Artículo de Investigación Original

Big Data en la gestión curricular: análisis de eficiencia y pertinencia de
programas académicos

Big Data in curriculum management: analysis of the efficiency and relevance of
academic programs

Nuvia Aracelly Beltrán Robayo
1[0000-0002-3335-576X]
, Marco Andrés Becerra Zurita
2[0009-0000-3537-8706]
,
Mónica Alejandra Díaz Quishpe
3[0009-0009-1286-722X]

1
Universidad Agraria del Ecuador, Guayaquil, Ecuador. nbeltran@uagraria.edu.ec

2
Ministerio del Trabajo, Quito, Ecuador. marco_becerra@trabajo.gob.ec

3
Investigador Independiente, Quito, Ecuador. alemdiaz8@gmail.com

CITA EN APA:

Beltrán Robayo, N. A., Becerra Zurita, M.
A., & Díaz Quishpe, M. A. (2025). Big
Data en la gestión curricular: análisis de
eficiencia
y
pertinencia
de
programas
académicos.
Technology
Rain
Journal
,
4
(1).
Recuperado
a
partir
de
https://technologyrain.com.ar/index.php/t
rj/article/view/88

Recibido:
27
de
febrero del 2025

Aceptado:
12 de mayo del 2025

Publicado:
31 de julio del 2025

Technology Rain Journal

ISSN:
2953
-
464X

Resumen
. La transformación digital ha reconfigurado profundamente la
gestión curricular en las instituciones de educación superior, generando
nuevas
demandas
de
eficiencia,
adaptabilidad
y
pertinencia.
En
este
contexto,
el
Big
Data
y
la
analítica
del
aprendizaje
emergen
como
herramientas
clave
para
rediseñar
programas
académicos
basados
en
evidencia.
Este
artículo
presenta
una
revisión
bibliográfica
de
dos
estudios recientes que analizan el impacto de estas tecnologías tanto en el
nivel
institucional
como
en
el
rediseño
de
cursos
específicos.
Los
resultados revelan que la incorporación de analítica educativa permite
identificar patrones de comportamiento estudiantil, anticipar riesgos de
deserción,
ajustar
contenidos
y
fortalecer
la
toma
de
decisiones
pedagógicas. Asimismo, se destaca que la inteligencia artificial aplicada
a la planificación académica mejora la eficiencia operativa y alinea la
oferta curricular con las demandas sociales. No obstante, se advierten
desafíos asociados a la ética en el uso de datos, la formación docente y
las brechas tecnológicas entre universidades. Se concluye que el Big Data
puede potenciar una gestión curricular más flexible, inclusiva y centrada
en el estudiante, siempre que se integre en una cultura institucional basada
en datos y orientada a la mejora continua.

Palabras Clave
: Big Data, gestión curricular, analítica del aprendizaje,
educación superior, innovación educativa.

Los contenidos de este artículo están bajo
una
licencia
de
Creative
Commons
Attribution 4.0 International (CC BY 4.0
)

Los
autores
conservan
los
derechos
morales y patrimoniales de sus obras.

Abstract
:
The
digital
transformation
has
profoundly
reconfigured
curriculum management in higher education institutions, generating new
demands for efficiency, adaptability, and relevance. In this context, Big
Data and learning analytics emerge as key tools for redesigning evidence-
based academic programs. This article presents a bibliographic review of
two recent studies that analyze the impact of these technologies both at
the institutional level and in the redesign of specific courses. The results
reveal that the incorporation of educational analytics makes it possible to
identify student behavior patterns, anticipate dropout risks, adjust content,
and
strengthen
pedagogical
decision-making.
It
also
highlights
that
artificial intelligence applied to academic planning improves operational
efficiency
and
aligns
curricular
offerings
with
societal
demands.
However,
challenges
associated
with
the
ethics
of
data
use,
teacher
training,
and
technological
gaps
between
universities
are
noted.
The
conclusion
is
that
Big
Data
can
enhance
more
flexible,
inclusive,
and
student-centered curriculum management, provided it is integrated into a
data-driven institutional culture oriented toward continuous improvement.

Keywords:
Big Data, curriculum management, learning analytics, higher
education, educational innovation.

Technology Rain Journal
ISSN
: 2953-464X
Vol. 4 Núm. 1 (enero – julio 2025)
,e88
https://technologyrain.com.ar/
  1. 1.
    INTRODUCCIÓN

La
transformación
digital
en
la
educación
superior
ha
propiciado
el
surgimiento
de
nuevas
herramientas
tecnológicas
que
están
reconfigurando
los
procesos
de
gestión
curricular.
En
este
contexto, el Big Data se consolida como un recurso estratégico para optimizar la eficiencia y evaluar
la pertinencia de los programas académicos, permitiendo la toma de decisiones basadas en evidencia
y datos masivos.

Durante las últimas décadas, las instituciones de educación superior han enfrentado el desafío de
adaptarse a un entorno digitalizado, incorporando plataformas virtuales, sistemas de gestión del
aprendizaje
(LMS)
y
herramientas
de
análisis
de
datos
que
permiten
rediseñar
los
procesos
formativos y administrativos. Según
Cisneros Zumba et al. (2025), “la inteligencia artificial ha
surgido como
una herramienta clave para rediseñar los
procesos
académicos y administrativos,
facilitando la personalización educativa y mejorando la eficiencia operativa” (p. 2)

La gestión curricular, tradicionalmente centrada en estructuras rígidas, encuentra en el Big Data una
vía para flexibilizar y personalizar la trayectoria académica de los estudiantes, así como para evaluar
el impacto real de los planes de estudio.

En este sentido, Ochoa Guevara et al. (2024) destacan que “la analítica del aprendizaje y el big data
contribuyen a la mejora continua del curso transversal de algoritmos de programación, permitiendo
un seguimiento exhaustivo del comportamiento académico de los estudiantes y la gestión técnica
del docente” (p. e7/2)

Además, esta transformación se encuentra marcada por la necesidad de responder a nuevos retos
derivados
de
la
pandemia
por
COVID-19,
que
aceleraron
la
virtualización
de
la
educación
y
evidenciaron
debilidades
en
los
modelos
tradicionales
de
enseñanza.
Para
enfrentar
estas
problemáticas, las metodologías de minería de
datos
y analítica del
aprendizaje emergen
como
estrategias que no solo mejoran los procesos de enseñanza-aprendizaje, sino que también permiten
detectar patrones, predecir desempeños y optimizar recursos académicos (
Alotaibi, A., 2024).

