionales de referencia en este ámbito, actualizó en 2025 su definición del concepto. Actualmente define el learning analytics como la recopilación, análisis, interpretación y comunicación de datos sobre los estudiantes y su aprendizaje con el objetivo de obtener conocimiento relevante y accionable que permita mejorar la enseñanza y el aprendizaje.
Dos palabras resultan especialmente importantes: relevante y accionable.
Acumular datos no es learning analytics. Tampoco lo es crear un dashboard lleno de gráficos que nadie utiliza. El proceso adquiere valor cuando la información permite comprender mejor una situación y conduce a una decisión.
Desde la Fundación Innovación Bankinter ya hemos abordado esta idea desde una perspectiva más amplia al explicar qué es la ciencia de datos: los datos adquieren valor cuando somos capaces de extraer conocimiento de ellos y utilizarlos para tomar mejores decisiones.
En educación sucede exactamente lo mismo.
Qué datos se recogen y cómo se transforman en conocimiento
En un entorno digital de aprendizaje pueden generarse numerosos tipos de datos.
Un sistema puede registrar cuándo accede un estudiante, cuánto tiempo permanece activo, qué recursos consulta, qué ejercicios completa, qué respuestas proporciona, si entrega una actividad a tiempo o cuánto participa en determinados espacios.
Los sistemas utilizados actualmente por instituciones de educación superior pueden combinar, por ejemplo, información sobre asistencia a clases, utilización del entorno virtual de aprendizaje y entrega de evaluaciones. Jisc, la organización británica especializada en tecnología para educación superior, utiliza precisamente esas fuentes en sus servicios de learning analytics.
Pero aquí aparece una distinción fundamental:
actividad no significa necesariamente aprendizaje.
Permanecer 40 minutos dentro de una plataforma no demuestra que un estudiante haya comprendido un concepto. Ver un vídeo completo tampoco garantiza que haya aprendido. Y acceder pocas veces al campus virtual no implica automáticamente que exista riesgo de fracaso.
Los datos describen señales. La analítica debe interpretarlas dentro de un contexto pedagógico.
Esta precaución resulta especialmente importante a medida que aumenta nuestra capacidad de medir. Una educación basada en evidencias no debería reemplazar la experiencia del docente por una puntuación algorítmica, sino combinar ambos tipos de conocimiento.
¿Cómo funciona el learning analytics?
El ciclo: recopilar, analizar, intervenir y mejorar
Podemos simplificar el proceso en cuatro pasos:
Datos → análisis → interpretación → intervención → nuevos datos
Primero se recogen las evidencias generadas durante el aprendizaje. Después se buscan patrones mediante estadística, visualización de datos o técnicas de machine learning. A continuación, esos resultados se presentan a las personas que pueden actuar sobre ellos: profesores, tutores, estudiantes, responsables académicos o diseñadores de contenidos.
Pero el ciclo no termina ahí: la decisión adoptada genera nuevos comportamientos y nuevos datos, que permiten comprobar si la intervención ha funcionado.
Imaginemos que una plataforma detecta que un estudiante ha dejado de conectarse con su frecuencia habitual, ha retrasado dos entregas y presenta una caída progresiva en determinadas evaluaciones. El sistema puede considerarlo un patrón asociado a riesgo académico.
La utilidad del dato aparece cuando sucede algo después: un tutor contacta con el estudiante, identifica el problema y ofrece apoyo.
Ese paso –convertir predicción en intervención– diferencia un proyecto educativo basado en datos de una simple herramienta de monitorización.
Dashboards para docentes: qué muestran y cómo interpretarlos
Una de las manifestaciones más visibles del learning analytics son los learning analytics dashboards: cuadros de mando que condensan información sobre progreso, rendimiento o participación.
Un profesor puede observar qué alumnos están siguiendo el ritmo previsto, qué conceptos generan más errores o qué estudiantes han reducido significativamente su actividad.
