Inteligencia Artificial para mejorar el éxito estudiantil

Este informe, desarrollado en el marco de una consultoría de investigación para la Cátedra UNESCO de Lectura y Escritura de la Universidad Nacional del Sur, examina el uso de inteligencia artificial para mejorar el éxito estudiantil y reducir el abandono en el nivel universitario. El trabajo revisó un universo inicial de 33 experiencias en América Latina y seleccionó 5 casos de referencia en profundidad: experiencias de Perú, Colombia, Brasil, la plataforma U-Planner y un caso de Chile. Los criterios de selección priorizaron el impacto medido, la replicabilidad y la calidad de la documentación disponible.

El informe analiza cómo la IA puede intervenir en los puntos críticos del trayecto estudiantil: detección temprana de riesgo de abandono, sistemas de alerta académica, personalización del aprendizaje y soporte adaptativo. En cada caso, examina las condiciones institucionales, los datos utilizados, las herramientas implementadas y los resultados obtenidos. La dimensión ética del uso de datos estudiantiles y la necesidad de supervisión humana en las decisiones de intervención son ejes transversales del análisis.

El informe cierra con recomendaciones concretas para instituciones universitarias que evalúen implementar sistemas de IA orientados al éxito estudiantil: gobernanza de datos, diseño participativo, transparencia algorítmica y enfoque centrado en el estudiante como actor del proceso. Es un documento de referencia para equipos de innovación educativa y áreas de bienestar universitario en la región.

1. La IA puede identificar riesgo de abandono antes de que sea visible: los sistemas de alerta temprana basados en datos académicos y comportamentales permiten intervenciones oportunas que la observación manual no alcanza a escalar.
2. La tecnología no reemplaza al acompañamiento humano: los casos más exitosos combinan alertas automáticas con intervención tutorial o de bienestar; la IA detecta, el humano actúa.
3. La calidad de los datos institucionales es la condición previa: los sistemas de IA solo funcionan bien si las universidades tienen datos ordenados, actualizados y accesibles sobre sus estudiantes.

¿Qué señales permiten detectar el riesgo de abandono universitario antes de que ocurra?

La IA identifica patrones tempranos: ausencias reiteradas, bajo rendimiento en los primeros parciales, desconexión de plataformas digitales y falta de participación. Actuar sobre esas señales antes de que el estudiante tome la decisión de abandonar es la clave del enfoque preventivo que documenta el informe.

¿Puede la IA reducir la desigualdad educativa o la profundiza?

Depende de cómo se implemente. El informe analiza este dilema: los sistemas de IA pueden reproducir sesgos si se entrenan con datos históricamente desiguales, pero también pueden compensar brechas si se diseñan con foco en poblaciones vulnerables y con supervisión humana. La conclusión es que la IA no es neutral: su impacto depende de las decisiones de diseño e implementación.