Revista Multidisciplinar Epistemología de las Ciencias
Volumen 3, Número 3, 2026, julio-septiembre
DOI: https://doi.org/10.71112/yz88af82
COMPONENTE IA EN MOODLE PARA EL ANÁLISIS Y PREDICCIÓN DE DATOS
EDUCATIVOS CON EL FIN DE MEJORAR EL PROCESO DE ENSEÑANZA-
APRENDIZAJE MEDIANTE SUGERENCIAS PERSONALIZADAS
AI COMPONENT IN MOODLE FOR THE ANALYSIS AND PREDICTION OF
EDUCATIONAL DATA TO IMPROVE THE TEACHING-LEARNING PROCESS
THROUGH PERSONALIZED SUGGESTIONS
Daniel Israel Arteaga Naranjo
Anthony Jacob Montalván Pardo
Ecuador
DOI: https://doi.org/10.71112/yz88af82
2513 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Componente IA en Moodle para el análisis y predicción de datos educativos con
el fin de mejorar el proceso de enseñanza-aprendizaje mediante sugerencias
personalizadas
AI component in Moodle for the analysis and prediction of educational data to
improve the teaching-learning Process Through Personalized Suggestions
Daniel Israel Arteaga Naranjo
a,*
israelarteaga199@hotmail.com
https://orcid.org/0009-0001-8250-547X
Anthony Jacob Montalván Pardo
a
tonypc02@hotmail.com
https://orcid.org/0009-0008-6204-8970
*
Autor de correspondencia: israelarteaga199@hotmail.com,
a
Universidad Católica de Santiago
de Guayaquil, Ecuador
RESUMEN
El presente artículo expone el desarrollo de un componente para la plataforma virtual de
aprendizaje Moodle que implementa, dentro de sus ejecuciones, técnicas de Deep Learning
para el análisis de datos educativos dentro de la plataforma y el posterior desarrollo de
predicciones y sugerencias, en función de los parámetros obtenidos por parte de los
estudiantes. Durante este trabajo se menciona la metodología de estudio, vital para el diseño e
implementación del sistema; así mismo, los elementos que permitieron su correcto desarrollo.
Finalmente, se detallan las características y funcionalidades del aplicativo, así como sus
diferentes extensiones que permiten dar cabida a sus herramientas y mejorar la experiencia del
usuario.
Palabras clave: Inteligencia artificial; Machine Learning; Predicción académica; Moodle;
Educación.
DOI: https://doi.org/10.71112/yz88af82
2514 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
ABSTRACT
This article presents the development of a component for the Moodle virtual learning platform
that implements Deep Learning techniques for the analysis of educational data within the
platform and the subsequent generation of predictions and recommendations based on the
parameters obtained from students. This work describes the research methodology, which was
essential for the design and implementation of the system, as well as the elements that enabled
its proper development. Finally, the features and functionalities of the application are detailed,
together with its different extensions that support its tools and improve the user experience
Keywords: Artificial Intelligence; Machine Learning; Academic Prediction; Moodle; Education.
Recibido: 31 agosto 2026 | Aceptado: 16 septiembre 2026 | Publicado: 17 septiembre 2026
INTRODUCCIÓN
El bajo rendimiento académico es un fenómeno palpable dentro del área educativa; con
el pasar de las décadas se ha posicionado como un problema reincidente y de carácter
multifactorial. Muñoz-Benavides (2025) lo describe como el resultado de la interacción conjunta
de múltiples factores, entre los que destacan los aspectos socioeconómicos, psicológicos,
pedagógicos y familiares (Armstrong-Gallegos & Troncoso-Díaz, 2024); elementos que
establecen limitaciones para que los nuevos estudiantes puedan adaptarse a los cambios
constantes del entorno actual, tanto en el ámbito educativo como en su futuro laboral.
Ante esta situación, Medranda et al. (2024) señalan la intervención temprana es un
factor imperativo para asegurar el correcto tratamiento de la misma, ofreciendo múltiples
beneficios antes de que la problemática carree consigo sus afecciones pertinentes.
La implementación de medios tecnológicos ha adquirido un rol protagónico en la
educación, transformando profundamente los métodos de enseñanza y aprendizaje en todo el
DOI: https://doi.org/10.71112/yz88af82
2515 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
globo, facilitando el acceso a la información y liberando de manera gratuita el conocimiento.
Castelo et al. (2024) destacan que la adición de medios tecnológicos en el entorno educativo
contribuye gratamente en la experiencia de aprendizaje y el rendimiento escolar, fomentando la
creación de entornos educativos más dinámicos, interactivos y accesibles.
