Revista de Ciencias Sociales (RCS)
Vol. XXXII, Número Especial 13, Enero-Junio 2026. pp. 211-232
FCES - LUZ ● ISSN: 1315-9518 ● ISSN-E: 2477-9431
Como citar: Pérez, H. M., López, R., Mérida, E. J., y Orellana, M. J. (2026). Predicción del compromiso estudiantil mediante analítica del aprendizaje y análisis del discurso en foros Moodle. Revista De Ciencias Sociales, XXXII(Número Especial 13), 211-232.
Predicción del compromiso estudiantil mediante analítica del aprendizaje y análisis del discurso en foros Moodle
Pérez Barrera, Hendy Maier*
López Fernández, Raúl**
Mérida Córdova, Ennio Jesús***
Orellana Tolozano, María José****
Resumen
Este artículo de tecnologías para la educación describe un estudio que desarrolla un modelo analítico basado en técnicas de procesamiento de lenguaje natural y análisis automático del discurso para identificar patrones comunicativos en mensajes estudiantiles publicados en foros virtuales de Moodle. Bajo un enfoque cuantitativo de alcance exploratorio-descriptivo, se analizaron 212 mensajes de 56 estudiantes de un programa de maestría, identificando la longitud, riqueza léxica y tono comunicativo de las intervenciones. Los resultados muestran un predominio de mensajes con tono cortés y neutro, reflejando un ambiente de respeto y formalidad en el foro. Además, se evidencia que los mensajes inseguros tienden a ser más extensos y con alta densidad de palabras clave; mientras que los tonos agresivos y agradecidos son marginales. Las visualizaciones generadas permitieron identificar diferencias en la calidad discursiva y patrones de participación, ofreciendo información valiosa para comprender las dinámicas de interacción en entornos virtuales. En conclusión, este análisis aporta evidencias que pueden ser utilizadas para diseñar estrategias pedagógicas que fomenten la participación significativa, el compromiso estudiantil y la precisión discursiva en contextos de aprendizaje digital, contribuyendo al desarrollo de modelos educativos más adaptativos y centrados en las necesidades del estudiante.
Palabras clave: Analítica del aprendizaje; procesamiento de lenguaje natural; foros virtuales; análisis discursivo; compromiso estudiantil.
* Magister en Bioinformática. Magister en Educación con mención en Didáctica de la Matemática. Ingeniero en Informática. Profesor Investigador de la Carrera de Ciencias de la Educación en la Universidad Bolivariana del Ecuador, Durán, Guayas, Ecuador. E-mail: hmperezb@ube.edu.ec ORCID: https://orcid.org/0000-0003-1989-2136
** Doctor en Ciencias Pedagógicas. Magister en Matemática Aplicada. Docente Investigador en la Universidad Bolivariana del Ecuador, Durán, Guayas, Ecuador. E-mail: rlopezf@ube.edu.ec ORCID: https://orcid.org/0000-0001-5316-2300
*** Magister en Ciencias de la Educación Superior. Ingeniero de Sistemas. Docente Investigador en la Universidad Bolivariana del Ecuador, Durán, Guayas, Ecuador. E-mail: ejmeridac@ube.edu.ec ORCID: https://orcid.org/0000-0001-5091-5522
**** Magister en Administración de Empresas. Ingeniero en Gestión de Empresa. Directora del Centro de Gestión de la Información Científica y Transferencia Tecnológica (CEGESICTT) en el Instituto Tecnológico Superior Bolivariano de Tecnología, Guayaquil, Ecuador. E-mail: mjorellanat@bolivariano.edu.ec ORCID: https://orcid.org/0009-0002-8716-2864
Recibido: 2026-01-03 • Aceptado: 2026-03-23
Predicting student engagement through learning analytics and discourse analysis in Moodle forums
Abstract
This article on educational technologies describes a study that develops an analytical model based on natural language processing and automatic discourse analysis techniques to identify communicative patterns in student messages posted in Moodle virtual forums. Using a quantitative approach with an exploratory-descriptive scope, 212 messages from 56 students in a master’s program were analyzed, identifying the length, lexical richness, and communicative tone of the contributions. The results show a predominance of messages with a polite and neutral tone, reflecting an atmosphere of respect and formality in the forum. Furthermore, it is evident that insecure messages tend to be longer and have a high density of keywords, while aggressive and grateful tones are marginal. The visualizations generated allowed for the identification of differences in discourse quality and participation patterns, offering valuable information for understanding the dynamics of interaction in virtual environments. In conclusion, this analysis provides evidence that can be used to design pedagogical strategies that foster meaningful participation, student engagement, and discursive precision in digital learning contexts, contributing to the development of more adaptive and student-centered educational models.