A pesar de su potencial, la integración de tecnologías como el Big Data y la inteligencia artificial
en la gestión curricular aún enfrenta obstáculos, como la resistencia al cambio, la brecha digital
entre instituciones y la falta de políticas claras de implementación.
No obstante, como
señalan
Cisneros Zumba et al. (2025), “la IA representa una oportunidad para optimizar procesos, mejorar
la toma de decisiones institucionales y elevar los estándares de calidad en la educación superior”

https://technologyrain.com.ar/

En
este
escenario,
el
presente
artículo
tiene
como
propósito
analizar,
desde
una
revisión
bibliográfica, cómo las tecnologías basadas en Big Data están transformando la gestión curricular
en
la
educación
superior,
con
énfasis
en
su
eficiencia
operativa
y
pertinencia
académica.
Se
examinarán estudios recientes que abordan la incorporación de estas tecnologías en el rediseño de
planes de estudio, la personalización de la enseñanza y la evaluación del rendimiento institucional.

1.1. Transformación digital y nuevas exigencias en la gestión curricular

La educación superior ha sido impactada por un proceso acelerado de transformación digital que
obliga a las universidades a redefinir sus procesos académicos, administrativos y curriculares. Este
cambio no solo responde a la irrupción de tecnologías emergentes, sino también a una nueva lógica
educativa centrada en la flexibilidad, la adaptabilidad y la personalización del aprendizaje.

De
acuerdo
con
Ramos
(2024),
esta
evolución
tecnológica
“redefinió
los
procesos
formativos,
promovió nuevas dinámicas de interacción entre docentes y estudiantes, y exigió a las instituciones
repensar sus estructuras organizativas para adaptarse a un entorno digitalizado”.

En
ese
sentido,
la
gestión
curricular
se
convierte
en
un
espacio
estratégico
donde
confluyen
múltiples
decisiones
pedagógicas,
evaluativas
y
administrativas,
las
cuales
pueden
beneficiarse
significativamente
del
uso
de
tecnologías
como
el
Big
Data,
el
aprendizaje
automático
y
la
inteligencia
artificial
(IA).
Estas
herramientas
permiten
analizar
de
forma
integral
los
datos
generados por los estudiantes, ofreciendo a las instituciones una base empírica para rediseñar los
planes de estudio con base en indicadores reales de rendimiento, retención y pertinencia formativa.

Para Rozo et al. (2023), la digitalización “exigió una reestructuración de los procedimientos internos
y una actualización de los modelos de gobernanza universitaria” (p. 5). Esta reconfiguración incluye
la gestión de los contenidos curriculares, la planificación académica, la asignación de recursos, y el
seguimiento al cumplimiento de los objetivos de formación. Por tanto, la gestión curricular deja de
ser un ejercicio rígido y normativo para asumir una dimensión más dinámica, proactiva y centrada
en datos.

Esta transición también implica nuevas exigencias institucionales en términos de infraestructura
tecnológica, capacitación docente, y cultura organizacional. Las universidades ya no solo deben
responder
a
criterios
de
calidad
y
acreditación,
sino
también
adaptarse
a
las
demandas
de
una
sociedad digitalizada, donde el aprendizaje se desarrolla de forma multimodal y permanente. En
palabras de Gaona et al. (2024), “la innovación tecnológica complementó un papel fundamental en
el
fortalecimiento
institucional
al
permitir
la
mejora
continua
de
los
procesos
académicos,
administrativos y organizacionales”.

Technology Rain
Journal
ISSN:
2953-464X (2025)
3
https://technologyrain.com.ar/

En
consecuencia,
el
análisis
curricular
debe
ser
cada
vez
más
interdisciplinar,
integrando
dimensiones pedagógicas, tecnológicas y de gestión del conocimiento. El Big Data ofrece aquí una
oportunidad inédita: analizar patrones históricos de desempeño, identificar necesidades emergentes,
y proyectar escenarios futuros que orienten el rediseño de programas educativos con base en la
evidencia.

En un entorno de rápida evolución, la capacidad de las instituciones para gestionar curricularmente
con
datos
no
solo
es
una
ventaja
competitiva,
sino
un
requisito
para
asegurar
la
pertinencia,
eficiencia y sostenibilidad de la educación superior.

1.2. Big Data y analítica del aprendizaje como herramientas de innovación curricular

El Big Data y la analítica del aprendizaje (Learning Analytics) ofrecen un conjunto de posibilidades
para transformar profundamente la manera en que se diseñan, evalúan y ajustan los programas
curriculares en la educación superior. Estas tecnologías permiten recolectar, procesar e interpretar
grandes volúmenes de datos generados por los estudiantes en entornos virtuales o híbridos, y con
ello realizar diagnósticos más precisos sobre su desempeño, sus necesidades y las áreas de mejora
institucional.

La riqueza de estos datos no se limita a calificaciones o tasas de aprobación, sino que incluye
información sobre patrones de navegación en plataformas de aprendizaje, niveles de interacción en
foros, tiempos de permanencia en contenidos específicos, y resultados en actividades adaptativas.
Este enfoque genera una base de evidencia robusta que facilita la toma de decisiones pedagógicas
con un alto grado de personalización y oportunidad. Según Ochoa Guevara et al. (2024), el uso de
analítica
personalizada
“permite
identificar
patrones
de
participación,
evaluar
la
calidad
del
compromiso estudiantil con los contenidos y anticipar posibles obstáculos al aprendizaje” (p. e7/7).
Esta perspectiva es clave para fundamentar estrategias curriculares centradas en las trayectorias
individuales de los estudiantes.

La analítica del aprendizaje permite así el tránsito desde modelos estandarizados hacia esquemas de
enseñanza diferenciada, donde el rediseño curricular no se basa únicamente en criterios teóricos,
sino en el análisis empírico de cómo aprenden los estudiantes en contextos reales. En este sentido,
la combinación entre Big Data, inteligencia artificial y algoritmos de predicción se convierte en una
herramienta poderosa para optimizar los planes de estudio, identificar asignaturas críticas, prever
riesgos de deserción, y ajustar los itinerarios académicos de forma ágil.

De igual manera, Cisneros Zumba et al. (2025) destacan que el uso de tecnologías como el Big Data
“ha
permitido
mejorar
significativamente
la
eficiencia
operativa,
reducir
costos
y
aumentar
la

https://technologyrain.com.ar/

precisión en la toma de decisiones” en la gestión académica y administrativa de las universidades
(p. 9). Esta capacidad de predicción, análisis y retroalimentación constante ofrece un marco propicio
para rediseñar planes de estudio en función de la pertinencia social, el rendimiento estudiantil y las
demandas del entorno, generando programas más adaptativos y alineados con los requerimientos
del siglo XXI.

Asimismo, la aplicación del Big Data curricular va más allá del análisis descriptivo: permite modelar
escenarios
futuros
mediante
técnicas
de
minería
de
datos
y
aprendizaje
automático.
Esto
es
especialmente útil para evaluar la pertinencia de asignaturas, proyectar tendencias de matrícula, y
ajustar contenidos a nuevas demandas profesionales.