“Se hace necesario que la incorporación de las herramientas tecnológicas a la
enseñanza se haga a partir de un nuevo concepto de alfabetización y surge de la necesidad de
la actualización constante a la que son sometidos los conocimientos o campos del saber”
(Pascagaza & Estrada, 2020, p. 106).
Hoy en día, el uso de las TIC ha adquirido un rol indispensable e imperativo dentro del
área educativa, estando presente en una inmensidad de dispositivos, tales como
computadoras, celulares y tabletas por medio de plataformas digitales, aplicaciones educativas,
herramientas colaborativas online, entre otras. Hernández (2017) señala que estas amplían las
formas de comunicación, generando así nuevos espacios que permiten la formación, reflexión e
intercambio de conocimientos. Santiago-Trujillo y Garvich-Ormeño (2024) destacan que la
importancia del desarrollo de competencias digitales, ya que permite la integración más efectiva
de las TIC dentro del proceso de enseñanza-aprendizaje. Bajo dicho contexto, según Silva
Castillo et al. (2024), Moodle, como Entorno Virtual de Enseñanza y Aprendizaje, ha logrado
posicionarse como un pilar fundamental en la educación.
Gracias a la implementación de las TIC dentro de este ámbito, la comunicación en
horario extracurricular entre el estudiante y el docente se volvió indispensable en los niveles de
educación superior dado que estos métodos mejoran considerablemente la “eficiencia” en la
enseñanza (Sarango Quezada et al., 2024).
La incorporación de las TIC junto con metodologías activas favorece la continuidad del
proceso educativo además de que también fortalece la interacción entre docentes y
estudiantes. De igual manera, Boud y Falchikov (2006) también destacan que la
DOI: https://doi.org/10.71112/yz88af82
2516 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
retroalimentación y la evaluación orientadas al aprendizaje impulsan el desarrollo de
competencias a largo plazo, reforzando la pertinencia de una comunicación continua durante el
desarrollo de todo el proceso educativo.
Sin embargo, su adopción dentro de las aulas educativas no ha estado exenta de
dificultades. Uno de los factores señalados en la literatura es la resistencia de algunos
docentes ante la supervisión y evaluación que pueden implicar estas tecnologías. “Si la
oposición docente fuera el principal obstáculo para el uso de las TIC como herramienta
administrativa, tendríamos que observar una evaluación mediante las TIC que se adaptase
mucho más a los profesores.” (Carnoy, 2004).
Estas herramientas surgen como alternativas para potenciar el desarrollo en el ámbito
educativo, por ejemplo, la aplicación de minería de datos es crucial para realizar análisis
complejos de los grandes conjuntos de datos relacionados; para en base a estos, extraer
patrones significativos que sean de gran ayuda a los usuarios (Calvet Liñán & Juan Pérez,
2015).
Aprovechando dichas herramientas existen múltiples de extensiones Plugins que se
conectan a los Entornos de virtuales de Enseñanza – Aprendizaje que permiten facilitar la
monitorización y análisis de estos datos educativos, siendo de rápido ejecución y fácil
interpretación para los usuarios. Ante dicha premisa, Amaguaya Llamuca et al. (2024) destacan
la incorporación de funcionalidades dentro de Moodle, ya que permiten fortalecer el
seguimiento efectivo del proceso de enseñanza-aprendizaje, además de favorecer una gestión
más eficiente de los datos educativos.
Cabe recalcar que los plugins no solo cumplen un rol técnico, sino que también
transforman la experiencia educativa al permitir la implementación de metodologías
innovadoras y externas. Asada y Yagi (2020) mencionan que la implementación correcta de
plugins dentro de la plataforma Moodle facilita la exportación y el análisis de datos educativos
DOI: https://doi.org/10.71112/yz88af82
2517 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
para apoyar los procesos del análisis del aprendizaje. Por contraparte, las técnicas que
implementan inteligencia artificial (IA) son de gran utilidad para la interpretación de los datos
obtenidos, ya que ofrecen resultados más digeribles para el usuario común (Cabrera Loayza,
2024).
Fúquene (2017) menciona que la minería de datos educativos permite estructurar y
analizar los datos obtenidos relacionados con el proceso de enseñanza-aprendizaje. Para ello,
la implementación de técnicas de Deep Learning es de gran beneficio, ya que, al ser esta una
rama del Machine Learning, está basada en algoritmos de redes neuronales artificiales de
múltiples capas, lo que le permite aprender representaciones de la información con varios
niveles de abstracción. Ante dicha premisa, Santos et al. (2019) destacan la utilidad del análisis
de los datos generados en Moodle mediante herramientas de analítica del aprendizaje,
permitiendo la transformación de los registros de interacción en información útil para la toma de
decisiones.
