Cómo gobernar la analítica académica con evidencia

Una institución puede acumular cientos de miles de registros sobre calificaciones, asistencia, actividad en plataformas, avances curriculares y trayectorias. Puede desplegarlos en un tablero atractivo, aplicar modelos predictivos e identificar estudiantes o asignaturas que requieren atención. Aun así, todavía no ha demostrado que alguien aprendió más ni que una decisión mejoró gracias a esos datos. La distinción importa porque la analítica académica suele presentarse mediante cifras de escala: cantidad de estudiantes, variables, interacciones o alertas procesadas. Esas cifras describen infraestructura y alcance. No prueban, por sí solas, la validez de las mediciones, la precisión de una predicción ni el efecto de una intervención. Un caso publicado en HEILab de UNESCO IESALC ayuda a plantear el problema. MOPIAC, desarrollado en la Escuela de Medicina y Ciencias de la Salud de la Universidad del Rosario, reporta información de aproximadamente 2.500 estudiantes y más de 200.000 registros entre 2022-2 y 2026-1. Integra resultados académicos, información curricular, tableros y técnicas predictivas en tres dominios formativos. El caso es valioso como diseño institucional y banco de aprendizajes. Pero la ficha pública no permite auditar por completo la definición de las variables, el desempeño de los modelos, los falsos positivos, las diferencias entre grupos ni los resultados atribuibles a las decisiones adoptadas. Esto no invalida la experiencia. Define correctamente el nivel de evidencia disponible: sabemos que existe una infraestructura analítica y que se usa; no podemos concluir solo con esa información cuánto aprendizaje adicional produjo. Del dato abundante a la evidencia pertinente La Society for Learning Analytics Research define la analítica del aprendizaje como la recolección, análisis, interpretación y comunicación de datos sobre quienes aprenden y su aprendizaje, con el propósito de generar información accionable que mejore el aprendizaje y la enseñanza. La palabra decisiva no es “datos”, sino “aprendizaje”. Abrir una plataforma no equivale a comprender. Permanecer conectado no demuestra participación cognitiva. Entregar una tarea a tiempo no asegura dominio. Una calificación tampoco es una medida perfecta si las evaluaciones no representan bien el resultado de aprendizaje que se busca observar. Por eso, antes de construir un tablero conviene formular una pregunta incómoda: ¿qué afirmación educativa queremos sostener y qué evidencia permitiría sostenerla? Si la pregunta es sobre dominio de una competencia, la institución necesita evidencia alineada con esa competencia. Si la pregunta es sobre riesgo de abandono, debe distinguir entre una señal estadística y las causas concretas que podrían explicar la trayectoria de una persona. El volumen puede mejorar la estabilidad de algunos análisis, pero no corrige una variable mal definida. Doscientas mil mediciones de un indicador débil siguen siendo mediciones débiles. La calidad empieza en el linaje del dato Los tableros suelen mostrar resultados como si cada cifra hubiera nacido limpia y comparable. En realidad, detrás de un indicador hay decisiones: quién registró el dato, con qué instrumento, en qué momento, bajo qué regla y qué transformaciones sufrió antes de llegar a la pantalla. Una gobernanza seria debería conservar el linaje de cada variable. Esto implica documentar, al menos: su definición y propósito; el sistema de origen; la población cubierta y los casos excluidos; la periodicidad y fecha de actualización; las reglas de limpieza, combinación e imputación; los cambios históricos en instrumentos o criterios; la persona o unidad responsable de resolver discrepancias. Sin esta trazabilidad, una institución puede comparar cohortes medidas de manera distinta o interpretar como cambio educativo lo que en realidad fue una modificación administrativa. También puede convertir datos faltantes en señales de riesgo, aunque la ausencia provenga de una falla de integración o de una actividad realizada fuera de la plataforma. La validación no es solo técnica. Equipos curriculares, docentes, profesionales de apoyo estudiantil, unidades de calidad y estudiantes conocen aspectos que una base de datos no revela. Un modelo puede detectar un patrón; quienes trabajan con el proceso deben examinar si