Las analíticas de aprendizaje son la base real de la IA educativa. Descubre cómo este MOOC de INTEF y Conecta13 te ayuda a personalizar el aprendizaje con datos.
Analíticas de aprendizaje: de los datos a la personalización educativa
En los últimos cinco años, más del 60 % de las plataformas educativas usadas en centros españoles ya generan informes de datos sobre el progreso del alumnado. El problema es que, en muchos claustros, nadie sabe muy bien qué hacer con esos datos más allá de descargar un par de gráficos a final de trimestre.
Aquí está la cuestión: sin cultura de datos, no hay personalización real del aprendizaje. Podemos hablar de IA en la educación, de algoritmos adaptativos y de plataformas inteligentes, pero si el profesorado no domina las analíticas de aprendizaje, todo eso se queda en marketing.
En este contexto encaja el MOOC “Analíticas de Aprendizaje y Ciencia de Datos en Educación” impulsado por INTEF y diseñado por Conecta13 junto con Manuel Jiménez. Más que un curso técnico, es una puerta de entrada práctica a un tema clave de la serie “IA en la Educación Española: Aprendizaje Personalizado”: cómo usar los datos educativos para tomar mejores decisiones didácticas.
En este artículo te cuento qué aportan las analíticas de aprendizaje, cómo se conecta este MOOC con la personalización mediante IA y qué cambios concretos puedes aplicar en tu aula o centro si decides tomarte los datos en serio.
1. Por qué las analíticas de aprendizaje son la base de la IA educativa
La idea central es sencilla: sin datos no hay inteligencia artificial útil en educación. Las plataformas adaptativas, los sistemas de recomendación de recursos o los asistentes virtuales para el alumnado se alimentan de información muy concreta sobre lo que pasa cuando alguien aprende.
En un entorno educativo digital típico se generan, cada día:
- Registros de acceso (quién entra, cuándo y desde dónde).
- Tiempo dedicado a cada recurso.
- Actividades realizadas y calificaciones obtenidas.
- Rutas de navegación (por dónde se mueve el alumnado en la plataforma).
- Interacciones sociales (foros, comentarios, trabajo colaborativo).
Las analíticas de aprendizaje (learning analytics) consisten en recoger, procesar e interpretar esos datos para responder preguntas muy pedagógicas:
- ¿Qué alumnado corre riesgo de quedarse atrás esta semana, no dentro de dos meses?
- ¿Qué actividades están funcionando peor de lo esperado?
- ¿Qué tipo de recursos (vídeos, lecturas, simulaciones) apoyan mejor a cada perfil de estudiante?
- ¿Dónde tiene sentido incorporar IA para automatizar correcciones, generar recomendaciones o dar feedback rápido?
La IA entra en juego cuando estas analíticas dejan de ser una foto estática y se convierten en modelos capaces de predecir comportamientos y proponer acciones personalizadas: adaptar el ritmo, sugerir refuerzos, ofrecer itinerarios alternativos o avisar al tutor cuando detecta riesgo de abandono.
2. El MOOC de INTEF: mucho más que aprender a leer gráficos
El MOOC “Analíticas de Aprendizaje y Ciencia de Datos en Educación” diseñado por Conecta13 no nace de cero. Detrás hay más de una década de experiencia con cursos masivos abiertos como ABPmooc o EduPLEmooc, que han pasado por las manos de unos 20.000 docentes de España y Latinoamérica.
Ese recorrido ha permitido pulir un modelo muy concreto que Linda Castañeda bautizó como “cursos conectivistas basados en tareas”. Traducido: menos teoría abstracta y más actividades que te obligan a experimentar, compartir y reflexionar desde tu propia práctica.
El MOOC se estructura en cinco unidades, que se desarrollan a lo largo de unas cinco semanas. Aunque las fechas originales fueron del 05/10 al 21/11/2024, el enfoque sigue siendo totalmente actual en este final de 2025, cuando muchos centros están revisando sus proyectos digitales y su relación con la IA.