Keywords: Learning analytics; natural language processing; online forums; discourse analysis; student engagement.
Introducción
En la última década, los entornos virtuales de aprendizaje pasaron de ser un complemento tecnológico a constituir el escenario principal de múltiples experiencias formativas en educación superior. Este desplazamiento, intensificado por la digitalización institucional y por la progresiva incorporación de herramientas basadas en inteligencia artificial, reveló tanto oportunidades como tensiones: por un lado, posibilita recopilar huellas ricas del aprendizaje y la interacción; por otro, obliga a repensar cómo se define, observa y promueve el compromiso estudiantil en espacios mediados por plataforma.
La literatura reciente muestra que el interés por comprender dicho compromiso y por modelarlo con datos ha crecido de forma sostenida, situando a la analítica del aprendizaje como una vía legítima para generar evidencia accionable en la toma de decisiones pedagógicas (Zawacki-Richter et al., 2019; Bergdahl et al., 2024). Este campo, al apoyarse en registros trazables de uso, evaluaciones y comunicación, ofrece un lenguaje común para docentes, gestores y equipos de apoyo académico que buscan orientar intervenciones con criterios de efectividad y equidad (Bond et al., 2024).
Sin embargo, la misma literatura advierte una asimetría: gran parte de los modelos se centra en indicadores de actividad (accesos, clics, tiempos, entregas); mientras presta menos atención a los rasgos cualitativos del discurso que caracterizan la vida académica en foros y tareas escritas. En otras palabras, se mide con detalle cuántas veces se participa, pero menos cómo se participa y qué significado construyen los estudiantes al interactuar.
Es aquí donde el Procesamiento de Lenguaje Natural (PLN) y el análisis automático del discurso resultan estratégicos, porque permiten examinar de manera sistemática volúmenes extensos de mensajes, identificar patrones léxico-semánticos y emocionales y derivar indicadores que complementan la lectura puramente cuantitativa de la participación (Chanaa y El Faddouli, 2022; Li et al., 2022). En contextos universitarios, estas técnicas han mostrado utilidad para perfilar emociones y tópicos, vincular señales del discurso con procesos de autorregulación y apoyar la retroalimentación formativa (Dalipi et al., 2021; Ren et al., 2023; Grimalt-Álvaro y Usart, 2024).
El campo de la analítica del aprendizaje ha evolucionado desde enfoques centrados exclusivamente en el comportamiento observable del estudiante hacia modelos explicativos que buscan comprender los procesos cognitivos, emocionales y sociales implicados en el aprendizaje (Siemens, 2013; Gašević et al., 2015; Hinojosa et al., 2021). En sus primeras etapas, las métricas se orientaban a cuantificar acciones como la frecuencia de acceso, el número de clics o el tiempo de conexión; sin embargo, las tendencias actuales priorizan la interpretación semántica y contextual de los datos, lo que permite valorar la intencionalidad comunicativa, la profundidad del razonamiento y la calidad del discurso académico en entornos virtuales (Romero y Ventura, 2020).