tiene sentido educativo y si su interpretación es justa. Predecir no es explicar ni decidir Un modelo puede estimar la probabilidad de que ocurra un resultado sin identificar su causa. Esta diferencia se vuelve crítica cuando una alerta activa tutorías, modifica itinerarios o clasifica a una persona como “en riesgo”. Antes de usar una predicción, la institución debería saber cómo se comparó con una regla simple, si fue validada con datos distintos de los usados para desarrollarla, cómo se comporta en nuevas cohortes y qué tipo de error comete. No basta informar una exactitud general. Los falsos positivos pueden destinar apoyo a quien no lo necesitaba, generar estigma o alterar expectativas docentes. Los falsos negativos dejan fuera a personas que sí requerían acompañamiento. El costo de cada error depende de la decisión asociada. Una invitación voluntaria a orientación no tiene las mismas consecuencias que restringir una oportunidad académica. También debe examinarse el desempeño por grupos pertinentes, siempre con resguardos éticos y tamaños suficientes. Un promedio aceptable puede ocultar errores sistemáticos según modalidad, jornada, sede, área disciplinar, discapacidad, género, origen socioeconómico u otras condiciones. La finalidad no es etiquetar grupos, sino evitar que una herramienta reproduzca desigualdades existentes. Cuando la analítica incorpora inteligencia artificial o aprendizaje automático, el AI Risk Management Framework de NIST ofrece una referencia útil para gobernar, mapear, medir y gestionar riesgos. No es un estándar educativo ni reemplaza el juicio académico, pero ayuda a recordar que el desempeño técnico es solo una parte del problema. Una alerta solo vale si existe una respuesta responsable Muchas iniciativas se concentran en detectar riesgos y dedican menos atención a lo que ocurre después. Pero una alerta sin protocolo puede terminar ignorada, multiplicar mensajes contradictorios o activar respuestas intrusivas. Cada señal debería vincularse con una acción definida: quién la revisa, qué información adicional consulta, cómo conversa con la persona afectada, qué apoyo puede ofrecer y cuándo cierra el caso. La revisión humana no consiste en pulsar “aceptar”. Debe tener autoridad para cuestionar la alerta, incorporar contexto y corregir datos. La intervención, además, necesita ser proporcional. Un indicio temprano puede justificar una invitación a conversar, no una decisión adversa. La analítica debería ampliar oportunidades de apoyo, no crear una vigilancia permanente ni reemplazar la relación educativa. Las orientaciones de la Comisión Europea sobre uso ético de IA y datos en enseñanza y aprendizaje subrayan dimensiones que también son pertinentes fuera de Europa: agencia humana, equidad, transparencia, privacidad y uso pedagógicamente justificado. Su valor no está en copiar una lista, sino en incorporar estas preguntas antes del despliegue. Transparencia no es publicar el algoritmo completo Una institución debe explicar qué datos utiliza, para qué finalidad, quién accede, cuánto tiempo los conserva y qué decisiones pueden apoyarse en ellos. También debe ofrecer canales para corregir información y cuestionar una conclusión. Esto no exige entregar código incomprensible a cada estudiante. La transparencia útil se adapta al destinatario. Una persona afectada necesita comprender qué ocurrió y cómo pedir revisión. Un comité académico requiere conocer supuestos, límites y errores. Un equipo técnico necesita documentación reproducible. Las autoridades deben saber qué riesgos aceptan y quién responde cuando el sistema falla. El código de práctica de Jisc para analítica del aprendizaje organiza precisamente este tipo de responsabilidades alrededor de propósito, transparencia, acceso, validez, intervención y minimización de efectos adversos. No resuelve las particularidades normativas de cada país, pero entrega un marco institucional más completo que una autorización genérica escondida en los términos de uso. La regla más prudente es usar los datos necesarios para una finalidad explícita, no todos los datos disponibles porque resulta técnicamente posible combinarlos. El tablero también debe ser evaluado Una vez implementada la analítica, la institución necesita evaluar el sistema completo. No solo si el tablero funciona, sino si modifica decisiones y si esas decisiones producen