Analítica del aprendizaje como predictor del razonamiento lógico en estudiantes universitarios

Learning analytics as a predictor of logical reasoning in university students

Resumen

La analítica del aprendizaje (Learning Analytics, LA) se ha consolidado como una de las principales líneas de investigación en educación superior debido a su capacidad para recopilar, procesar y analizar grandes volúmenes de datos generados por los estudiantes durante sus procesos de aprendizaje. Estos datos permiten identificar patrones de comportamiento, predecir el rendimiento académico y diseñar estrategias de intervención temprana que favorecen el éxito educativo. En este contexto, el razonamiento lógico constituye una competencia transversal indispensable para la resolución de problemas, la toma de decisiones y el desarrollo del pensamiento crítico en la formación universitaria. El objetivo de esta revisión sistemática fue analizar la evidencia científica sobre el uso de la analítica del aprendizaje como predictor del razonamiento lógico en estudiantes universitarios, identificando las variables predictoras, los algoritmos empleados y los principales resultados reportados en la literatura. La investigación siguió las directrices de PRISMA 2020, realizando búsquedas en Scopus, Web of Science, ERIC, ScienceDirect, SpringerLink e IEEE Xplore. Se aplicaron criterios de inclusión relacionados con publicaciones entre 2019 y 2026, artículos revisados por pares y estudios centrados en educación superior. Los hallazgos muestran que las variables de interacción en plataformas virtuales, el tiempo de dedicación, la participación en actividades colaborativas, el desempeño en evaluaciones y los registros digitales de aprendizaje son los principales predictores del desempeño académico y del desarrollo del razonamiento lógico. Asimismo, los algoritmos de aprendizaje automático, como Random Forest, Redes Neuronales, Support Vector Machine y XGBoost, presentan altos niveles de precisión para identificar estudiantes en riesgo y apoyar la toma de decisiones educativas. No obstante, la literatura evidencia desafíos relacionados con la privacidad de los datos, la interpretabilidad de los modelos predictivos y la integración de enfoques pedagógicos que den sentido educativo a las predicciones.