El objetivo no debería ser convertir al docente en analista de datos. Precisamente al contrario: el dashboard debe reducir la complejidad y presentar información que permita decidir rápidamente dónde dedicar atención.
La investigación aconseja, sin embargo, moderar las expectativas. Una revisión sistemática publicada en 2024 analizó 27 estudios sobre intervenciones de learning analytics integradas en sistemas de gestión del aprendizaje y confirmó el potencial de los dashboards para facilitar intervenciones y seguimiento. Otra revisión de 38 estudios encontró resultados más consistentes sobre participación de los estudiantes que sobre mejora directa del rendimiento académico.
La conclusión es relevante: un dashboard no mejora el aprendizaje por el mero hecho de existir.
Su valor depende de qué información muestra, cómo se interpreta y, sobre todo, qué acción provoca.
Learning analytics y aprendizaje adaptativo: dos tecnologías que se necesitan
La frontera entre ambos conceptos puede resultar confusa.
En el learning analytics, el objetivo principal es comprender el aprendizaje mediante datos y producir información que permita actuar.
En el aprendizaje adaptativo, el sistema utiliza esa información para modificar la experiencia del estudiante: cambiar la dificultad, recomendar un ejercicio, repetir un concepto o proponer una ruta alternativa.
Por eso ambas tecnologías están estrechamente relacionadas.
Podríamos decir que el learning analytics constituye una especie de sistema de observación, mientras que el aprendizaje adaptativo añade un mecanismo capaz de actuar directamente sobre la experiencia educativa.
Lo explicamos con más detalle en nuestro artículo sobre qué es el aprendizaje adaptativo y cómo funciona.
Esta convergencia forma parte de una transformación educativa más amplia hacia experiencias personalizadas, un fenómeno que desde la Fundación Innovación Bankinter hemos abordado al analizar la educación hiperpersonalizada y el aprendizaje de por vida.
Learning analytics vs. business analytics: diferencias clave
La tecnología utilizada puede ser similar. Lo que cambia es la pregunta.
El business analytics emplea datos para comprender y mejorar el funcionamiento de una organización: ingresos, clientes, productividad, costes, demanda o eficiencia.
El learning analytics se centra en el proceso de aprendizaje.
Una universidad puede utilizar business analytics para conocer el coste medio de impartir una titulación y learning analytics para estudiar qué actividades están asociadas con mayores dificultades dentro de una asignatura.
La distinción parece sencilla, pero es importante porque evita un riesgo frecuente: confundir eficiencia institucional con éxito educativo.
Reducir el abandono puede ser un objetivo estratégico de una universidad, pero el learning analytics no debería limitarse a maximizar indicadores corporativos. Debe preguntarse también si los estudiantes comprenden mejor, reciben el apoyo que necesitan y desarrollan las competencias que persigue el programa.
Aplicaciones prácticas del learning analytics
Modelos predictivos: intervenir antes del fracaso
Una de las aplicaciones más interesantes es el learning analytics predictivo.
En lugar de limitarse a explicar qué ha sucedido, los modelos buscan patrones que permitan estimar qué podría suceder después.
En Fundación Innovación Bankinter ya hemos explicado este salto de la descripción a la anticipación al analizar el análisis predictivo: los datos históricos y actuales permiten estimar probabilidades y detectar escenarios sobre los que es posible actuar.
En educación, una de sus aplicaciones más evidentes es identificar estudiantes en riesgo.
Un buen ejemplo europeo es OU Analyse, desarrollado por The Open University, en Reino Unido. El sistema utiliza técnicas de machine learning para detectar estudiantes que pueden tener dificultades. Las estimaciones sobre el riesgo de no superar la siguiente actividad se actualizan semanalmente y se ponen a disposición de profesores y equipos de apoyo para valorar una posible intervención.
Lo importante es que el algoritmo no decide el destino académico del alumno. Genera una señal que una persona puede utilizar para decidir si necesita apoyo.