En internet, los plugins educativos más comunes son aquellos que recopilan información
y lo muestran a través de gráficos estadísticos, a pesar de ello, también hay pocos que incluyen
técnicas de IA para sus ejecuciones, siendo un nicho que está en crecimiento para la
realización de predicciones de las calificaciones de los estudiantes. A pesar de ello, estas
predicciones no suelen ser tan complejas dado al limitado uso de variables y que solo suelen
llegar al nivel de Machine Learning (Yandún Velasteguí et al., 2026).
El uso de la IA promete una vasta variedad de implementaciones; un área que aún no
ha sido explorada es su uso para la creación de recomendaciones personalizadas tanto para
profesores como para alumnos, basadas en los datos educativos, las predicciones de sus
calificaciones y el contexto del curso (Moreno Padilla, 2019).
Según Solar et al. (2024), la implementación de estos entornos complejos nos
proporciona una construcción operativa, colaborativa, interactiva y adaptativa del conocimiento
DOI: https://doi.org/10.71112/yz88af82
2518 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
a través de recursos y materiales digitales. Del mismo modo, el U.S. Department of Education
(2023) destaca que la inteligencia artificial puede apoyar los procesos de enseñanza-
aprendizaje mediante el análisis de datos educativos.
Así mismo, Menacho Chiok (2017) menciona sobre la aplicación de técnicas de minería
de datos para la identificación de patrones relevantes para la predicción del rendimiento
académico. Es por ello que el éxito de los EVEA, no depende únicamente de los componentes
tecnológicos que se utilicen, sino de la forma cómo estos se implementen dentro del contexto
educativo.
Sáiz-Manzanares et al. (2020), destacan la importancia de los plugins educativos para la
detección temprana de estudiantes en riesgo dentro del entorno universitario. El beneficio de
Identificar con tiempo a los estudiantes que poseen dificultades se ve claramente al poder crear
intervenciones personalizadas con antelación, factor que puede ser crítico para mejorar la tasa
de éxito académico. De la misma manera, Askinadze y Conrad (2018) destacan la pertinencia
del tratamiento transparente de los datos educativos para así poder favorecer el desarrollo de
modelos de análisis que permitan una intervención oportuna en beneficio del alumno.
Granero-Gallegos y Baena-Extremera (2015) destacan que la correcta implementación
de Moodle como entorno virtual es de gran utilidad ya que permite fortalecer el proceso de
aprendizaje mediante el seguimiento oportuno del desempeño de los estudiantes y el uso de
recursos tecnológicos durante el proceso académico. Es por ello que el presente proyecto
desarrolló un componente para la plataforma virtual de aprendizaje Moodle, integrando técnicas
de Machine Learning para que, con base en los registros log del curso, presente informes sobre
la situación del curso en tiempo real y posteriormente realice predicciones sobre las
calificaciones finales de los estudiantes.
Tomando ello como consideración, Sabulsky (2019) señala que las Analíticas de
Aprendizaje permiten el registro de huellas digitales que dejan los alumnos dentro de los
DOI: https://doi.org/10.71112/yz88af82
2519 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
entornos virtuales para en base a estas generar información útil que apoye el proceso
educativo.
A partir de la información obtenida y de los parámetros generales del contexto y del
estudiante, también se generan recomendaciones automáticas y personalizadas, las cuales
están destinadas a docentes y alumnos. Dichas funciones se muestran de forma interactiva
mediante un método de semaforización, alertando en caso de detectar una futura anomalía y
fomentando el análisis crítico de la situación por parte del docente.
METODOLOGÍA
Para la concepción de la idea y funcionamiento del aplicativo fue pertinente el estudio
del entorno, para ello se desarrolló la investigación a través de un enfoque mixto, dado a que
esta integra métodos tantos cuantitativos y cualitativos con el fin de obtener un amplio
panorama de la situación actual con respecto al fenómeno actual de los EVEA.
Esto se debe a que se implementaron encuestas de preguntas cerradas para recopilar
datos estructurados y precisos; a su vez entrevistas abiertas que abrían una mayor visión para
la comprensión de los datos reflejados en los métodos numéricos.
La población estudiada de la presente investigación estuvo conformada por profesores
de diversos niveles educativos, desde docentes de educación básica, secundaria, universitaria,
así mismo como profesores maestría y especialización.