En esas cinco unidades se abordan, de forma progresiva:
-
Introducción a las ciencias de datos en educación y analíticas de aprendizaje
Para entender qué datos tenemos, cuáles son realmente útiles y qué preguntas pedagógicas merece la pena hacerse. -
Fuentes y posibilidades de los datos educativos
Desde el LMS del centro hasta herramientas externas (quizzes, formularios, apps de práctica) y dispositivos físicos. -
Tecnologías que sustentan las métricas y los modelos
No para convertirte en científico de datos, sino para comprender en qué se basa lo que te muestran los paneles de IA. -
Aplicaciones prácticas de las analíticas de aprendizaje
Casos de uso reales en aula, ciclo, departamento o centro educativo. -
Desafíos éticos, privacidad y uso responsable de los datos
Probablemente la parte más delicada hoy: qué se puede hacer, qué no se debe hacer y cómo explicarlo a familias y alumnado.
Cada unidad combina lecturas, actividades y eventos síncronos o asincrónicos, pensados para conectar con otras personas interesadas en analíticas de aprendizaje, IA educativa y formación del profesorado.
3. De los datos a la personalización: ejemplos que sí cambian la práctica
El valor real de este tipo de formación está en los cambios concretos que permite hacer en la práctica docente. Aquí es donde las analíticas de aprendizaje se cruzan de lleno con el tema de esta serie: la personalización mediante IA.
3.1. Detección temprana de dificultades
Una de las aplicaciones más potentes es la detección temprana de alumnado en riesgo. Por ejemplo:
- El sistema detecta que una alumna ha reducido drásticamente su tiempo de conexión y no ha completado las dos últimas tareas.
- Las analíticas señalan que, cuando entra, abandona la actividad en el mismo punto.
- El modelo de IA marca un nivel alto de riesgo de abandono.
Con esta información, el docente puede:
- Enviar un mensaje personalizado antes de que llegue la evaluación.
- Adaptar la tarea para ofrecer una versión más guiada.
- Coordinarse con la tutoría o la orientación del centro.
Sin analíticas, esta situación suele detectarse tarde, cuando la alumna ya se ha desconectado del todo.
3.2. Ajuste del diseño de las actividades
Otro uso clave es mejorar el diseño instruccional a partir de datos, no de sensaciones. Algunos ejemplos habituales:
- Una actividad que casi todo el grupo suspende a la primera pero aprueba con nota tras un pequeño cambio de enunciado.
- Un vídeo que muchos inician pero casi nadie termina, mientras que una simulación más breve consigue altos niveles de finalización y repetición.
Si sabes leer estas métricas, puedes:
- Dividir contenidos largos en micro-actividades.
- Introducir puntos de control y feedback automático generados con IA.
- Cambiar el tipo de recurso según el perfil del grupo.
3.3. Itinerarios personalizados y recomendación de recursos
Aquí la conexión con la IA es directa. Una plataforma que combina analíticas de aprendizaje con modelos de recomendación puede, por ejemplo:
- Sugerir ejercicios de refuerzo cuando detecta errores recurrentes en un tipo de problema.
- Recomendar lecturas avanzadas al alumnado que termina antes y con alto rendimiento.
- Proponer retos colaborativos a quienes destacan en participación pero flojean en contenidos.
El papel del docente no desaparece. Lo que cambia es el tipo de decisión que toma: en lugar de corregirlo todo a mano, revisa sugerencias, las adapta a su contexto y se centra en el acompañamiento humano.
4. Ética, privacidad y confianza: la condición para que todo esto sea sostenible
Cualquier conversación seria sobre datos educativos en España, especialmente en 2025, tiene que pasar por privacidad, protección de datos y ética. Sin eso, la IA en educación se percibe (con razón) como un riesgo.
Los desafíos principales son claros:
- Cumplimiento normativo: RGPD, normativa autonómica y políticas internas de los centros.
- Transparencia: el alumnado y las familias deben saber qué datos se recogen, para qué se usan y durante cuánto tiempo.
