Mejorar el rendimiento académico: datos, IA y apoyo docente

El rendimiento académico de una institución mejora cuando el estudiante recibe ayuda en el momento en que le surge la duda, con el contenido de su asignatura, y cuando el profesorado ve a tiempo quién se está quedando atrás. Los consejos de estudio individuales (organizar el tiempo, tomar apuntes, descansar) son útiles para el alumno, pero a quien dirige un centro le toca otra pregunta: cómo conseguirlo a escala sin saturar al profesorado ni regalar datos a terceros. Un tutor de IA integrado en el LMS y alimentado solo con los materiales del docente, como el que ofrece BrainBoost, responde a las dos cosas a la vez.

En resumen

• Mejorar el rendimiento exige medirlo con pocos indicadores claros y actuar sobre ellos pronto, no solo mirar las notas finales.
• La evidencia española apunta a que la tecnología ayuda cuando personaliza la instrucción al nivel del estudiante, no cuando solo se reparten dispositivos o herramientas.
• Los datos del campus (accesos, calificaciones, participación) sirven para detectar el riesgo de abandono, siempre que el profesorado participe en su interpretación.
• Una IA que responde solo con el temario del docente y cumple el RGPD protege la propiedad intelectual y la privacidad de la institución.

Qué es “rendimiento académico” cuando se mira desde la institución

Para un alumno, el rendimiento es su nota. Para una institución es un conjunto de resultados que se comparan en el tiempo y entre grupos. Conviene fijar cuáles antes de decidir ninguna medida.

El Sistema estatal de indicadores de la educación 2024, del Ministerio de Educación, reúne 21 indicadores: 10 de escolarización y entorno educativo, 2 de financiación y 9 de resultados. Entre ellos figuran la competencia mínima en lectura y matemáticas, la idoneidad (cursar el nivel que corresponde a la edad), la repetición, el abandono temprano y la graduación. Es un marco pensado para evaluar el sistema, pero sirve de modelo para ordenar el tuyo.

Las administraciones autonómicas trabajan igual. La Junta de Andalucía publica indicadores homologados sobre tránsito entre etapas, evaluación de materias, promoción, titulación y continuidad de estudios para analizar la dimensión enseñanza-aprendizaje.

Indicadores útiles en un centro o una universidad

A partir de esos marcos, un conjunto razonable para empezar es este:

Indicador	Qué responde	Cuándo mirarlo
Tasa de aprobados por asignatura	¿Dónde se concentran las dificultades?	Cada convocatoria
Repetición y promoción	¿Cuántos alumnos no avanzan al ritmo previsto?	Cada curso
Abandono y continuidad	¿Quién deja los estudios y en qué momento?	Cada curso y cada trimestre
Actividad en el campus	¿Quién ha dejado de conectarse?	Semanal
Participación en actividades de práctica	¿Quién estudia con regularidad?	Semanal

Los tres primeros son retrospectivos: cuando los ves, el daño está hecho. Los dos últimos son los que permiten reaccionar durante el curso, y de ahí sale la mayor parte del margen de mejora. Si te interesa la parte de retención, tenemos una guía sobre abandono universitario: cifras, causas y cómo reducirlo.

Qué datos recoger y cómo interpretarlos

La guía de analíticas de aprendizaje de la UOC define el punto de partida: las analíticas de aprendizaje permiten calcular indicadores y métricas del proceso de enseñanza-aprendizaje para interpretar resultados, detectar riesgo de fracaso o abandono y orientar medidas correctoras. Cita datos como las conexiones al campus, la frecuencia de acceso, las calificaciones medias y los mensajes enviados.

Hay dos reglas prácticas que se desprenden de esa guía:

1. Recoge solo lo que responde a una necesidad educativa. Si no sabes qué decisión tomarás con un dato, no lo captures. Es también lo que pide el principio de minimización del RGPD.
2. No dejes que el algoritmo interprete solo. La UOC advierte de que los aspectos cualitativos del desempeño limitan la predicción automatizada y recomienda que el profesorado participe en la interpretación. Una caída de accesos puede ser desmotivación o un trabajo a tiempo parcial, y solo quien conoce al grupo lo distingue.

Un ejemplo de lectura de datos

Imagina una asignatura de primer curso con 180 alumnos. En la semana 4 el panel muestra que 35 no han abierto el material de la unidad 2 y que los que sí lo hicieron concentran sus dudas en un solo concepto. Dos acciones salen de ahí: el docente refuerza ese concepto en la siguiente sesión y tutoría contacta con los 35 alumnos inactivos. Ninguna de las dos habría sido posible con la nota del examen en enero.

Si quieres profundizar en qué mostrar en esa pantalla, lo tratamos en qué mostrar en un panel de analítica educativa y cómo usarlo.