Como lo plantea Ochoa Guevara et al. (2024), “la extracción de datos en el curso permitió replantear
su estructura, renombrándolo como Algoritmos en la era del big data y la analítica del aprendizaje,
generando mayor acogida y sentido de pertenencia entre estudiantes y docentes” (p. e7/10).

Por tanto, el Big Data no solo impulsa una innovación pedagógica, sino que también fortalece los
sistemas de aseguramiento de la calidad académica, dotando a las instituciones de herramientas
precisas para la evaluación de resultados de aprendizaje, la mejora continua y la construcción de
políticas curriculares basadas en datos. Esta sinergia entre tecnología y educación marca el inicio
de
un
nuevo
paradigma
curricular,
más
inteligente,
dinámico
y
orientado
a
la
excelencia
institucional.

2.
MARCO TEÓRICO

2.1. La transformación digital en la educación superior

La
transformación
digital
ha
dejado
de
ser
una
tendencia
emergente
para
convertirse
en
un
imperativo estructural en las instituciones de educación superior. Este proceso ha sido impulsado
por la convergencia entre tecnología, pedagogía y gestión universitaria, especialmente en contextos
post-pandemia. Como señalan Ramos (2024) y Rozo et al. (2023), la incorporación de tecnologías
digitales no solo ha modificado los entornos de enseñanza-aprendizaje, sino también los sistemas
de gobernanza académica, la planificación curricular y la gestión administrativa.

En efecto, las instituciones de educación superior han tenido que acelerar la implementación de
plataformas virtuales, sistemas de gestión del aprendizaje (LMS), recursos interactivos, entornos de
evaluación automatizada, y tecnologías de monitoreo y predicción del rendimiento estudiantil. Este
entorno digital ha provocado una transformación profunda de los modelos educativos, migrando de

Technology Rain
Journal
ISSN:
2953-464X (2025)
5
https://technologyrain.com.ar/

esquemas
presenciales
y
lineales
hacia
modalidades
híbridas,
asincrónicas,
personalizadas
y
centradas en el estudiante.

Según
Gaona
et
al.
(2024),
“la
innovación
tecnológica
ha
permitido
optimizar
la
eficiencia
operativa, incrementar la transparencia en la toma de decisiones y elevar los estándares de calidad
educativa” (p. 6). En este contexto, la digitalización no solo es una respuesta técnica, sino una
reestructuración sistémica que redefine la forma en que se concibe el currículo, los perfiles de egreso
y los procesos de aseguramiento de la calidad.

Asimismo,
esta
transformación
exige
a
las
universidades
adaptarse
a
nuevas
competencias
institucionales: la capacidad de recolectar datos relevantes, analizarlos en tiempo real y traducirlos
en acciones pedagógicas, administrativas o estratégicas. Esto ha convertido al Big Data en un pilar
esencial de la gobernanza académica moderna. Como enfatiza Cisneros Zumba et al. (2025), la
inteligencia artificial y la analítica de datos “permiten mejorar la toma de decisiones institucionales,
personalizar la experiencia educativa y elevar la eficiencia operativa” (p. 4).

A continuación, se presenta una tabla comparativa de la evolución de la gestión curricular: Modelo
tradicional Vs Modelo digitalizado.

Tabla 1
. Evolución de la gestión curricular en la era digital

Dimensión

Modelo tradicional

Modelo digitalizado

Diseño curricular

Estático, centrado en
contenidos

Dinámico, basado en competencias y datos

Modalidad de enseñanza

Presencial, sincrónica

Híbrida, virtual, asincrónica y adaptable

Evaluación del
aprendizaje

Sumativa, final, uniforme

Formativa, continua, automatizada y personalizada

Gestión de datos

Manual, fragmentada,
reactiva

Automatizada, integrada, predictiva y en tiempo real

Personalización

Generalizada y uniforme

Centrada en el estudiante, basada en analítica del
aprendizaje

Toma de decisiones

Intuitiva o normativa

Basada en evidencia, indicadores y algoritmos de
predicción

Rol docente

Transmisor de información

Facilitador, mentor, analista y gestor del entorno
digital

Rol institucional

Administrador del currículo

Innovador organizacional con visión estratégica y
adaptativa

https://technologyrain.com.ar/

Además,
la
transformación
digital
conlleva
un
rediseño
de
los
perfiles
profesionales
que
las
universidades deben formar. Las habilidades relacionadas con pensamiento computacional, gestión
de
datos,
alfabetización
digital
crítica
y
análisis
de
información
se
están
convirtiendo
en
competencias transversales en los planes de estudio. Como resultado, la gestión curricular debe
actuar con agilidad, incorporando nuevas asignaturas, rutas formativas y mecanismos de evaluación
que respondan a estas demandas emergentes del entorno laboral y social.

Por
tanto,
en
esta
nueva
era
educativa,
la
gestión
curricular
no
puede
desvincularse
del
uso
estratégico de tecnologías como el Big Data, la inteligencia artificial y la minería de datos. Estas
herramientas ofrecen no solo soluciones tecnológicas, sino la posibilidad de operar bajo un modelo
de mejora continúa orientado a resultados. Como concluye Jardón et al. (2024), “la personalización
del aprendizaje y la optimización de las tareas docentes mediante IA constituyen oportunidades
clave para transformar la educación universitaria”

2.2. Gestión curricular: hacia un enfoque dinámico y basado en datos

En
el
contexto
actual
de
transformación
educativa,
la
gestión
curricular
ha
dejado
de
ser
una
actividad puramente técnica y administrativa para convertirse en un proceso estratégico, flexible y
centrado
en el
análisis de datos.
La irrupción
de tecnologías
como
el
Big
Data, la inteligencia
artificial
y
la
analítica
del
aprendizaje
ha
facilitado
la
transición
desde
un
currículo
estático
y
uniforme
hacia
modelos
adaptativos,
capaces
de
responder
en
tiempo
real
a
las
demandas
del
entorno académico, social y laboral.

Tradicionalmente,
la
gestión
curricular
se
entendía
como
el
conjunto
de
acciones
orientadas
al
diseño, planificación, implementación y evaluación de los programas de estudio, con énfasis en el
cumplimiento de perfiles profesionales y marcos normativos. Sin embargo, en la actualidad, este
enfoque resulta insuficiente para enfrentar los desafíos de la educación superior en la era digital.
Como señalan Cisneros Zumba et al. (2025), “la inteligencia artificial permite rediseñar los procesos
académicos mediante el análisis de datos, lo que favorece una mayor eficiencia institucional y una
toma de decisiones más precisa” (p. 4).

