¿Qué significa realmente dar seguimiento al progreso de un estudiante?
Learning analytics: convertir datos educativos en señales útiles
MyLab + AI Study Tool: convierte el seguimiento en acciones para mejorar el aprendizaje
El seguimiento del estudiante en la universidad tiene como objetivo identificar avances, logros, dificultades, necesidades y oportunidades de intervención temprana mientras el aprendizaje está ocurriendo, en lugar de esperar a los resultados finales. Este puede fortalecerse mediante datos, evaluación continua y herramientas digitales especializadas para acompañar y medir el progreso de forma integral, tomando en cuenta no solo las calificaciones, también aspectos como el compromiso académico, el desarrollo de habilidades de autorregulación o el nivel de satisfacción con la institución.
Los entornos digitales de aprendizaje pueden convertirse en excelentes herramientas de seguimiento, ya que las entregas, evaluaciones, intentos, interacciones con los contenidos o patrones de participación generan datos que, analizados en conjunto, permiten construir una imagen más completa del proceso del alumno. De hecho, las herramientas actuales de learning analytics pueden utilizar estos datos para identificar estudiantes en riesgo de reprobar materias o darse de baja, incongruencias que apunten a malas prácticas, e incluso para entender cómo se comportan grupos o cohortes completas. Así mismo, la información que arroja un buen seguimiento del estudiante en la universidad puede ayudar al alumno a comprender su desempeño, identificar áreas de mejora y ajustar sus estrategias.
Probablemente tu institución ya utiliza diversas soluciones digitales que generan una gran cantidad de datos pero ¿sabes cómo convertirlos en información útil para tomar mejores decisiones que incrementen el desempeño, la retención, la satisfacción e incluso el éxito laboral de tus estudiantes?
Te puede interesar: Cómo mejorar la participación de los estudiantes en cursos digitales
Evaluar el desempeño académico únicamente tomando en cuenta productos terminados como una tarea entregada, un examen o una calificación final, ofrece una visión limitada de lo que realmente ocurrió durante el camino, especialmente ahora que los estudiantes disponen de herramientas que no siempre se utilizan de un modo pedagógicamente adecuado, como la IA. Esto puede generar un efecto bola de nieve y cuando las dificultades o deficiencias se hacen evidentes al final de una unidad o del curso, las oportunidades para corregirlas son mucho menores.
Dar seguimiento integral al progreso de un estudiante significa tener una visión amplia de su trayectoria universitaria: conocer su desempeño académico, identificar posibles riesgos de abandono o prácticas académicas inadecuadas, comprender cómo vive su experiencia dentro de la institución y considerar aspectos relacionados con nivel de compromiso, su bienestar emocional, e incluso con el desarrollo de habilidades interpersonales e intrapersonales.
Las interacciones de los estudiantes con los entornos digitales generan trace data o huellas digitales, que permiten observar señales de varios aspectos de la experiencia del estudiante de manera continua (accesos a materiales, tiempo y regularidad de estudio, entrega de actividades, participación en discusiones o realización de evaluaciones formativas, entre otras). Aunque los indicadores suelen concentrarse en variables como clics o tiempo dedicado a una tarea, la realidad es que el engagement incluye dimensiones conductuales, cognitivas, emocionales y sociales (3). Por ello, para comprender el progreso conviene observar distintas evidencias:
Las huellas digitales generadas durante el aprendizaje también pueden aportar indicadores relacionados con la regularidad, el manejo del tiempo, la procrastinación, la búsqueda de ayuda, el monitoreo o la planificación (2). Por ejemplo, una evaluación formativa no solo permite conocer cuántas respuestas fueron correctas, también puede ayudar a identificar qué contenidos necesitan reforzarse y ofrecer al estudiante una nueva oportunidad para practicar. De manera similar, observar la regularidad con la que trabaja, sus intentos o el cumplimiento de actividades puede aportar información sobre cómo está gestionando su aprendizaje. Esto permite pasar de un modelo centrado principalmente en el resultado a un ciclo de seguimiento continuo:
Actividad → evidencia → análisis → retroalimentación → ajuste → nueva evidencia
Te puede interesar: KPIs estratégicos: mide el ROI de la tecnología educativa en tu universidad
Recopilar evidencias durante el aprendizaje es apenas el primer paso. Para que esa información contribuya al seguimiento del estudiante en la universidad, es necesario organizarla e interpretarla de manera que docentes y estudiantes puedan reconocer patrones, necesidades y oportunidades de mejora. Una revisión sistemática sobre software de learning analytics en educación superior, identificó tres grandes tipos de aplicaciones (1):
Herramientas para detectar estudiantes en riesgo
Herramientas orientadas al aprendizaje autorregulado
Herramientas para apoyar el aprendizaje colaborativo
Pero el objetivo no es generar más indicadores arbitrariamente ni convertir cada interacción digital en una métrica, sino reducir la distancia entre detectar una dificultad y poder hacer algo al respecto. En la práctica, estas soluciones permiten transformar distintos datos en preguntas pedagógicamente relevantes:
Las señales pueden ser muy diferentes. Un alumno puede empezar a entregar actividades tarde; otro puede mantener un buen nivel de participación, pero equivocarse repetidamente en un mismo tipo de ejercicio; mientras que otro puede avanzar de manera irregular o requerir cada vez más intentos para resolver determinadas actividades. Por separado, estos datos dicen poco. Observados a lo largo del tiempo, pueden ayudar a reconocer patrones que merecen atención.