Entre las características principales que se buscaban dentro de dicha población es que
estos laboren actualmente dentro del campo educacional, para revisar su experiencia a través
del uso de plataformas virtuales educativas, en especial Moodle; así mismo validar su
participación activa y capacidad de uso de estas tecnologías dentro los procesos de
enseñanza-aprendizaje.
DOI: https://doi.org/10.71112/yz88af82
2520 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Es por ello que esta selección se implementó con el fin de no solo conocer, las
capacidades de los procesos educativos contemporáneos dentro del país, sino también evaluar
la frecuencia de uso, efectividad y conocimiento de estas nuevas tecnologías para mediar las
necesidades características de cada nivel educativo.
Como muestra de la población para las encuestas, se tomó a 50 profesores de diversas
instituciones educativas, tanto de nivel básico, así como superior y universitario; con el fin de
obtener una visión general sobre el uso de los EVEA en los diversos niveles académicos del
país. Para ello se recogió información de diversas instituciones educativas dentro de Ecuador.
En el caso de las entrevistas, realizamos dos tipos de entrevistas con seis preguntas
cada una, siendo el primer tipo orientado a ingenieros en Ciencias de la Computación para
recolectar información valiosa para el desarrollo del plugin. A partir de esta investigación se
consiguieron las siguientes sugerencias para el proyecto: utilizar CPython para el aprendizaje
automático y PHP para la integración con Moodle; considerar los árboles de decisión y Random
Forest; realizar análisis exploratorio y limpieza de datos; y considerar los datos incompletos y la
falta de históricos.
En cambio, el segundo tipo de entrevista fue realizado a profesores de educación básica
para ampliar la información detallada en las encuestas sobre el uso y la adaptación que los
docentes poseen acerca de estas herramientas. Como principales resultados se obtuvieron las
siguientes premisas: el uso de Moodle aún se encuentra en proceso de adaptación por parte
del personal docente; este se ve limitado por la falta de una capacitación adecuada; los
estudiantes se adaptan fácilmente a Moodle; y los docentes desean herramientas para valorizar
el desempeño de sus estudiantes. Por otro lado, la encuesta constó de 14 preguntas las cuales
estaban divididas en 5 secciones. Gracias a ello, se crearon diversas rutas para el usuario, con
el propósito de simplificar el contenido, evitando realizar preguntas innecesarias durante el
proceso.
DOI: https://doi.org/10.71112/yz88af82
2521 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Los resultados de esta entrevista permitieron corroborar y ampliar la información
obtenida, revelando que la mayoría de los encuestados tiene más de 10 años de experiencia
docente y que un 54 % posee estudios de posgrado. En cuanto al uso de la plataforma Moodle,
más de la mitad ha recibido capacitación formal; sin embargo, aún persiste una resistencia
significativa al uso de la herramienta, ya que un 22 % no la emplea. Dicho aspecto se refuerza
debido a que la mayoría de los encuestados no utiliza registros de actividad para el monitoreo
de los estudiantes, lo que refleja una falta de familiarización con estas herramientas. Además,
el uso de Moodle suele limitarse a tareas, foros y videoconferencias, y muchos enfrentan
dificultades relacionadas con problemas técnicos y falta de capacitación. Finalmente, los
docentes están dispuestos a adoptar nuevas tecnologías para mejorar los procesos de
enseñanza-aprendizaje, pero la capacitación adecuada sigue siendo una necesidad clave para
su integración efectiva.
Herramientas tecnológicas
Para el desarrollo del componente se realizaron diversas tecnologías para la
construcción de un sistema escalable y adaptable; tomando como referencia la información
obtenida por medio de la metodología. Para el trabajo colaborativo y control de versiones se
empleó Git, cuya trazabilidad de cambios facilitó la integración continua de modificaciones sin
sobresaturar la comunicación del proyecto.
Luna et al. (2017) mencionan que el desarrollo de herramientas de minería de datos en
PHP facilita su integración con Moodle, así como el procesamiento de los registros generados.
Es por ello que dentro del backend se implementó PHP, dado su compatibilidad con la
arquitectura de Moodle. Además, este posee un gran atractivo dentro del campo debido a su
amplia disponibilidad de bibliotecas y frameworks que facilitan el desarrollo, así como a su
adaptabilidad para interactuar con sistemas de bases de datos.