resultados deseables sin daños desproporcionados. Conviene separar al menos cinco niveles: Calidad técnica: integridad, actualización, estabilidad y seguridad de los datos. Validez analítica: correspondencia entre variables, modelos y afirmaciones educativas. Uso: quién consulta la información, con qué frecuencia y para qué decisiones. Respuesta institucional: oportunidad, consistencia y calidad de las intervenciones. Resultados y equidad: cambios en aprendizaje, progresión, bienestar u otros resultados pertinentes, incluidos efectos diferentes entre grupos. La evaluación puede comenzar con un piloto. Es posible comparar periodos, unidades o modalidades; analizar la implementación; entrevistar a usuarios; revisar casos; observar efectos no previstos y, cuando sea ético y viable, utilizar diseños comparativos más robustos. No todo tablero exige un experimento aleatorizado. Toda promesa relevante sí exige evidencia proporcional. Un aumento en el número de alertas atendidas demuestra actividad. Una mejora posterior en retención muestra asociación. Para atribuir esa mejora a la analítica se necesita descartar explicaciones alternativas con un diseño adecuado. Mantener estas diferencias evita tanto el entusiasmo infundado como la descalificación automática. Siete decisiones antes de escalar Antes de ampliar una iniciativa de analítica académica, una institución debería poder responder: ¿Qué decisión educativa mejorará y quién es responsable de tomarla? ¿Qué constructo pretende medir cada variable y qué tan válida es esa aproximación? ¿Cómo se documentan origen, transformación, cobertura y calidad de los datos? ¿Qué errores produce el modelo y cómo se distribuyen entre grupos y contextos? ¿Qué intervención activa una alerta, con qué revisión humana y qué posibilidad de impugnación? ¿Qué datos son realmente necesarios y cómo se informan finalidad, acceso y conservación? ¿Cómo se evaluará si las decisiones mejoran aprendizaje, trayectorias o equidad? Si estas respuestas no existen, el problema no se resuelve agregando otro gráfico. Gobernar antes de celebrar La analítica académica puede ayudar a reconocer brechas curriculares, coordinar apoyos, revisar secuencias formativas y aprender de las trayectorias. Sería un error renunciar a ese potencial por temor a los riesgos. Sería igualmente riesgoso confundir capacidad de procesamiento con calidad educativa. La unidad de éxito no es el registro acumulado, el tablero desplegado ni la alerta emitida. Es una decisión pedagógica o institucional mejor fundada, revisable y evaluada, que amplía oportunidades de aprendizaje sin convertir a las personas en perfiles opacos. Gobernar la analítica significa conectar datos, propósito educativo, responsabilidades, derechos, intervención y evidencia de resultados. Recién entonces la abundancia de información puede transformarse en aprendizaje institucional. Si quieres seguir explorando cómo convertir datos, tecnología y aseguramiento de la calidad en mejores decisiones educativas, regístrate gratis en InnovacionAcademica.org y participa en una comunidad interesada en innovar con evidencia, responsabilidad y sentido pedagógico. Fuentes consultadas UNESCO IESALC HEILab. MOPIAC Modelo Predictivo de Impacto Académico . Society for Learning Analytics Research. What is Learning Analytics? Jisc. Code of practice for learning analytics . Drachsler, H., & Greller, W. (2016). Privacy and Analytics: It’s a DELICATE Issue . Comisión Europea. Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators . National Institute of Standards and Technology. AI Risk Management Framework . Imagen de portada: imagen hiperrealista generada específicamente para InnovacionAcademica.org. Prompt visual de respaldo Fotografía editorial hiperrealista horizontal 16:9 de cuatro profesionales latinoamericanos de educación superior, claramente adultos de entre 48 y 65 años, dos mujeres y dos hombres, reunidos en una oficina chilena de inteligencia institucional y aseguramiento de la calidad; revisan juntos analítica académica en un computador, deliberan con seriedad sobre datos de aprendizaje, escena humana concreta, luz natural y estética documental, sin apariencia publicitaria, sin estudiantes jóvenes, sin niñas, niños ni adolescentes, sin uniformes escolares, sin sala de colegio, sin texto, sin letras, sin números, sin logotipos y sin marcas de agua.