Un proceso para medir y actuar sin perder el control

La investigación sobre la implementación de analíticas de aprendizaje propone cinco etapas: definir el entorno, recoger datos en bruto, manipularlos e ingeniar características, construir análisis y modelos, y realizar la aplicación educativa. Defiende además que el ciclo solo se cierra cuando se aplican las conclusiones y se evalúa el efecto de los cambios. En versión de centro, queda así:

1. Elige tres o cuatro indicadores de la tabla anterior, no veinte. Cada uno con un responsable.
2. Define la fuente de cada dato. Casi todo ya está en el LMS: accesos, entregas, calificaciones.
3. Establece umbrales de aviso acordados con el profesorado (por ejemplo, dos semanas sin conexión).
4. Decide qué ocurre cuando salta un aviso: quién contacta, con qué mensaje y en cuánto tiempo.
5. Revisa al final del trimestre si la intervención cambió algo y ajusta los umbrales.

El error más habitual está en el paso 4: se instalan alertas sin un protocolo de respuesta y acaban ignoradas.

Qué estrategias de apoyo funcionan, según la evidencia

Los resultados de un solo programa no se generalizan sin cautela, pero los estudios españoles recientes coinciden en la dirección. Una revisión sistemática sobre abandono y fracaso escolar propone grupos mixtos e interactivos, más recursos en el aula, formación continua del profesorado, programas de recuperación y tutorías individuales.

Un estudio en el IES San Juan Bosco de Lorca recoge que la media de acceso universitario subió de 6,381 en 2018 a 7,457 en 2024, por encima de la media regional de 7,165 en 2024, tras aplicar actuaciones como grupos interactivos, tertulias dialógicas, biblioteca tutorizada y participación familiar. Los propios autores señalan que se basa en un único centro y no establece causalidad, de modo que sirve de inspiración y no de garantía.

Otro trabajo, sobre gestión educativa y factores críticos, identifica la motivación, el clima escolar y el apoyo familiar, y recomienda una gestión colaborativa y adaptada al contexto.

Lo que une estas estrategias es la atención individual y a tiempo. Y es justo lo que un profesor con 150 alumnos no puede dar en cada duda, ni a las once de la noche antes de una entrega.

IA y rendimiento académico: la pregunta es cómo se usa

El informe de ESADE sobre IA y educación en España señala que las intervenciones tecnológicas que personalizan la instrucción al nivel de aprendizaje pueden producir mejoras, mientras que ampliar el acceso a dispositivos sin una finalidad pedagógica específica tiende a efectos cercanos a cero. La pregunta relevante, concluye, no es si hay tecnología, sino si se utiliza para una intervención pedagógica explícita.

De ahí salen los criterios para elegir una IA para tu institución:

• Que responda con el temario del docente, no con información genérica de internet. Así la respuesta coincide con lo que se evalúa.
• Que guíe en lugar de dar la solución. Un modo socrático, que devuelve preguntas al estudiante, favorece la comprensión. Lo explicamos en método socrático en educación.
• Que genere práctica, porque el estudio activo pesa más que la lectura pasiva.
• Que deje datos al docente, para que el profesor siga siendo quien interpreta.

El informe de datos.gob.es identifica cuatro usos de la tecnología educativa basada en datos e IA: supervisión de evaluaciones, detección de problemas de atención o conducta, personalización de rutas y ritmos, y mejora del rendimiento en pruebas estandarizadas. Concluye que la mejora exige combinar docentes excelentes con tecnología que aumente sus capacidades. Para una visión más amplia de cómo desplegarla, consulta IA en universidades: cómo implantarla con criterio y la guía sobre tutor virtual con IA.

El profesorado evalúa, la IA acompaña

El Marco de referencia del Ministerio de Educación sobre IA establece que la responsabilidad última de evaluar y calificar corresponde al profesorado y no puede delegarse en sistemas automatizados. También recomienda que las actividades apoyadas por IA valoren el proceso, la comprensión, la defensa oral, la reescritura argumentada y la aplicación a contextos nuevos. Una herramienta bien planteada respeta ese reparto: resuelve dudas y propone práctica, y la calificación sigue en manos del docente.

Privacidad y RGPD: la condición para usar IA con alumnos

Cuando un alumno sube los apuntes de la universidad a un asistente externo, el contenido y sus datos salen de la institución. La guía sobre inteligencia artificial y educación, con la AEPD y la Oficina del Gobierno para la Transformación Digital, recuerda que el RGPD se aplica a los sistemas de IA que tratan datos personales, generan perfiles o toman decisiones sobre personas. Sus principios son licitud, transparencia, finalidad, minimización, exactitud, conservación limitada, seguridad y responsabilidad proactiva.

La misma guía advierte de que la institución debe saber qué datos recoge una herramienta, dónde se almacenan, cuánto tiempo se conservan, quién interviene y con qué finalidad. Es una lista útil para cualquier proveedor que evalúes.