DOI: https://doi.org/10.71112/yz88af82
2522 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Con respecto a Python, este fue de gran utilidad para la implementación de técnicas de
IA, específicamente Deep Learning a través de TensorFlow. Bobadilla (2021) en su libro
destaca que Python, junto con bibliotecas como Keras y TensorFlow, facilita el desarrollo de
modelos de Machine Learning y Deep Learning mediante ejemplos prácticos y herramientas
especializadas. Dicho apartado mencionado fue sustancial para el desarrollo crítico de las
predicciones y la construcción lógica de gráficos relacionados que fueron desarrollados dentro
del presente aplicativo.
Por otro lado, Pandas y NumPy permitieron el procesamiento eficiente de los datos,
facilitando la organización, manipulación y análisis de grandes volúmenes de información
(Lemenkova, 2019). De igual manera, para asegurar la calidad de los insumos, se implementó
Scikit-learn en el flujo de normalización de datos, utilizando las librerías OS y Sys para la
automatización de funciones.
Con respecto al apartado del frontend, para su correcta integración con el backend se
utilizó la herramienta JavaScript, de esta manera facilitando la interacción final del usuario con
el programa desarrollado. Para ello, fue de gran beneficio la implementación de llamadas
asíncronas por medio de AJAX, ya que permitieron incrementar la velocidad y capacidad de
respuesta al usuario dentro del dashboard.
En su investigación Poghosyan (2024) destaca que la configuración de MariaDB
favorece el desempeño de Moodle ya que otorga una gestión eficiente de los datos y un mejor
rendimiento según la infraestructura implementada. Es por ello, que dentro del proyecto se optó
MariaDB para el rol de gestión de la base de datos; su selección fue principalmente dada
gracias a su compatibilidad con la plataforma Moodle ya que está presente dentro de su
arquitectura base. A su vez dicha elección también fue justificada por su rendimiento,
escalabilidad en proyectos que requieren procesamiento eficiente de datos que son calculados
en tiempo real.
DOI: https://doi.org/10.71112/yz88af82
2523 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
RESULTADOS
El sistema se integra directamente con Moodle, utilizando sus registros log para la
extracción de información sobre de los estudiantes. Dichas estadísticas generales
pertenecientes a los estudiantes del curso pueden ser visualizadas a través de un apartado;
exponiéndolo de manera interactiva y sencilla por medio de gráficos y diagramas pasteles
dentro del Panel de Control del programa en cuestión.
Figura 1
Panel de control de Camoodle. Captura de pantalla
Para el procesamiento, análisis de datos y posterior predicción en base a estos mismos
se implementó transfer learning para la adición de un modelo que pudiese cumplir con los
estándares requeridos para el desarrollo de predicciones referentes al rendimiento académico
de los estudiantes al final del curso.
El modelo predictivo seleccionado fue el modelo llamado StudentScorePrediction
desarrollado por Ritam Sanyal. Para el desarrollo de predicciones toma variables de estudio
relevantes, en específico son 6 y se describen a continuación: tiempo de estudio, porcentaje de
DOI: https://doi.org/10.71112/yz88af82
2524 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
asistencia, horas de sueño, puntuación en exámenes anteriores, número de sesiones de
tutorías y horas de actividad física.
Figura 2
Perfil estudiantil del curso. Captura de pantalla
En esta misma página se puede revisar las variables que influyeron durante el proceso
de la predicción, en este apartado es denominado “Ver detalles”, presenta de manera gráfica la
data relacionada que permitió llegar al resultado obtenido por parte de la predicción.
Figura 3
Detalles de la predicción. Captura de pantalla
DOI: https://doi.org/10.71112/yz88af82
2525 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Posterior a ello, dicha información obtenida en conjunto con data adicional como el
contexto y otros apartados será nuevamente enviada a otra API donde se ejecutará el modelo
Transformadores, mediante el cual se generarán recomendaciones en lenguaje natural y de
carácter personalizado; las cuales estarán basadas en las predicciones realizadas, siendo
estas orientadas tanto para profesores como alumnos.
Dichas recomendaciones serán presentadas en el panel de control, siendo accesible a
través del botón de sugerencias. Como se mencionó el programa desarrolla una sugerencia
tanto para profesor, como para el estudiante; siendo que esta última tiene la posibilidad de
editarse, al momento de visualizarlo; y a su vez existe un botón para poder enviar dicha
sugerencia al chat de Moodle del alumno para que este pueda tener acceso a dicha
información.