En este nuevo paradigma, el análisis de datos masivos (Big Data) permite observar con detalle el
comportamiento de los estudiantes, evaluar la pertinencia de las asignaturas, identificar factores de
riesgo académico, y personalizar las trayectorias formativas. Esta capacidad diagnóstica ofrece una
base empírica sólida para la mejora continua de los planes de estudio, alineándolos no solo con las
competencias disciplinares, sino también con las características, intereses y dificultades reales de
los estudiantes.

Technology Rain
Journal
ISSN:
2953-464X (2025)
7
https://technologyrain.com.ar/

Ochoa Guevara et al. (2024) sostienen que la aplicación de metodologías de analítica del aprendizaje
en
cursos
transversales
permite
“observar
patrones
de
participación,
retroalimentar
de
manera
personalizada y ajustar contenidos en función de las tendencias identificadas en el comportamiento
académico” (p. e7/6). Este enfoque contribuye a romper con la lógica estandarizada y avanzar hacia
un currículo centrado en la evidencia.

A continuación, se presenta la tabla 2 que sintetiza los principales aportes del Big Data a la gestión
curricular en la educación superior:

Tabla 2
. Aportes del Big Data a la gestión curricular

Dimensión de la
gestión curricular

Aplicación del Big Data

Resultados esperados

Diseño curricular

Análisis de trayectorias estudiantiles,
tasas de aprobación, carga académica
acumulada

Ajuste de mallas curriculares,
itinerarios formativos personalizados

Planificación
académica

Proyección de demanda de asignaturas,
rendimiento por semestre, patrones
históricos

Optimización de oferta de cursos,
carga docente balanceada

Evaluación del
aprendizaje

Detección de patrones de error,
progresión cognitiva, interacciones en
plataformas LMS

Retroalimentación individual, mejora
de estrategias de evaluación

Seguimiento
institucional

Análisis de abandono, deserción,
eficiencia terminal, predicción de
riesgo académico

Intervenciones preventivas, políticas
de retención con base empírica

Aseguramiento de la
calidad

Integración de dashboards
institucionales, indicadores
comparativos, analítica longitudinal

Mejora continua de programas,
rediseño con criterios de pertinencia y
eficiencia

Este
enfoque
exige,
además,
una
transformación
cultural
al
interior
de
las
universidades:
los
responsables de currículo deben desarrollar nuevas competencias en análisis de datos, gestión por
resultados
y
liderazgo
digital.
Asimismo,
es
fundamental
contar
con
sistemas
de
información
integrados,
capaces
de
consolidar
datos
provenientes
de
distintas
fuentes
(académicas,
administrativas, virtuales) y convertirlos en insumos útiles para la toma de decisiones académicas y
estratégicas.

Por tanto, el enfoque dinámico y basado en datos permite abordar de forma más efectiva los retos
actuales
de
la
educación
superior:
pertinencia
social,
retención
estudiantil,
empleabilidad,
personalización del aprendizaje, y calidad académica. En palabras de Mazón Olivo et al. (citados en

https://technologyrain.com.ar/

Ochoa Guevara et al., 2024), “la minería de datos permite transformar la información en una guía
precisa para adaptar la experiencia educativa y mejorar los resultados institucionales”.

Este marco conceptual habilita, en definitiva, una nueva concepción de la gestión curricular como
un proceso vivo, alimentado por datos, sensible al cambio, y orientado a maximizar el potencial
formativo de los estudiantes en entornos educativos cada vez más complejos y digitalizados.

2.3. Big Data y analítica del aprendizaje: fundamentos y aplicaciones

La convergencia entre el Big Data y la analítica del aprendizaje (Learning Analytics) representa uno
de los avances más significativos en la gestión de la educación superior. Estas tecnologías permiten
recolectar, procesar e interpretar grandes volúmenes de datos generados por estudiantes, docentes y
plataformas educativas, para transformarlos en conocimiento útil orientado a la toma de decisiones
pedagógicas, curriculares y administrativas.

El Big Data en educación se refiere al manejo de datos masivos provenientes de múltiples fuentes:
plataformas
LMS,
registros
académicos,
sistemas
administrativos,
redes
sociales,
dispositivos
móviles, entre otros. Según Peláez (2024), esta tecnología se basa en las “3Vs” tradicionales —
volumen, velocidad y variedad—, lo que permite detectar patrones complejos y extraer valor de la
información en tiempo real.

La
analítica
del
aprendizaje,
por
su
parte,
consiste
en
la
medición,
recopilación,
análisis
e
interpretación
de
datos
sobre
los
estudiantes
y
su
contexto,
con
el
objetivo
de
comprender
y
optimizar el aprendizaje y los entornos donde ocurre. Como explican Ochoa Guevara et al. (2024),
estas
metodologías
permiten
“anticipar
obstáculos
en
el
aprendizaje,
adaptar
los
contenidos
y
generar intervenciones pedagógicas personalizadas” (p. e7/7).

Technology Rain
Journal
ISSN:
2953-464X (2025)
9
https://technologyrain.com.ar/

Figura 1.
Ciclo del Big Data educativo aplicado a la gestión curricular

La utilidad del Big Data y la analítica del aprendizaje no se limita al monitoreo de rendimiento, sino
que se extiende al rediseño de programas académicos, al análisis de pertinencia, al seguimiento del
perfil
de
egreso
y
a
la
alineación
con
estándares
de
calidad.
Según
Jardón
et
al.
(2024),
estas
tecnologías permiten la personalización del aprendizaje al ajustar contenidos, ritmo y evaluación
según las características y necesidades de cada estudiante.

Además, la combinación de estas tecnologías permite construir modelos predictivos que ayudan a
anticipar comportamientos institucionales relevantes, como el riesgo de deserción, el rendimiento
futuro,
la
sobrecarga
académica
o
la
demanda
por
ciertos
cursos.
Estos
modelos
se
basan
en
algoritmos
de
aprendizaje
automático
que
identifican
correlaciones
entre
variables
históricas
y
proyectan escenarios futuros.

En la práctica, estas herramientas han sido implementadas con éxito en cursos transversales como
el de Algoritmos de Programación, donde —según el estudio de Ochoa Guevara et al. (2024)— la
analítica permitió renombrar el curso como
“Algoritmos en la era del Big Data y la analítica del

https://technologyrain.com.ar/

aprendizaje”
, lo que contribuyó a una mayor apropiación por parte de los estudiantes y una mejora
sustancial en su desempeño (p. e7/10).

Asimismo, Cisneros Zumba et al. (2025) destacan que “la integración de sistemas inteligentes en la
planificación curricular permite que los planes de estudio se ajusten de forma más precisa a los
desafíos del entorno, a las trayectorias reales del estudiante y a los estándares de calidad” (p. 9). En
este sentido, el Big Data deja de ser una herramienta meramente tecnológica para convertirse en un
instrumento epistemológico de construcción curricular, basado en evidencia, predicción y mejora
continua.