En América Latina, y particularmente en Ecuador, el uso de entornos virtuales institucionales como Moodle se ha consolidado como espacio privilegiado de interacción académica, evidenciando la necesidad de comprender el compromiso estudiantil desde nuevas perspectivas analíticas. En el ámbito de la investigación educativa contemporánea, la minería de datos educativos (Educational Data Mining) y el procesamiento del lenguaje natural (PLN), constituyen áreas convergentes que permiten analizar de forma automatizada las interacciones verbales generadas en entornos virtuales. La primera, se enfoca en descubrir patrones significativos en los registros digitales del aprendizaje; mientras que el segundo, aborda el análisis computacional del lenguaje escrito para identificar matices semánticos, emocionales y pragmáticos (Papamitsiou y Economides, 2014; Romero y Ventura, 2020).
En este sentido, el PLN ofrece una vía para estudiar la dimensión discursiva del compromiso estudiantil, posibilitando una comprensión más profunda de la intencionalidad comunicativa, la cortesía, la duda y la argumentación presentes en los foros académicos. Diversos estudios (Gašević et al., 2015; Viberg et al., 2018) destacan que la combinación de análisis léxico, sintáctico y afectivo, amplía la capacidad explicativa de la analítica del aprendizaje, al pasar de métricas conductuales a indicadores de calidad cognitiva y social.
Así, la integración de minería de datos y PLN en contextos educativos permite el desarrollo de modelos predictivos y explicativos que orientan la retroalimentación docente, la personalización del aprendizaje y la detección temprana de estudiantes con baja participación o dificultades discursivas. Esta perspectiva, además de ofrecer rigor empírico, promueve un abordaje interdisciplinar donde la lingüística computacional y la teoría educativa, confluyen para fortalecer la investigación sobre el aprendizaje mediado por tecnologías.
Estos marcos emergentes incorporan dimensiones lingüísticas, afectivas y sociales, proporcionando una lectura más integral del compromiso estudiantil y favoreciendo la comprensión de la participación no solo como una acción cuantificable, sino como una manifestación de presencia cognitiva y autorregulación del aprendizaje (Viberg et al., 2018). Según Ferguson et al. (2019), comprender la naturaleza multidimensional del compromiso implica integrar, en una perspectiva unificada, datos lingüísticos, emocionales y de diseño instruccional, de modo que las evidencias cuantitativas se articulen con la interpretación cualitativa del discurso.
Asimismo, autores como Ifenthaler et al. (2021) señalan que el valor pedagógico de la analítica no reside en la acumulación de grandes volúmenes de datos, sino en su capacidad para generar conocimiento procesable que guíe la toma de decisiones docentes, fomente la reflexión estudiantil y promueva la equidad en la participación. De este modo, la analítica del aprendizaje se consolida como un campo interdisciplinar que combina teoría educativa, lingüística computacional y ética de la información, permitiendo transitar de un enfoque meramente descriptivo a uno interpretativo y formativo, orientado a mejorar las experiencias de aprendizaje mediadas por tecnología.
Bajo este marco, la presente investigación se sitúa en la convergencia entre analítica del aprendizaje y PLN para estudiar las huellas discursivas que reflejan distintos niveles de compromiso en foros académicos de Moodle. Se parte de la premisa de que la longitud, la riqueza léxica y el tono comunicativo de los mensajes no solo describen formas de interacción, sino que también revelan grados de implicación cognitiva y socioemocional.
Al integrar estas huellas con enfoques analíticos contemporáneos, se aspira a ampliar el repertorio de indicadores disponibles para docentes y diseñadores instruccionales, con el fin de pasar de la mera contabilización de eventos a la calidad de la participación, alineada con evidencias sobre engagement en escenarios digitales y masivos (Neha y Kim, 2023; Dann et al., 2024; Liu et al., 2024; Lo et al., 2024).
De lo antes expuesto surge la siguiente pregunta científica: ¿Cómo contribuir a predecir el compromiso estudiantil en entornos virtuales de aprendizaje? Por lo cual el objetivo de la presente investigación consistió en desarrollar un modelo analítico que, mediante técnicas de procesamiento de lenguaje natural y análisis discursivo, identifique patrones comunicativos en los mensajes de estudiantes en foros académicos virtuales.