- Minimización: recoger sólo los datos necesarios para fines educativos legítimos.
- No discriminación: evitar que los modelos refuercen sesgos (por origen, género, contexto socioeconómico) o etiqueten de forma rígida al alumnado.
El MOOC dedica una unidad completa a estos aspectos, y es un acierto. Muchas veces, el freno no es técnico, sino cultural y jurídico. Los equipos directivos necesitan argumentos y marcos claros para tomar decisiones sobre:
- Qué herramientas autorizar en el centro.
- Cómo informar y pedir consentimiento a las familias.
- Qué políticas de conservación y anonimización de datos aplicar.
Mi postura es clara: no tiene sentido renunciar al potencial de las analíticas de aprendizaje por miedo, pero sí tiene todo el sentido avanzar con reglas del juego muy bien definidas.
5. Cómo aprovechar este tipo de MOOC si eres docente o formador
Un MOOC bien diseñado puede ser un punto de inflexión en tu práctica, pero sólo si lo abordas con estrategia. Algunas recomendaciones basadas en la experiencia de muchos docentes que han pasado por propuestas similares de INTEF y Conecta13:
5.1. Llévate un proyecto concreto bajo el brazo
En lugar de “hacer el curso” sin más, entra con una intención clara:
- Rediseñar una unidad didáctica incorporando analíticas de aprendizaje.
- Configurar mejor los informes de tu plataforma actual.
- Montar un pequeño piloto de personalización con tu grupo de 4.º ESO o FP.
Cuanto más específico sea tu objetivo, más vas a exprimir las actividades.
5.2. Aprende con tu claustro, no en solitario
La experiencia demuestra que los cambios calan más cuando participa un pequeño equipo del centro (departamento, ciclo, equipo TIC…). De esa forma podéis:
- Repartir tareas y comentar las actividades en reuniones internas.
- Diseñar un protocolo común de uso de datos en el centro.
- Presentar al claustro una propuesta conjunta al terminar el MOOC.
5.3. Conecta las analíticas con la IA, no las separes
Si tu centro está empezando a probar asistentes de IA generativa, herramientas de corrección automática o plataformas adaptativas, este MOOC es una pieza clave del puzzle. Algunas ideas:
- Usar IA para generar feedback inmediato a partir de rúbricas, pero basando los criterios en lo que muestran las analíticas.
- Combinar cuestionarios autocorregibles con paneles que te ayuden a decidir qué trabajar en la siguiente sesión presencial.
- Diseñar proyectos donde el alumnado también vea sus propias métricas y aprenda a autorregularse.
Ahí está la diferencia entre “usar herramientas de moda” y construir un ecosistema de aprendizaje realmente inteligente y centrado en la persona.
6. IA, datos y personalización: el momento es ahora
La serie “IA en la Educación Española: Aprendizaje Personalizado” tiene un hilo común: la tecnología sólo aporta valor si va acompañada de criterio pedagógico y formación del profesorado. Este MOOC de analíticas de aprendizaje encaja justo en ese punto.
Si eres docente, formador o miembro de un equipo directivo, mi recomendación es clara: deja de ver los datos como un informe pesado que llega a final de curso y empieza a tratarlos como una herramienta cotidiana para decidir mejor.
Hoy, 07/12/2025, muchos centros están planificando ya la formación del profesorado para el próximo trimestre y revisando sus proyectos de digitalización. Es un buen momento para dar un paso más: pasar del discurso genérico sobre IA a desarrollar competencias concretas en analíticas de aprendizaje y ciencia de datos en educación.
La pregunta que toca hacerse no es si la IA va a llegar a las aulas, porque eso ya está pasando. La pregunta clave es: ¿quién va a tomar las decisiones cuando esa IA sugiera cambios en la forma de enseñar y evaluar, tú o el algoritmo? Cuanto antes te apropies de los datos y los entiendas, más capacidad tendrás para que la personalización educativa siga siendo, de verdad, educativa.