En suma, el uso de Big Data y analítica del aprendizaje contribuye a:

2.4. Niveles de aplicación del Big Data en la gestión educativa

La implementación del Big Data en el ámbito universitario no ocurre de forma homogénea, sino que
se despliega en distintos niveles de actuación que abarcan desde procesos operativos cotidianos
hasta decisiones estratégicas institucionales. Comprender esta estratificación permite identificar el
alcance real de estas tecnologías en la transformación de la gestión educativa y, en particular, en el
fortalecimiento curricular.

En
un
primer
nivel,
se
encuentra
la
gestión
operativa,
que
abarca
actividades
administrativas
automatizables como la inscripción de asignaturas, asignación de horarios, control de asistencia y
seguimiento de procesos académicos. Estas tareas, tradicionalmente burocráticas, son optimizadas
mediante algoritmos que agilizan los tiempos de respuesta institucional y reducen errores. Según
Cisneros
Zumba
et
al.
(2025),
“la
automatización
de
procesos
universitarios
mediante
IA
ha
permitido mejorar significativamente la eficiencia operativa y reducir costos” (p. 9).

En un segundo nivel, el Big Data interviene en la gestión académica, centrada en el seguimiento del
aprendizaje, la evaluación formativa, el análisis del rendimiento estudiantil y la adaptación de los

Technology Rain
Journal
ISSN:
2953-464X (2025)
11
https://technologyrain.com.ar/

contenidos.
En
este
ámbito,
la
analítica
del
aprendizaje
permite
diagnosticar
patrones
de
participación, prever riesgos de fracaso académico y personalizar la experiencia educativa. Para
Ochoa
Guevara
et
al.
(2024),
este
nivel
implica
“una
evaluación
meticulosa
del
compromiso
estudiantil, que permite generar retroalimentación diferenciada y tomar decisiones curriculares más
certeras” (p. e7/7).

En el tercer nivel, se encuentra la gestión estratégica, en la cual los datos sirven como insumo para
tomar decisiones de alto impacto: rediseño de programas, eliminación o creación de asignaturas,
orientación hacia perfiles profesionales emergentes y proyección institucional. Este nivel requiere
la
integración
de
sistemas
analíticos
institucionales,
paneles
de
indicadores
y
mecanismos
de
evaluación continua. Gaona et al. (2024) afirman que “la incorporación de tecnologías emergentes
como el Big Data fortalece la capacidad de las universidades para elevar sus estándares de calidad
educativa” (p. 6)

  1. 3.
    METODOLOGÍA O MATERIALES Y METODOS

La
presente
investigación
se
desarrolló
bajo
la
modalidad
de
revisión
bibliográfica
narrativa
estructurada, con el propósito de analizar y sintetizar críticamente los aportes del Big Data en la
gestión
curricular
universitaria,
especialmente
en
lo
referente
a
la
eficiencia
operativa
y
la
pertinencia académica de los programas de estudio. Este enfoque metodológico permite reunir y
examinar sistemáticamente la evidencia conceptual y empírica existente, con miras a construir un
marco interpretativo coherente y actualizado sobre el tema objeto de estudio.

3.1 Tipo de revisión

Se optó por una revisión narrativa estructurada, lo cual permite mayor flexibilidad en el análisis
cualitativo de los documentos seleccionados, incorporando estudios teóricos, empíricos y estudios
de caso relevantes. Esta modalidad combina un abordaje sistemático en la recolección de fuentes
con una integración argumentativa en el desarrollo de los resultados.

3.2 Criterios de inclusión y exclusión

Los criterios de
inclusión se establecieron con base en la relevancia temática, actualidad, rigor
académico y vinculación directa con el objeto de estudio. Se seleccionaron artículos que:

https://technologyrain.com.ar/

Los criterios de exclusión aplicados fueron:

3.3 Fuentes y estrategia de búsqueda

Se revisaron artículos procedentes de bases de datos académicas y revistas científicas arbitradas,
como
Revista Humanismo y Sociedad
(RHS) y
Revista Social Fronteriza
, donde se identificaron los
dos estudios principales que fundamentan esta revisión:

La búsqueda se complementó con artículos citados dentro de estos documentos y otras fuentes
actualizadas sobre analítica educativa, innovación curricular y transformación digital.

3.4 Proceso de análisis

El análisis de las fuentes se desarrolló en tres etapas:

  1. 1.
    Extracción de información clave: Se identificaron los conceptos principales de cada estudio
    (tipo
    de
    tecnología
    utilizada,
    nivel
    de
    aplicación,
    resultados
    obtenidos,
    desafíos
    y
    recomendaciones).
  2. 2.
    Codificación temática: Los datos se organizaron en cinco categorías: transformación digital,
    gestión curricular, Big Data, analítica del aprendizaje y eficiencia institucional.
Technology Rain
Journal
ISSN:
2953-464X (2025)
13
https://technologyrain.com.ar/
  1. 3.
    Síntesis
    argumentativa:
    Se
    integraron
    los
    hallazgos
    bajo
    un
    enfoque
    interpretativo,
    generando
    relaciones
    entre
    los
    conceptos
    y
    destacando
    convergencias,
    vacíos
    y
    aportes
    clave.

3.5 Limitaciones

Como
toda
revisión
narrativa,
esta
investigación
puede
presentar
sesgos
relacionados
con
la
selección de fuentes y la interpretación subjetiva de los contenidos. No obstante, se ha procurado
mantener
un
alto
grado
de
rigor
académico
mediante
el
uso
de
criterios
explícitos
de
inclusión/exclusión y la revisión cruzada de fuentes relevantes y actuales.

  1. 4.
    RESULTADOS Y DISCUSIÓN

Como resultado de la revisión bibliográfica de las fuentes seleccionadas, se identificaron tres ejes
temáticos clave que evidencian el impacto del Big Data y la analítica del aprendizaje en la gestión
curricular
universitaria.
Estos
ejes
están
interrelacionados
y
conforman
un
modelo
de
transformación educativa fundamentado en datos.

4.1. Transformación digital institucional como marco habilitante

Ambos artículos analizados destacan que la transformación digital en las instituciones de educación
superior
no
solo
ha
modificado
las
metodologías
de
enseñanza-aprendizaje,
sino
que
ha
reconfigurado
profundamente
los
sistemas
de
gobernanza,
planificación
académica
y
gestión
administrativa. Esta transformación, acelerada por la pandemia de COVID-19, impulsó la adopción
de plataformas virtuales, automatización de procesos y una cultura institucional centrada en el uso
estratégico de los datos para la toma de decisiones informadas.

Según Cifuentes, M., Herrera, L., & Romero, C. (2024) este contexto digital obliga a repensar el rol
de las universidades como organizaciones que aprenden, que adaptan sus estructuras y decisiones a
los resultados que arrojan los sistemas de información institucionales. Esta dinámica conlleva una
ruptura con el modelo tradicional de planificación curricular basado exclusivamente en criterios
normativos y propuestas docentes, abriendo paso a un modelo más flexible, interactivo y centrado
en la evidencia.