1. Fundamentación teórica
1.1. Procesamiento de lenguaje natural
El PLN articula técnicas computacionales y conceptos lingüísticos para extraer significado de textos humanos a gran escala. En el ámbito educativo, esta familia de métodos permite tokenizar, normalizar, vectorizar y clasificar mensajes, con el propósito de estimar emociones, polaridad, tópicos y estructuras retóricas que aparecen en foros, comentarios y tareas escritas.
Su principal ventaja frente a aproximaciones exclusivamente cualitativas reside en la escalabilidad y sistematicidad: hace posible observar regularidades discursivas en cohortes numerosas sin renunciar a la validez interpretativa, siempre que se documenten con rigor los pasos de preprocesamiento y los criterios de codificación (Dalipi et al., 2021; Li et al., 2022). Además, al integrarse con visualizaciones interactivas, el PLN facilita la comunicación de hallazgos a equipos docentes que requieren diagnósticos rápidos y accionables (Grimalt-Álvaro y Usart, 2024).
En los últimos años, el desarrollo de modelos transformadores ha mejorado la captura del contexto y de las relaciones de dependencia a larga distancia dentro del texto, con aplicaciones directas a educación superior: clasificación de tipos de intervención, estimación de tono y cortesía, y detección de señales de apoyo entre pares o de incertidumbre que demandan mediaciones docentes más sensibles. Estos avances sustentan una agenda de analítica del aprendizaje que incorpora señales semánticas y afectivas como insumos para el monitoreo y la retroalimentación, abriendo la puerta a estrategias más personalizadas sin perder de vista la ética y la explicabilidad (Ren et al., 2023; Lo et al., 2024; Yu, 2025). Es importante destacar que, el PLN no sustituye la mirada pedagógica, sino que la potencia al traducir la complejidad del discurso estudiantil en indicadores interpretables y útiles para la toma de decisiones.
1.2. Analítica del aprendizaje
La analítica del aprendizaje se define como el proceso de recopilar, medir, analizar y reportar datos sobre estudiantes y contextos de aprendizaje con el propósito de comprender y optimizar tanto los procesos como los entornos educativos. En educación superior, su adopción se ha consolidado con paneles de control, modelos predictivos y alertas tempranas que ayudan a identificar trayectorias de riesgo, orientar apoyos y evaluar el impacto de decisiones curriculares (Zawacki-Richter et al., 2019; Bond et al., 2024). La literatura reciente subraya, además, la necesidad de marcos de gobernanza de datos y de modelos explicables que fortalezcan la confianza docente y resguarden principios de transparencia y justicia algorítmica (Bond et al., 2024).
Una evolución clave del campo es la analítica multimodal, que combina señales conductuales (frecuencia y temporalidad de interacción), cognitivas (profundidad de procesamiento, resolución de problemas) y discursivas (densidad léxica, tópicos, tono) para representar con mayor fidelidad la experiencia estudiantil. Al integrar el discurso como fuente de evidencia, se pasa de medir “actividad” a estimar calidad de la participación y presencia social, lo que habilita decisiones formativas más finas en foros y cursos masivos (Bergdahl et al., 2024; Dann et al., 2024; Liu et al., 2024). En este horizonte, el diálogo entre analítica y didáctica no es accesorio: deviene condición para interpretar los patrones y para diseñar intervenciones que respeten contextos y propósitos de aprendizaje (Neha y Kim, 2023).
1.3. Compromiso estudiantil
El compromiso estudiantil es un constructo multidimensional que articula componentes conductuales (participación observable), cognitivos (esfuerzo mental, autorregulación), emocionales (interés, satisfacción) y sociales (interacción, apoyo entre pares). En entornos virtuales, dicho compromiso se expresa no solo en el conteo de interacciones, sino, sobre todo, en el modo de participar: qué se dice, con qué tono y con qué profundidad. La evidencia empírica relaciona altos niveles de compromiso con mejor retención y rendimiento, y muestra que su análisis exige mirar conjuntamente métricas de plataforma y señales del discurso (Bergdahl et al., 2024; Cobo-Rendón et al., 2024; Liu et al., 2024). En foros, por ejemplo, la progresión desde respuestas reactivas hacia intervenciones críticas y colaborativas puede rastrearse observando longitud, riqueza léxica, uso de conceptos disciplinares y prácticas de validación entre pares (Zou et al., 2021; Peng y Jiang, 2022).