Figura 4
Recomendaciones para los usuarios. Captura de pantalla
DOI: https://doi.org/10.71112/yz88af82
2526 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
DISCUSIÓN
El desarrollo del componente Camoodle permitió demostrar la viabilidad de implementar
técnicas de Machine Learning dentro de la plataforma Moodle para así poder aprovechar los
registros log del curso y posterior a ello transformarlos en información útil para el seguimiento y
monitoreo del rendimiento académico.
De igual manera, la adición de la función de generación de informes en tiempo real,
permite obtener predicciones sobre las calificaciones finales de los estudiantes y
recomendaciones útiles dirigidas tanto a docentes como estudiantes; evidenciando así que este
tipo de herramientas es un complemento sustancial a los procesos tradicionales de seguimiento
dentro de los EVA.
La integración de herramientas de análisis de datos dentro de Moodle representa una
alternativa viable para fortalecer el proceso de enseñanza-aprendizaje. Mediante la adición del
sistema de semaforización permitió presentar a los usuarios la información manera intuitiva y
versátil, facilitando así tanto la identificación temprana de posibles situaciones de riesgo y una
intervención más oportuna.
Los resultados obtenidos permiten inferir que la integración de modelos predictivos
dentro de los EVEA, siendo capaces de constituir una herramienta complementaria de gran
valor para el seguimiento académico, siempre y cuando su implementación esté acompañada
de una adecuada interpretación, adicional de una disponibilidad suficiente de registros de datos
que permita afianzar la precisión de las predicciones.
A pesar de todo ello, durante el desarrollo del proyecto se identificaron varios aspectos
mejorables, principalmente atribuidos a las limitaciones de tiempo. Es por ello que solo se
realizaron pruebas en un entorno simulado y de manera local, por lo que se recomienda llevar a
cabo evaluaciones en cursos virtuales e híbridos para obtener un análisis más preciso y realizar
los ajustes necesarios.
DOI: https://doi.org/10.71112/yz88af82
2527 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
En cuanto al procesamiento y análisis de datos, sería beneficioso incluir métricas
adicionales relacionadas con el compromiso social y la salud mental del estudiante para
mejorar las predicciones. También se sugiere la creación de una base de datos organizada por
profesor y estudiante, que registre los cursos inscritos y mantenga un historial académico para
optimizar el sistema predictivo.
Finalmente, se recomienda ampliar y personalizar las recomendaciones para profesores
y estudiantes. Para ello, sería ideal contar con la asesoría de expertos en Psicología de la
Educación, quienes podrían aportar estrategias para mejorar la intervención con los usuarios
finales.
CONCLUSIONES
El bajo rendimiento académico dentro de las instituciones educativas de cualquier nivel,
es un problema recurrente independientemente del nivel educativo ya que puede deberse a
múltiples factores tales como el ambiente, problemas familiares, ocupaciones, entre otros
(Morales-Oropeza, 2022). A pesar de ello, dicha problemática es abordable y al ser de
naturaleza prevenible se beneficia considerablemente de un reconocimiento temprano del
problema, siendo en múltiples ocasiones crucial para la aprobación del curso.
Ante esta necesidad, se reconoció que una de las principales tendencias y
metodologías de inteligencia artificial aplicables a la educación es la implementación de
técnicas de Machine Learning, ya que son altamente favorables para el desarrollo de
soluciones integrales, destacando su rapidez para abordar grandes cantidades de datos,
además de que sus ejecuciones automatizadas permiten ahorrar un tiempo considerable, así
como recursos humanos (Arnold & Pistilli, 2012).
A partir de esto, de desarrolló el componente que se apunta como una solución
tecnológica prometedora ya que permite predecir el rendimiento estudiantil. Siendo que a
DOI: https://doi.org/10.71112/yz88af82
2528 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
primera instancia permite visualizar diversas estadísticas del curso Moodle en tiempo real; por
otro lado, a partir de los registros log y el uso de técnicas IA, genera predicciones proyectadas
al final del curso, siendo estas acompañadas con sugerencias tanto para el docente como sus
alumnos.
Declaración de conflicto de interés
Los autores declaran no tener ningún conflicto de interés relacionado con esta
investigación.
Declaración de contribución a la autoría
Daniel Arteaga: conceptualización, investigación, metodología, análisis formal,
administración del proyecto, visualización, redacción del borrador original y revisión y edición
de la redacción.
Anthony Montalván: software, metodología, validación, recursos, curación de datos,
visualización y revisión y edición de la redacción.