Hay otro límite legal que conviene conocer: el artículo 5 del Reglamento europeo de IA prohíbe, salvo excepciones médicas o de seguridad, inferir emociones de las personas en centros educativos. Las analíticas de rendimiento deben basarse en actividad y resultados, no en detectar emociones. Para el tratamiento de datos de alumnos, la institución puede apoyarse en la seudonimización de datos en educación. Ante dudas concretas sobre tu caso, consulta con el delegado de protección de datos de tu institución.

Cómo lo resuelve BrainBoost dentro del LMS

BrainBoost es un asistente de IA que se integra de forma nativa en el LMS mediante LTI 1.3, sin desarrollo a medida. Los alumnos entran con acceso SSO automático, sin registros adicionales, y el asistente responde solo con el contenido que aportan los profesores. Incluye un modo socrático configurable, genera preguntas de práctica automáticas y ofrece a los docentes un panel de analíticas en tiempo real. La institución mantiene el control de los datos y del contenido, con cumplimiento del RGPD y seudonimización, y el soporte técnico es 24/7.

En las asignaturas analizadas, nuestros datos muestran un aumento medio de +0,5 puntos en el rendimiento. Existen tres planes, STARTER, BOOST y CAMPUS, que puedes consultar en la página de producto. Si prefieres verlo antes de hablar con nadie, hay una demo grabada, y puedes solicitar una demo para tu institución.

Este enfoque encaja con cada paso del proceso anterior. El panel del docente aporta los indicadores semanales, las preguntas frecuentes de los alumnos muestran qué conceptos fallan, y el asistente atiende la duda a cualquier hora sin sacar el material de la institución.

Nuestra perspectiva

Llevamos tiempo viendo que la discusión sobre IA en la universidad se plantea mal. Se pregunta si los alumnos deben usarla, cuando ya la usan. La cuestión de fondo es dónde: si en herramientas genéricas, a las que suben los documentos de la institución, o en un entorno que la propia institución controla.

Por eso diseñamos BrainBoost para que responda únicamente sobre los materiales que sube el docente. Una respuesta ligada al temario es una respuesta que el profesor reconoce como suya, y eso cambia la relación entre el alumno, la IA y la asignatura. Con el modo socrático, el estudiante piensa en lugar de copiar.

Creemos también que los datos de rendimiento solo valen si se convierten en una conversación humana. El panel existe para que el docente sepa a quién llamar y qué explicar de nuevo, no para sustituir su criterio. Y la privacidad, con seudonimización y RGPD, no es un añadido: es lo que permite a una institución adoptar la IA con tranquilidad.

Jaime

Preguntas frecuentes

¿Qué indicadores de rendimiento académico conviene medir primero?

Empieza por la tasa de aprobados por asignatura, la repetición, el abandono y la actividad en el campus. Los tres primeros miran el pasado y el último permite actuar durante el curso. Añade más solo cuando sepas qué decisión tomarás con ellos.

¿Cómo se puede medir el rendimiento estudiantil de forma fiable?

Define pocos indicadores, toma los datos del LMS, acuerda umbrales con el profesorado y revisa al final de cada trimestre si las medidas funcionaron. La guía de la UOC insiste en que el docente participe en la interpretación, porque los datos no recogen los aspectos cualitativos.

¿Mejora la inteligencia artificial el rendimiento académico?

Según el informe de ESADE, ayuda cuando personaliza la instrucción al nivel del estudiante con una finalidad pedagógica explícita. Por eso importa que responda con el temario del docente y que este conserve la evaluación. Los datos de BrainBoost muestran un aumento medio de +0,5 puntos en las asignaturas analizadas.

¿Cómo se configuran alertas de rendimiento sin invadir la privacidad?

Basa las alertas en actividad y resultados (accesos, entregas, calificaciones), recoge solo los datos necesarios y aplica seudonimización. El Reglamento europeo de IA prohíbe inferir emociones en centros educativos, así que las alertas no deben apoyarse en eso. Define también quién recibe el aviso y qué acción sigue.

Fuentes

• Sistema estatal de indicadores de la educación 2024
• Indicadores homologados, Junta de Andalucía
• Analíticas de aprendizaje para el seguimiento, UOC
• El proceso de implementación de analíticas de aprendizaje
• Revisión sistemática sobre las causas del abandono y el fracaso escolar
• Improvement in secondary school performance, Frontiers in Education
• Estrategias de gestión educativa basadas en los factores críticos
• Integración basada en la evidencia y uso eficaz de las TIC, ESADE
• Tecnología educativa basada en datos, datos.gob.es
• Marco de referencia sobre el uso de la inteligencia artificial, Ministerio de Educación
• Inteligencia artificial y educación, AEPD y Oficina del Gobierno para la Transformación Digital
• Artículo 5: Prácticas de IA prohibidas