Los trabajos recientes que combinan PLN y analítica, sugieren que los indicadores lingüísticos funcionan como proxies útiles del compromiso: ciertos tonos (p. ej., motivador o crítico) y mayores densidades léxicas, suelen asociarse con procesos de elaboración más profunda y con comunidades discursivas más cohesionadas. Esta mirada permite ir más allá del recuento de accesos e incorporar matices semánticos y afectivos del aprendizaje en línea, con beneficios para el diseño de foros más productivos y para la retroalimentación formativa que docentes y tutores ofrecen durante el curso (Chanaa y El Faddouli, 2022; Li et al., 2022; Neha y Kim, 2023; Yu, 2025). En consecuencia, estudiar el compromiso desde el discurso no es un añadido cosmético: es una vía para comprender y potenciar la experiencia de aprendizaje en su complejidad.
2. Metodología
El estudio se desarrolló bajo un enfoque cuantitativo con un alcance exploratorio-descriptivo, orientado a caracterizar el tono comunicativo y el contenido de los mensajes emitidos por los estudiantes en un foro académico virtual. Se identificaron patrones discursivos, se analizaron la longitud y la riqueza léxica de las intervenciones, y se examinó la presencia de estrategias como cortesía, crítica, inseguridad o motivación en el discurso estudiantil. Este análisis permitió generar información que contribuye a comprender mejor las dinámicas de participación en entornos virtuales de aprendizaje, aportando evidencia valiosa para diseñar estrategias pedagógicas que promuevan la interacción significativa, el respeto mutuo y el compromiso académico en espacios digitales.
La muestra estuvo conformada por 212 mensajes escritos por 56 estudiantes de un programa de maestría en educación, recopilados en un archivo CSV que incluía variables como identificador del mensaje, identificador del usuario, contenido textual, fecha de creación y, cuando estuvo disponible, el nombre completo del participante. Los mensajes fueron generados como respuesta a un foro de reflexión sobre aprendizajes y desafíos en el diseño de proyectos educativos mediados por Tecnologías de Información y Comunicación (TIC), lo que permitió abordar un contexto auténtico de interacción académica.
El procesamiento de los datos se realizó utilizando Python 3.11, apoyado en bibliotecas especializadas como pandas y numpy para la manipulación de datos, NLTK para el procesamiento de lenguaje natural, y plotly, seaborn y matplotlib para la visualización de resultados. En primera instancia, los mensajes fueron sometidos a un proceso riguroso de limpieza y normalización, que incluyó la decodificación de entidades HTML, la eliminación de etiquetas de formato, la conversión a minúsculas y la remoción de signos de puntuación y caracteres especiales. Con el propósito de centrar el análisis en el discurso propio de los estudiantes, se implementó un algoritmo de eliminación de encabezados que descartó las preguntas iniciales del foro copiadas por los estudiantes al inicio de sus respuestas.
Posteriormente, los textos se tokenizaron mediante la función word_tokenize de NLTK y se filtraron utilizando una lista combinada de stopwords en español y términos irrelevantes para el contexto académico, como saludos, nombres comunes y expresiones de cortesía rutinarias. Este proceso generó listas de tokens filtrados que sirvieron como base para calcular métricas como el número de palabras útiles por mensaje y la frecuencia de aparición de conceptos clave relacionados con la temática del curso, tales como “proyecto”, “aprendizaje”, “evaluación”, “competencia” y “tic”.