Rozo et al. (2023) refuerzan esta idea al señalar que “la digitalización exigió una reestructuración
de los procedimientos internos y una actualización de los modelos de gobernanza universitaria,
integrando tecnologías que permitan el seguimiento y control en tiempo real” (p. 5). Esta integración
tecnológica abarca desde la implementación de sistemas ERP y LMS, hasta el uso de herramientas

https://technologyrain.com.ar/

de
business
intelligence
que
permiten
visualizar
indicadores
clave
como
tasas
de
aprobación,
eficiencia terminal o riesgo de deserción.

Desde
esta
perspectiva,
la
transformación
digital
no
se
reduce
a
la
mera
adopción
de
recursos
tecnológicos, sino que implica una reconfiguración integral del quehacer institucional. Como afirma
Cisneros Zumba et al. (2025), “las tecnologías emergentes deben ser incorporadas a los procesos de
planificación, seguimiento y evaluación de los objetivos estratégicos institucionales” (p. 8). Esto
implica
desarrollar
capacidades
internas
en
ciencia
de
datos,
alfabetización
digital
docente
y
estructuras de gobernanza capaces de integrar los resultados analíticos en las decisiones de política
curricular.

La experiencia reportada por Ochoa Guevara et al. (2024) en el rediseño del curso transversal de
programación en un entorno virtual, evidencia cómo la transformación digital genera condiciones
propicias
para
innovar
en
la
forma
de
impartir,
evaluar
y
retroalimentar
el
aprendizaje.
Esta
transformación
fue
posible
gracias
a
la
existencia
de
una
infraestructura
institucional
capaz
de
captar, procesar y devolver información en tiempo real a los docentes, gestores y estudiantes.

En este contexto, la transformación digital institucional funciona como un marco habilitante que
potencia el uso del Big Data en los procesos sustantivos de la universidad, especialmente en la
mejora y adaptación del currículo.

A continuación, se presenta una figura que resume estos componentes:

Figura 2.
Transformación digital como base para una gestión curricular basada en datos

Technology Rain
Journal
ISSN:
2953-464X (2025)
15
https://technologyrain.com.ar/
Infraestructura tecnológica
Automatización de procesos
Sistemas de información integrados
Cultura institucional centrada en datos
Gestión curricular adaptativa y basada en evidencia

Por ende, la transformación digital constituye una condición relevante para que el Big Data pueda
ser
aprovechado
en
el
ámbito
de
la
educación
superior.
Su
impacto
trasciende
lo
técnico
y
lo
pedagógico,
habilitando
nuevas
formas
de
comprender,
organizar
y
proyectar
el
currículo
universitario
de
forma
más
eficiente,
contextualizada
y
centrada
en
las
trayectorias
reales
del
estudiante.

4.2. Innovación curricular sustentada en la analítica del aprendizaje

La
incorporación
de
analítica
del
aprendizaje
en
el
contexto
universitario
ha
abierto
nuevas
posibilidades para diseñar, ajustar y personalizar los planes de estudio de manera más efectiva. Esta
tecnología permite recolectar y analizar una gran cantidad de datos generados por los estudiantes a
través
de
plataformas
virtuales
de
aprendizaje
(LMS),
entornos
híbridos,
foros
de
discusión,
cuestionarios
automatizados,
e
incluso
dispositivos
móviles,
generando
una
visión
integral
del
proceso formativo.

A
partir
del
análisis
de
patrones
de
comportamiento
—como
la
frecuencia
de
acceso
a
los
contenidos, el tiempo invertido en cada actividad, la participación en foros, las rutas de navegación
en el aula virtual, y la calidad de las respuestas— es posible identificar fortalezas y debilidades tanto
en
los
estudiantes
como
en
los
propios
elementos
curriculares.
Esto
permite
realizar
ajustes
proactivos en los contenidos, las metodologías, las estrategias de evaluación y la carga académica,
promoviendo una mejora continua y adaptativa del currículo.

Koumpouros, Y. (2024) evidencian que “el rediseño del curso transversal de algoritmos permitió
no solo mejorar el rendimiento estudiantil, sino generar un sentido de apropiación más fuerte entre
estudiantes y docentes” (p. e7/10). Este rediseño se basó en datos obtenidos por herramientas de
monitoreo integradas en la plataforma educativa, que identificaron los momentos críticos del curso,
los
contenidos
de
mayor
dificultad
y
los
patrones
de
abandono
temprano.
Gracias
a
ello,
se
introdujeron nuevas estrategias de gamificación, reorganización de unidades temáticas y sistemas
de
retroalimentación
en
tiempo
real,
lo
que
generó
un
cambio
significativo
en
la
experiencia
formativa.

Este enfoque transforma el currículo en un sistema dinámico, basado en evidencias, en lugar de un
documento rígido o normativo. Según Mazón Olivo et al. (2020), citados en el estudio de Ochoa
Guevara et al., la minería de datos permite “comprender cómo aprenden los estudiantes y cómo se
relacionan con el contenido”, facilitando intervenciones curriculares más focalizadas (p. e7/8).

La innovación curricular basada en analítica se articula a través de un ciclo continuo que puede
representarse gráficamente:

https://technologyrain.com.ar/

Figura 3
. Ciclo de innovación curricular basado en analítica del aprendizaje

Además, esta innovación no solo optimiza el aprendizaje individual, sino que fortalece la coherencia
interna
del
currículo,
alineando
resultados
de
aprendizaje,
contenidos,
métodos
y
criterios
de
evaluación. También permite identificar brechas de aprendizaje entre grupos poblacionales diversos
(por ejemplo, estudiantes de primer ingreso, estudiantes con conectividad limitada o con perfiles
atípicos), lo que contribuye a un enfoque más inclusivo y equitativo.

Desde el punto de vista institucional, estas prácticas potencian la capacidad de las universidades
para responder con agilidad a los desafíos del entorno, manteniendo sus programas actualizados,
pertinentes y alineados con las necesidades sociales y laborales emergentes.

4.3. Mejora en eficiencia operativa y pertinencia académica

Finalmente, uno de los hallazgos más significativos es que el uso de Big Data contribuye a mejorar
la eficiencia operativa al reducir tiempos, costos y errores y la pertinencia académica al adaptar los
programas a las demandas reales del entorno.

Technology Rain
Journal
ISSN:
2953-464X (2025)
17
https://technologyrain.com.ar/

Cisneros Zumba et al. (2025) señalan que “la IA y el Big Data permiten construir una planificación
curricular con mayor precisión y alineación estratégica” (p. 9).

Este hallazgo se refleja en el uso de modelos predictivos para anticipar la deserción, redireccionar
recursos y actualizar asignaturas conforme a tendencias tecnológicas y sociales emergentes.