Declaración de uso de inteligencia artificial
Los autores declaran que utilizaron la inteligencia artificial como apoyo para este
artículo, y también que esta herramienta no sustituye de ninguna manera la tarea o proceso
intelectual. Después de rigurosas revisiones con diferentes herramientas en la que se
comprobó que no existe plagio como constan en las evidencias, los autores manifiestan y
reconocen que este trabajo fue producto de un trabajo intelectual propio, que no ha sido escrito
ni publicado en ninguna plataforma electrónica o de IA.
DOI: https://doi.org/10.71112/yz88af82
2529 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
REFERENCIAS
Amaguaya Llamuca, L. E., Chela Jogacho, S. V., Guaigua Guaigua, J. M., & Rumbaut
Rangel, D. (2024). El impacto de la plataforma Moodle en el proceso de enseñanza
postpandemia: Revisión sistemática. Explorador Digital, 8(4), 6-31.
https://doi.org/10.33262/exploradordigital.v8i4.3214
Armstrong-Gallegos, S., & Troncoso-Díaz, L. (2024). Estrés Cotidiano, Funciones
Ejecutivas y Rendimiento Académico en Escolares de Primaria. Revista Ecuatoriana de
Neurologia, 33(1), 30-40. https://doi.org/10.46997/revecuatneurol33100030
Arnold, K. E., & Pistilli, M. D. (2012). Course signals at Purdue: Using learning analytics
to increase student success. Proceedings of the 2nd International Conference on Learning
Analytics and Knowledge, LAK ’12, 267-270. https://doi.org/10.1145/2330601.2330666
Asada, Y., & Yagi, M. (2020). Moodle for Learning Analytics and Institutional Research:
Exporting Data via SQLs and Plugins. International Journal of Institutional Research and
Management, 4(2), 30-43. https://doi.org/10.52731/ijirm.v4.i2.587
Askinadze, A., & Conrad, S. (2018). Respecting Data Privacy in Educational Data
Mining: An Approach to the Transparent Handling of Student Data and Dealing with the
Resulting Missing Value Problem. 2018 IEEE 27th International Conference on Enabling
Technologies: Infrastructure for Collaborative Enterprises (WETICE), 160-164.
https://doi.org/10.1109/WETICE.2018.00037
Bobadilla, J. (2021). Machine Learning y Deep Learning: Usando Python, Scikit y Keras.
Ediciones de la U.
Boud, D., & Falchikov, N. (2006). Aligning assessment with long‐term learning.
Assessment & Evaluation in Higher Education, 31(4), 399-413.
https://doi.org/10.1080/02602930600679050
DOI: https://doi.org/10.71112/yz88af82
2530 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Cabrera Loayza, K. V. (2024). Transformando la Educación Básica: Retos y
Perspectivas de la Inteligencia Artificial. Revista Científica de Salud y Desarrollo Humano, 5(2),
01-17. https://doi.org/10.61368/r.s.d.h.v5i2.113
Calvet Liñán, L., & Juan Pérez, Á. A. (2015). Educational Data Mining and Learning
Analytics: Differences, similarities, and time evolution. RUSC. Universities and Knowledge
Society Journal, 12(3), 98. https://doi.org/10.7238/rusc.v12i3.2515
Carnoy, M. (2004). Las TIC en la enseñanza: Posibilidades y retos: Lección inaugural
2004-2005. https://hdl.handle.net/10609/148525
Castelo, L., Quevedo, J. E. A., & Tomalá, Y. J. G. (2024). La tecnología educativa y su
influencia en la experiencia de aprendizaje y rendimiento escolar. Aula Virtual., 5(12), 688-701.
https://doi.org/10.5281/zenodo.12791475
Castillo, J. N. S., Guanga, J. L. G., Vargas, I. G. P., & Arévalo, M. A. T. (2024).
Metodología para la Educación continua a través del Entorno Virtual de Aprendizaje Moodle.
Dominio de las Ciencias, 10(1), 1103-1121. https://doi.org/10.23857/dc.v10i1.3764
Fúquene, J. A. A. (2017). Diseño y aportes de un modelo para minería de datos
educativos en aulas de educación media de carácter presencial. Universidad Santo Tomás.
Granero-Gallegos, A., & Baena-Extremera, A. (2015). Patterns of ICT-Based Learning
(Moodle and Mahara 2.0) for Contents of Anatomy, Physiology and Health in Scholar Physical
Education Lessons. International Journal of Morphology, 33(1), 375-381.
https://doi.org/10.4067/S0717-95022015000100059
Hernandez, R. M. (2017). Impacto de las TIC en la educación: Retos y Perspectivas.