En España también existe investigación relevante. El grupo LAIKA -Learning Analytics for Innovation and Knowledge Application- de la Universitat Oberta de Catalunya trabaja, entre otras líneas, en seguimiento y feedback del estudiante y en el desarrollo de modelos predictivos para analizar el abandono en educación superior.
Es un buen ejemplo de por qué el learning analytics resulta especialmente relevante para la educación online: cuando profesor y estudiante no comparten físicamente un aula, determinadas señales digitales pueden ayudar a detectar antes una desconexión que de otra forma podría permanecer invisible.
Optimizar el curso, no solo evaluar al estudiante
Existe una segunda aplicación quizá menos conocida, pero con enorme potencial: utilizar los datos para evaluar el propio diseño educativo.
Supongamos que cientos de estudiantes superan correctamente las primeras unidades de un curso, pero la mayoría comete el mismo error al llegar a una actividad concreta.
La explicación puede estar en los alumnos. Pero también puede estar en el curso.
Quizá un concepto previo no ha sido explicado correctamente. Tal vez la pregunta está mal formulada. O un recurso aparentemente importante apenas se consulta porque resulta difícil de encontrar.
La analítica permite detectar esos patrones y convertir el diseño curricular en un proceso más iterativo.
The Open University ha desarrollado precisamente marcos que utilizan learning analytics para ayudar a los equipos académicos a introducir cambios informados por datos en sus módulos y diseños educativos.
Esto conecta con una idea que en Fundación Innovación Bankinter ya identificamos entre las tendencias tecnológicas más prometedoras en educación: analizar cómo se utilizan los recursos educativos digitales permite comprender qué herramientas funcionan y cuáles necesitan mejorar.
El matiz sigue siendo esencial: una correlación no demuestra una causa. Que muchos estudiantes abandonen un vídeo en el mismo minuto es una señal para investigar, no una prueba automática de que esa parte esté mal diseñada.
Ventajas del learning analytics para alumnos, docentes e instituciones
Para el alumno, una buena analítica puede traducirse en feedback más rápido y apoyo más personalizado.
Para el docente, supone una capacidad de observación difícil de alcanzar manualmente cuando trabaja con decenas o cientos de estudiantes.
Para una universidad o centro formativo, permite detectar patrones que trascienden una única clase y utilizar evidencia para revisar programas, recursos o estrategias de acompañamiento.
Y en formación corporativa abre otro campo relevante: si una empresa necesita actualizar las competencias de miles de profesionales, no basta con saber cuántas personas han terminado un curso. Puede resultar mucho más útil conocer dónde aparecen dificultades, qué competencias se han adquirido realmente o qué perfiles necesitan refuerzo.
Esta lógica responde a una evolución más profunda: pasar de medir actividad formativa a comprender aprendizaje.
El gran riesgo: convertir al estudiante en una puntuación
Cuanto mayor es la capacidad de observar el aprendizaje, mayor debe ser también la responsabilidad con la que se utilizan esos datos.
Un sistema de learning analytics puede trabajar con información académica, patrones de comportamiento, actividad digital y perfiles inferidos. Cuando se utilizan modelos predictivos, puede incluso asignar probabilidades: riesgo de abandono, posibilidades de aprobar o necesidad estimada de apoyo.
Aquí aparece una frontera crítica. Una predicción debe utilizarse para abrir oportunidades de intervención, no para cerrar posibilidades.
Si un sistema etiqueta a un estudiante como “de alto riesgo” y esa clasificación termina reduciendo las expectativas del profesor o limitando sus opciones, el algoritmo puede contribuir precisamente al resultado que pretendía evitar.
Jisc establece por ello principios específicos para una utilización responsable del learning analytics, entre ellos responsabilidad, transparencia, privacidad, validez de los datos, acceso, intervenciones positivas y minimización de impactos adversos.