Un estudio analizó durante tres años el uso de TrAC, una herramienta de learning analytics diseñada para apoyar la orientación académica universitaria mediante información sobre el historial de calificaciones, requisitos curriculares y trayectoria académica. Los estudiantes que recibieron sesiones de orientación apoyadas por la herramienta mostraron mejoras en su posición relativa dentro de la cohorte, y los resultados también señalan la importancia de las decisiones relacionadas con la carga de cursos (4).
Por ejemplo, si las evidencias muestran dificultades recurrentes en un contenido, el docente puede reforzarlo o recomendar actividades adicionales. Si un estudiante disminuye progresivamente su participación, puede ser necesario acercarse para conocer qué está ocurriendo. Y si después de una intervención su desempeño mejora, las nuevas evidencias permiten observar si el apoyo está dando resultados. Toda esta información también puede ponerse en manos del propio estudiante para que comprenda cómo está aprendiendo, reconozca sus avances y tome decisiones sobre lo que necesita hacer a continuación. Se ha comprobado que la retroalimentación visual, estadística o textual sobre las actividades puede ayudar al estudiante a reflexionar y tomar decisiones oportunas sobre su aprendizaje (2).
Hay que tomar en cuenta que un descenso en la participación puede relacionarse con dificultades académicas, pero también con circunstancias personales, problemas de acceso o muchas otras variables que los indicadores no capturan. Por ello, la información debe funcionar como punto de partida para el acompañamiento, no como un diagnóstico automático.
Te puede interesar: Del contenido a las competencias: transforma el aprendizaje en resultados medibles
Sabemos que llevar este modelo a la práctica puede ser complejo cuando tu institución trabaja con numerosos cursos, grupos y estudiantes. Para que el seguimiento del estudiante en la universidad sea realmente efectivo, se necesitan herramientas que conecten las actividades de aprendizaje con evaluación, retroalimentación, datos de desempeño y oportunidades concretas para seguir avanzando. MyLab + AI Study Tool de Pearson es una herramienta para crear e impartir cursos completos, que te permite trasladar estos principios a la experiencia cotidiana de tus estudiantes y docentes.
MyLab + AI Study Tool integra contenidos, actividades prácticas, evaluación y analítica del aprendizaje dentro de un mismo entorno, y como resultado el docente puede contar con evidencias confiables a lo largo de todo el proceso para reconocer dónde existen dificultades y dedicar mayor atención a quienes la necesitan.
Pero el acompañamiento no termina en la detección. MyLab + AI Study Tool realmente te impulsa a cerrar el ciclo entre observar, intervenir y volver a evaluar el progreso:
En conclusión, dar seguimiento al progreso no consiste solamente en saber cómo va un estudiante, sino en contar con información que permita actuar cuando todavía es posible hacer una diferencia en su aprendizaje. Con MyLab + AI Study Tool, conectas práctica, evaluación, retroalimentación y seguimiento dentro de una misma experiencia, mientras los estudiantes reciben apoyo para comprender sus dificultades, reforzar conocimientos y avanzar con mayor autonomía.
Conoce MyLab + AI Study Tool y el resto de las soluciones de nuestro catálogo de soluciones para universidades: Pearson Connected Learning.
REFERENCIAS
(1) Afzaal, M., & Nouri, J. (2024). A systematic review of software for learning analytics in higher education. International Journal of Emerging Technologies in Learning (iJET), 19(7), 17–43. https://doi.org/10.3991/ijet.v19i07.50313
(2) Alhazbi, S., Al-ali, A., Tabassum, A., Al-Ali, A., Al-Emadi, A., Khattab, T., & Hasan, M. A. (2024). Using learning analytics to measure self-regulated learning: A systematic review of empirical studies in higher education. Journal of Computer Assisted Learning, 40(4), 1658–1674. https://doi.org/10.1111/jcal.12982
(3) Bergdahl, N., Bond, M., Sjöberg, J., Dougherty, M., & Oxley, E. (2024). Unpacking student engagement in higher education learning analytics: A systematic review. International Journal of Educational Technology in Higher Education, 21, Article 63. https://doi.org/10.1186/s41239-024-00493-y
(4) Henríquez, V., Guerra, J., & Scheihing, E. (2024). The impact of an academic counselling learning analytics tool: Evidence from 3 years of use. British Journal of Educational Technology, 55(5), 1884–1899. https://doi.org/10.1111/bjet.13474