Más allá de los clics

Las verdades incómodas y el futuro de la analítica del aprendizaje en México

1. El espejismo de los datos: ¿Estamos enseñando o solo rastreando?

En la última década, las universidades han caído bajo el hechizo de la datificación. Nos hemos convencido de que, al estar “nadando en datos” de Moodle, poseemos una radiografía exacta de lo que sucede en el aula. Sin embargo, una revisión sistemática bajo el protocolo PRISMA 2020, que abarca la literatura de frontera entre 2015 y 2026, revela una realidad punzante: existe una brecha crítica entre la actividad digital y las decisiones docentes informadas por evidencia.

La mayoría de las instituciones utilizan estos registros para fines puramente administrativos, dejando a los profesores en una “ceguera pedagógica”. Tener gráficas no es sinónimo de comprensión. La verdadera pregunta para el 2025 no es cuántos datos podemos acumular, sino cómo transformar el “espejismo del log” en una brújula para el éxito estudiantil.

2. La paradoja de la visibilidad: Por qué los tableros no bastan

Durante años, el “santo grial” de la tecnología educativa fue el dashboard o tablero de control. Se pensaba que mostrar una barra de progreso bastaría para motivar al alumno. Pero Kaliisa et al. (2024) acaban de lanzar un balde de agua fría sobre este mito: tras sintetizar 38 estudios, concluyeron que no existe evidencia sólida de que los tableros mejoren el logro académico.

Los efectos reportados son insignificantes o pequeños, complicados por diseños de investigación no controlados. El problema técnico es que la visualización solo genera conciencia (awareness), pero no necesariamente acción. Como advierte la literatura especializada, un tablero es un medio, no un fin pedagógico; si el docente no sabe interpretar la señal, el gráfico es solo ruido visual.

3. El engaño del engagement: Más allá de los “logs” tradicionales

Es una tentación común: ver un alto número de clics y asumir que el estudiante está “comprometido”. Investigaciones de Fincham et al. (2019) y Motz et al. (2019) demuestran que contar interacciones es una métrica vacía. La relación entre actividad y aprendizaje es contingente y depende totalmente de la estructura del curso.

Para trascender esta visión simplista, el campo está migrando hacia la analítica temporal y el process mining, enfocándose en el Aprendizaje Autorregulado (SRL). No importa cuántas veces entran a Moodle, sino cómo navegan sus procesos cognitivos.

Diferencias clave para el docente moderno:

• Actividad de Log (Datos crudos): Registros de acceso y descargas. Es presencia, no aprendizaje.
• Analítica de Procesos (SRL): Mapeo de trazas digitales hacia fases de estudio teóricamente significativas.
• Aprendizaje Real: Capacidad de autorregulación y progreso en competencias, interpretado bajo un andamiaje pedagógico.

4. El cuello de botella: Cultura institucional sobre algoritmos

A menudo buscamos el algoritmo “perfecto”, pero el hallazgo de Márquez et al. (2024) identifica 14 factores críticos que detienen la innovación, y ninguno es la falta de procesadores. La barrera principal es la adopción y la cultura docente. La mayoría de los proyectos se quedan atrapados en una eterna “fase piloto”.

Para superar esto, modelos como el marco SHEILA de política institucional, el proyecto latinoamericano LALA, o los modelos de madurez MMALA y HELA-CMM, sugieren que la capacidad analítica debe ser una capacidad organizacional, no un experimento de un solo departamento. Sin una hoja de ruta que priorice la formación docente, la tecnología seguirá siendo un motor sin ruedas.

5. Privacidad y Justicia de Datos: El nuevo escenario mexicano

El 2025 marca un antes y un después legal en México. Con la actualización de la LFPDPPP el 20 de marzo de 2025 y la transición de las funciones del INAI hacia la Secretaría Anticorrupción y Buen Gobierno, las instituciones como la ULSA Cancún enfrentan un rigor normativo sin precedentes.

“La analítica del aprendizaje ya no puede ser un ‘agregado’. Conceptos como la justicia de datos, la minimización y la transparencia para evitar el sesgo algorítmico son ahora requisitos legales y éticos constitutivos del diseño educativo.”

La ética ya no es un capítulo opcional en el manual; es el tablero sobre el cual se juega la viabilidad de cualquier modelo de Analítica del Aprendizaje (LA).

6. Humanizar el dato: El modelo de las seis dimensiones y el vacío Lasallista

Uno de los descubrimientos más fascinantes de la literatura reciente es lo que llamamos el “Vacío Lasallista”. Mientras que autores como Seebach & Charron han trabajado en trasladar las “Doce Virtudes de un buen maestro” al entorno virtual, existe una ausencia total de estudios que vinculen la analítica de datos con la identidad carismática y la valoración por progresiones (RAI1 al RAI5).

Para instituciones con este sello, la oportunidad es histórica: crear un modelo de seis dimensiones que no solo mida el rendimiento frío, sino que apoye el acompañamiento humano:

1. Acceso y permanencia: ¿Está el estudiante presente?
2. Participación: ¿Cómo interactúa con la comunidad?
3. Progreso: ¿Cómo evoluciona en sus competencias?
4. Desempeño: ¿Cuál es la calidad de sus entregas?
5. Autorregulación: ¿Es dueño de su proceso de aprendizaje?
6. Riesgo académico: ¿Necesita una intervención humana inmediata?

7. Conclusión: Hacia una pedagogía de la interpretación

Como sugieren Paulsen & Lindsay (2024), el campo finalmente está migrando “de la analítica hacia el aprendizaje”. El futuro de la educación superior en México no se escribirá con más terabytes, sino con mejores preguntas pedagógicas.

Al final del día, los datos solo cobran vida cuando un docente los utiliza para mirar a los ojos (aunque sea a través de una pantalla) a un estudiante que necesita guía. La pregunta final queda para nosotros: ¿Estamos usando la tecnología para vigilar el comportamiento o para fortalecer el vínculo humano que hace posible el aprendizaje?