GDPR, IA y datos educativos: qué debe tenerse en cuenta
En Europa, esta cuestión no es únicamente ética.
El Reglamento General de Protección de Datos (GDPR) reconoce derechos específicos relacionados con las decisiones automatizadas y el perfilado. Cuando un tratamiento implica una evaluación sistemática y extensa de aspectos personales y puede entrañar un alto riesgo para los derechos y libertades de las personas, puede ser necesaria una evaluación de impacto de protección de datos.
Además, el Reglamento Europeo de Inteligencia Artificial introduce nuevas cautelas para determinados usos de IA en educación.
A agosto de 2026, la ley de IA ya es aplicable con diferentes calendarios según el tipo de obligación. Determinados sistemas utilizados en educación que pueden afectar al acceso o trayectoria educativa -por ejemplo, algunos sistemas de evaluación- se consideran de alto riesgo, aunque las obligaciones específicas para estos usos comenzarán a aplicarse el 2 de diciembre de 2027. El Reglamento también prohíbe determinados usos de reconocimiento de emociones en instituciones educativas.
Para universidades, centros educativos y empresas EdTech, la consecuencia es clara: privacy by design y human oversight deben formar parte del producto desde el principio, no añadirse cuando la tecnología ya está desplegada.
La Fundación lleva años señalando desafíos similares al abordar la ciencia de datos, donde cuestiones como privacidad, sesgos, transparencia y ética forman parte inseparable del valor que pueden generar los datos.
De medir al alumno a comprender cómo aprende
El verdadero potencial del learning analytics no consiste en crear una educación donde todo quede cuantificado.
Consiste en obtener mejores preguntas.
¿Por qué un grupo está teniendo dificultades? ¿En qué momento comienza a desconectarse un estudiante? ¿Qué recurso funciona mejor? ¿Dónde necesita intervenir el profesor? ¿Qué parte de un curso deberíamos rediseñar?
Los datos pueden ayudar a responderlas, pero no eliminan la necesidad de conocimiento pedagógico, interpretación y criterio humano.
Ese equilibrio será cada vez más importante a medida que converjan learning analytics, inteligencia artificial y aprendizaje adaptativo.
La propia evolución de las tendencias educativas que está siguiendo Fundación Innovación Bankinter apunta hacia sistemas más personalizados y apoyados en datos.
Primero aprendimos a digitalizar contenidos. Después empezamos a personalizarlos. El siguiente paso es construir sistemas capaces de aprender también de cómo estamos aprendiendo nosotros.
Y probablemente ahí resida la oportunidad más interesante del learning analytics: no utilizar los datos para sustituir las decisiones educativas, sino para conseguir que docentes, alumnos e instituciones puedan tomarlas mejor.
Preguntas frecuentes sobre learning analytics
¿Necesito una plataforma especial para empezar?
No necesariamente. Muchos entornos virtuales de aprendizaje ya generan información sobre accesos, actividades, entregas y resultados. El primer paso no debería ser adquirir más tecnología, sino decidir qué problema educativo se quiere resolver y comprobar si existen datos fiables que puedan ayudar a comprenderlo. Solo después tiene sentido valorar dashboards, modelos predictivos o herramientas específicas.
¿El learning analytics sirve solo para educación online?
No. El entorno digital facilita enormemente la recogida de datos, pero la analítica puede combinar información procedente de modalidades online, híbridas y presenciales. Asistencia, evaluaciones o determinados registros de actividad pueden integrarse para obtener una visión más completa. Lo fundamental es que los datos tengan significado pedagógico.
¿Qué métricas debería mirar un docente?
Depende del objetivo. Para detectar problemas de seguimiento pueden ser útiles cambios en la actividad, retrasos en las entregas o progresión. Para revisar contenidos, los patrones de error y el rendimiento por actividad pueden aportar más información. Una buena métrica no es la que resulta más fácil de recopilar, sino la que ayuda a responder una pregunta educativa concreta y permite actuar sobre ella.