Propósitos y Representaciones, 5(1), 325-347. https://doi.org/10.20511/pyr2017.v5n1.149
Lemenkova, P. (2019). Processing oceanographic data by Python libraries Numpy,
Scipy and Pandas. Aquatic Research, 73-91. https://doi.org/10.3153/AR19009
DOI: https://doi.org/10.71112/yz88af82
2531 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Luna, J. M., Castro, C., & Romero, C. (2017). MDM tool: A data mining framework
integrated into Moodle. Computer Applications in Engineering Education, 25(1), 90-102.
https://doi.org/10.1002/cae.21782
Medranda, J., Contreras, M., & Obaco, E. (2024). Conflicto escolar frente al desempeño
académico. Alteridad, 19(1), 127-136. https://doi.org/10.17163/alt.v19n1.2024.10
Menacho Chiok, C. H. (2017). Predicción del rendimiento académico aplicando técnicas
de minería de datos. Anales Científicos, 78(1), 26. https://doi.org/10.21704/ac.v78i1.811
Morales-Oropeza, F. A. (2022). Factores asociados al rendimiento escolar para el nivel
de educación secundaria en Hidalgo, México. Pädi Boletín Científico de Ciencias Básicas e
Ingenierías del ICBI, 9(18), 113-121. https://doi.org/10.29057/icbi.v9i18.8055
Moreno Padilla, R. D. (2019). La llegada de la inteligencia artificial a la educación.
Revista de Investigación en Tecnologías de la Información, 7(14), 260-270.
https://doi.org/10.36825/RITI.07.14.022
Muñoz-Benavides, L. A. (2025). Factores que inciden en el rendimiento académico.
Diagnóstico y prospectiva. Praxis, 21(2), 497-517. https://doi.org/10.21676/23897856.6271
Pascagaza, E. F., & Estrada, L. C. C. (2020). Modernización de la educación virtual y su
incidencia en el contexto de las Tecnologías de la Información y la Comunicación (TIC).
Academia y Virtualidad, 13(2), 103-116. https://doi.org/10.18359/ravi.4724
Poghosyan, I. (2024). Advantage of installing Moodle learning management system
under ISS/Mariadb over APACHE/MYSQL. Main Issues Of Pedagogy And Psychology, 11(2),
119-132. https://doi.org/10.24234/miopap.v11i2.49
Sabulsky, G. (2019). Analíticas de Aprendizaje para mejorar el aprendizaje y la
comunicación a través de entornos virtuales. Revista Iberoamericana de Educación, 80(1), 13-
30. https://doi.org/10.35362/rie8013340
DOI: https://doi.org/10.71112/yz88af82
2532 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Sáiz-Manzanares, M. C., Marticorena-Sánchez, R., & García-Osorio, C. I. (2020).
Monitoring Students at the University: Design and Application of a Moodle Plugin. Applied
Sciences, 10(10), 3469. https://doi.org/10.3390/app10103469
Santiago-Trujillo, Y. D., & Garvich-Ormeño, R. M. (2024). Competencias Digitales e
Integración de las TIC en el Proceso de Enseñanza-Aprendizaje. Revista Docentes 2.0, 17(1),
50-65. https://doi.org/10.37843/rted.v17i1.405
Santos, J. R., Pimentel, E. P., Dotta, S. C., & Botelho, W. T. (2019). Estudo Comparativo
de plugins Moodle para Análise e Acompanhamento da Aprendizagem. Anais do XXX Simpósio
Brasileiro de Informática na Educação (SBIE 2019), 189-198.
https://doi.org/10.5753/cbie.sbie.2019.189
Sarango Quezada, B. A., Morocho Uguña, A. F., & Garcia Leon, D. C. (2024). El papel
de las TIC en la formación docente. Revista Social Fronteriza, 4(3), e43273.
https://doi.org/10.59814/resofro.2024.4(3)273
Solar, J. G. del, Castillo, E. M. O., & Miñano, L. M. B. (2024). Diseño y gestión de
entornos virtuales de aprendizaje en la educación superior. Horizontes Revista de Investigación
en Ciencias de la Educación, 8(33), 969-991.
https://doi.org/10.33996/revistahorizontes.v8i33.777
U.S. Department of Education, A. (2023). Artificial Intelligence and the Future of
Teaching and Learning.
Yandún Velasteguí, M. A., Guano Cárdenas, C. A., Cerón Carrera, H. D., & Piarpuezán
Imbaquingo, A. L. (2026). Minería de datos para la predicción de la deserción estudiantil
universitaria: Revisión de literatura y experimentación. Visión Empresarial, 16(2), 132-167.
https://doi.org/10.32645/13906852.1467.