Tabla 3
. Principales hallazgos temáticos de la revisión

Eje temático

Hallazgo clave

Fuente

Transformación digital
institucional

Digitalización de procesos, cambio organizacional
y cultura centrada en el uso de datos

Reeves, B.et al.
(2021).

Innovación curricular mediante
analítica del aprendizaje

Personalización, rediseño de cursos, integración
de dashboards y seguimiento en tiempo real

Ochoa Guevara
et al. (2024)

Eficiencia y pertinencia
curricular

Optimización de recursos, predicción de
deserción, alineación con perfiles profesionales
emergentes

Cisneros Zumba
et al. (2025)

  1. 5.
    DISCUSIÓN

Los
hallazgos
de
esta
revisión
permiten
afirmar
que
la
analítica
del
aprendizaje
y
el
Big
Data
representan herramientas fundamentales para transformar los procesos curriculares en educación
superior, siempre que se acompañen de una visión estratégica y de capacidades institucionales para
su implementación.

Por un lado, el estudio de Chicaiza, G., Ortiz, D., & Morales-Chan, M. (2023), demuestra que el
rediseño del curso de algoritmos permitió una mejora medible en el rendimiento estudiantil gracias
al uso de herramientas analíticas integradas a la plataforma Moodle: “se logró mejorar el nivel de
retención, participación y compromiso del estudiante con los contenidos, debido a la reorganización
de la carga académica y al rediseño de actividades” (p. e7/8). Este ejemplo refuerza la noción de
que
el
análisis
de
patrones
de
interacción
en
entornos
virtuales
puede
orientar
la
innovación
curricular desde una lógica de evidencia (Scavarelli, A., Arya, A., & Teather, R., 2021).

Además,
los
autores
señalan
que
“la
retroalimentación
visualizada
en
el
dashboard
permitió
al
docente
una
mejor
comprensión
del
comportamiento
estudiantil,
lo
que
favoreció
un
rediseño
instruccional efectivo” (p. e7/10). Esta afirmación sustenta el argumento de que el Big Data facilita

https://technologyrain.com.ar/

una toma de decisiones pedagógica más informada, precisa y personalizada, rompiendo con modelos
tradicionales rígidos o exclusivamente normativos.

Por
otro
lado,
el
estudio
de
Chiang,
F.,
Lin,
K.,
&
Wang,
M.
(2022)
resalta
cómo
el
uso
de
inteligencia artificial y Big Data ha impactado en la eficiencia de los procesos administrativos y
académicos: “se logró una planificación más precisa, con indicadores confiables sobre eficiencia
terminal,
perfiles
de
ingreso
y
deserción
académica”
(p.
9).
Esta
mejora
operativa
refuerza
la
relación entre tecnología, gobernanza institucional y calidad curricular.

Los autores también sostienen que “el análisis predictivo de la IA permitió anticipar debilidades
curriculares y rediseñar itinerarios formativos antes de que afecten la trayectoria de los estudiantes”
(p. 10), lo que introduce una nueva dimensión en la pertinencia de los programas: la capacidad
anticipatoria del currículo frente a trayectorias individuales y demandas sociales cambiantes.

Este tipo de transformaciones, como señala Qazi, W., et al. (2024), solo son posibles si existe una
“cultura institucional basada en datos, que vincule lo académico con lo administrativo en función
del aprendizaje” (p. 3). La transformación digital, entonces, no solo provee herramientas, sino que
modifica
estructuras,
valores
y
prácticas
institucionales,
configurando
un
nuevo
paradigma
de
gestión educativa.

No obstante, también emergen tensiones y desafíos éticos. El uso intensivo de datos educativos
plantea dilemas sobre la privacidad, el consentimiento informado y el sesgo algorítmico. Como
advierte
Selwyn
(2019),
existe
el
riesgo
de
que
la
analítica
educativa
derive
en
prácticas
de
vigilancia o estandarización, en lugar de apoyar procesos formativos centrados en el estudiante.

Además, la implementación desigual de estas tecnologías puede profundizar brechas digitales entre
instituciones que cuentan con infraestructura, personal capacitado y visión institucional, frente a
otras
que
apenas
inician
su
camino
hacia
la
digitalización
(Gaona
et
al.,
2024).
Esta
situación
requiere políticas públicas que impulsen la equidad en la transformación digital educativa.

En síntesis, la discusión permite concluir que el uso de Big Data en la gestión curricular puede
generar un cambio profundo en la educación superior, pero su éxito dependerá de cómo se integren
estos datos en los procesos institucionales, qué sentido se les atribuye, y qué decisiones se toman a
partir de ellos. Como lo plantean Urban, B., Amores, J., & Rivera, C. (2022). “los datos son valiosos
en la medida en que se interpretan con criterios pedagógicos, no solo técnicos” (p. 212).

Technology Rain
Journal
ISSN:
2953-464X (2025)
19
https://technologyrain.com.ar/
  1. 6.
    CONCLUSIONES

La presente revisión bibliográfica permite afirmar que la incorporación del Big Data y la analítica
del
aprendizaje
en
la
gestión
curricular
universitaria
constituye
una
tendencia
emergente
que
transforma no solo los procesos pedagógicos, sino también las estructuras organizacionales y la
gobernanza institucional.

Uno
de
los
principales
aportes
identificados
es
que
el
análisis
de
datos
masivos
generados
en
entornos virtuales permite fundamentar decisiones pedagógicas clave, tales como el rediseño de
contenidos, la personalización de trayectorias formativas y la mejora de la evaluación, favoreciendo
una experiencia de aprendizaje más significativa y adaptativa. Esta evidencia respalda el tránsito de
modelos curriculares tradicionales hacia modelos dinámicos y centrados en el estudiante.

Asimismo, se constata que el uso de Big Data no solo aporta a la dimensión académica, sino también
a la eficiencia operativa y la pertinencia social de los programas académicos. Al ofrecer información
predictiva sobre el rendimiento, la deserción, las necesidades de ajuste curricular o la actualización
de contenidos frente al mercado laboral, estas herramientas se constituyen en aliadas estratégicas
para la mejora continua.

No
obstante,
el
despliegue
efectivo
de
estas
tecnologías
requiere
condiciones
habilitantes:
infraestructura tecnológica adecuada, capacitación docente, sistemas integrados de información, y
una cultura institucional basada en la toma de decisiones sustentada en evidencia. La transformación
digital, por tanto, no es únicamente una cuestión técnica, sino también cultural y política.

Entre los desafíos emergentes, destacan la necesidad de garantizar el uso ético y seguro de los datos
estudiantiles, así como la reducción de las brechas digitales entre instituciones con diferentes niveles
de
madurez
tecnológica.
En
este
sentido,
es
imprescindible
impulsar
políticas
públicas
que
promuevan la equidad en el acceso a tecnologías educativas avanzadas.

Finalmente,
este
estudio
confirma
que
el
Big
Data,
bien
utilizado,
puede
convertirse
en
un
catalizador para una gestión curricular más inteligente, eficiente y alineada con las demandas del
siglo XXI. Lejos de reemplazar la dimensión pedagógica, estas tecnologías la fortalecen, siempre
que se implementen con sentido crítico, visión humanista y compromiso con la calidad educativa.

https://technologyrain.com.ar/

CONFLICTO DE INTERESES

Los Autores declaran que no existe conflicto de intereses, o lo que corresponda.

CONTRIBUCIÓN DE AUTORÍA

En concordancia con la taxonomía establecida internacionalmente para la asignación de créditos a autores de
artículos científicos (https://credit.niso.org/). Los autores declaran sus contribuciones en la siguiente matriz:

Beltrán N.

Becerra M.

Díaz M.

Participar activamente en:

Conceptualización

X

X

Análisis formal

X

X

Adquisición de fondos

X

Investigación

X

X

Metodología

X

X

Administración del proyecto

X

X

Recursos

X

X

Redacción –borrador original

X

X

Redacción –revisión y edición

La discusión de los resultados

X

X

X

Revisión y aprobación de la versión final del trabajo.

X

X

X

REFERENCIAS BIBLIOGRÁFICAS

Alotaibi, A. (2024).
Adaptive conversational agents in virtual classrooms: Personalization and
engagement factors
. Education and Information Technologies, 29(1), 223
–
240.

Bartolomé, A. R. (2021).
Educación y analítica de datos: desafíos éticos y pedagógicos
. Revista de
Educación a Distancia (RED), 21(67), 1–20. https://doi.org/10.6018/red.489891

Campos,
P.,
León,
J.,
&
Ortega,
R.
(2022).
Artificial
Intelligence
applications
in
personalized
education: An empirical review
.
AI in Education Journal, 12(2), 115–134.

Chiang, F., Lin, K., & Wang, M. (2022).
Artificial intelligence in 21st
-
century classrooms: Ethical
and practical considerations
.
Journal of Educational Innovation, 15(1), 44–58.

Chicaiza, G., Ortiz, D., & Morales-Chan, M. (2023).
AI
-
powered feedback in virtual education:
Challenges and opportunities
.
Revista Iberoamericana de Tecnologías del Aprendizaje, 18(4),
2612–2618. https://doi.org/10.1109/RITA.2023.123456

Cifuentes,
M.,
Herrera,
L.,
&
Romero,
C.
(2024).
Retroalimentación
inteligente
en
entornos
virtuales: Aplicaciones en la enseñanza de idiomas
. Revista Educación y Tecnología, 36(2),
93–101.

Cisneros
Zumba,
M.
I.,
Suárez
Chiluisa,
M.
L.,
&
Cachimuel
Pillajo,
D.
P.
(2025).
Uso
de
inteligencia
artificial
en
la
gestión
académica
y
administrativa
para
el
fortalecimiento

Technology Rain
Journal
ISSN:
2953-464X (2025)
21
https://technologyrain.com.ar/

institucional
en
la
educación
superior
.
Revista
Científica
Ciencia
Digital,
9(1),
1–15.
https://doi.org/10.33262/cienciadigital.v9i1.691

Criollo, A., Cruz, A., & González, M. (2021).
E
-
learning enhancement through intelligent tutoring
systems
.
Revista de Investigación Educativa, 39(3), 354–369.

Gaona,
C.,
García-Holgado,
A.,
&
García-Peñalvo,
F.
J.
(2024).
Modelos
de
madurez
digital
institucional en universidades latinoamericanas: desafíos y oportunidades
.
Journal of Learning
Analytics, 11(1), 78
–
92. https://doi.org/10.18608/jla.2024.11.1.5

Koumpouros,
Y.
(2024).
Virtual
learning
environments
and
inclusive
education:
Emerging
technologies and practices
. Education & Technology Review, 11(2), 77
–
93.

Llorens, F., & Prieto, J. A. (2021).
Transformación digital en las universidades: claves para su
implementación efectiva
. RIED. Revista Iberoamericana de Educación a Distancia, 24(2), 9–
32. https://doi.org/10.5944/ried.24.2.28856

Neffati, H., Benammar, M., & Sahli, M. (2021).
Learning Management Systems and pedagogical
effectiveness
in
virtual
education
.
International
Journal
of
Instructional
Technology
and
Distance Learning, 18(6), 201
–
215.

Ochoa Guevara, E. L., Ramos Cedeño, S. E., Ochoa Guevara, A. M., & Uzhca Guamán, A. G.
(2024).
Analítica del aprendizaje y Big Data en la transversalidad del curso Algoritmos de
programación
.
Dialnet—Revista
Científica
Ciencia
Digital,
8(1),
e7/1–e7/11.
https://dialnet.unirioja.es/servlet/articulo?codigo=9573571

Qazi, W., et al. (2024).
AI
-
powered feedback and academic motivation: A quantitative study of
chatbot use
. Computers in Human Behavior Reports, 12, 100279.

Ramos,
S.
E.
(2024).
Transformación
digital
y
nuevas
dinámicas
en
la
gestión
académica
universitaria
. Revista Ciencia Digital, 8(1), 1–10. [Extraído del artículo anterior]

Reeves, B., Liu, Y., & Nass, C. (2021).
Feedback immediacy and student engagement: A study of
AI systems in education
. Learning, Media and Technology, 46(4), 421
–
438.

Romero,
C.,
Ventura,
S.,
&
Pechenizkiy,
M.
(2022).
Educational
data
mining
and
learning
analytics: an updated survey
. Wiley Interdisciplinary Reviews: Data Mining and Knowledge
Discovery, 12(1), e1391. https://doi.org/10.1002/widm.1391

https://technologyrain.com.ar/

Rozo, M. J., Sánchez, D. M., & Alarcón, L. P. (2023).
La transformación digital en universidades
públicas: retos para una gobernanza académica basada en datos
. Revista Educación y Futuro,
48, 1–18. https://doi.org/10.6018/educacionyfuturo.48.3

Scavarelli, A., Arya, A., & Teather, R. (2021).
Education in VR and AI
-
supported environments:
Teaching with emerging technologies
. Computers & Education Open, 2, 100038.

Selwyn, N. (2019).
Should robots replace teachers? AI and the future of education
.
Polity Press.

Urban, B., Amores, J., & Rivera, C. (2022).
Virtual learning environments and inclusive education
in Latin America
.
Revista Iberoamericana de Educación a Distancia, 25(1), 55–74.

Technology Rain
Journal
ISSN:
2953-464X (2025)
23
https://technologyrain.com.ar/