El análisis del tono comunicativo se efectuó mediante un diccionario especializado de términos y expresiones asociadas a seis categorías: Cortés, Agresivo, Agradecido, Inseguro, Crítico y Motivador. Estas categorías se definieron a partir de referencias teóricas sobre análisis de discurso y se adaptaron al contexto educativo. Las palabras clave para cada tono fueron normalizadas siguiendo el mismo proceso aplicado a los mensajes, asegurando coincidencias precisas a pesar de variaciones ortográficas o acentos. A partir de la presencia de estas palabras en cada mensaje, se clasificó el tono dominante de manera excluyente, priorizando primero los tonos con mayor carga emocional para reducir ambigüedades.
Para la representación gráfica de los resultados se desarrollaron ocho figuras principales que incluyen: 1) la distribución general de tonos, 2) la longitud de mensajes por tono, 3) Distribución de mensajes por tono en los 10 estudiantes más participativos, 4) Dashboard de nubes de palabras por tono comunicativo, 5) la relación entre longitud de mensaje y frecuencia de palabras clave, y, 6) un heatmap que combina longitud promedio y frecuencia de palabras clave por tono. Las visualizaciones permitieron ilustrar patrones discursivos y conductas comunicativas; mientras que las métricas contribuyeron a identificar diferencias en la calidad y enfoque de las participaciones.
3. Resultados y discusión
3.1. Patrones discursivos y niveles de compromiso en foros Moodle
Desde una perspectiva metodológica, el empleo de herramientas computacionales para el análisis del discurso favorece una comprensión más profunda de las interacciones académicas, al permitir la detección automática de patrones de tono, estilo y complejidad léxica (Viberg et al., 2018; Ifenthaler et al., 2021). Dichos enfoques respaldan la reproducibilidad del análisis y fortalecen la validez de los hallazgos en entornos virtuales masivos.
En la actualidad, la integración de analítica del aprendizaje con el procesamiento del lenguaje natural (PLN) se considera un marco metodológico robusto para examinar la calidad del discurso en foros educativos. Estas técnicas no solo permiten cuantificar la frecuencia de participación, sino también caracterizar la naturaleza semántica y emocional de los mensajes, identificando matices como cortesía, inseguridad o motivación (Gašević et al., 2015; Romero y Ventura, 2020).
De acuerdo con Ifenthaler et al. (2021), la potencia de la analítica del aprendizaje radica en su capacidad de ofrecer interpretaciones pedagógicas de los datos, orientadas a la retroalimentación formativa y al acompañamiento docente. Asimismo, estudios recientes destacan la importancia de utilizar algoritmos explicables y técnicas transparentes que garanticen la ética y trazabilidad del análisis automatizado del discurso (Cerratto y McGrath, 2021; Mirelle-Carmen et al., 2025).
En este estudio, la combinación de métricas lingüísticas, indicadores de tono y visualizaciones interactivas (boxplots, nubes de palabras, mapas de calor) se inscribe en esa tradición metodológica, orientada a comprender el discurso no como una suma de palabras, sino como una manifestación del pensamiento académico y de la presencia social del estudiante en contextos virtuales de aprendizaje. Los foros académicos constituyen un espacio privilegiado para la observación del discurso, dado que reflejan procesos de negociación de significado y autorregulación.
La visualización de estos datos mediante tableros de aprendizaje posibilita una interpretación pedagógicamente significativa de las interacciones (Verbert et al., 2013; Verbert et al., 2014). En este sentido, las visualizaciones utilizadas en el presente estudio se alinean con el principio de “transparencia analítica” propuesto por Ferguson et al. (2019).
La distribución del tono comunicativo del foro evidencia una alta concentración en dos categorías: Cortés con 111 mensajes (50,0%) y Neutro con 86 (38,7%), que en conjunto alcanzan 88,7% del total de participaciones (n = 222). El resto de tonos conforma una cola larga de baja frecuencia: Inseguro reúne 12 mensajes (5,4%), Motivador 11 (5,0%); mientras que Agresivo y Agradecido registran 1 mensaje cada uno (0,5% por categoría), como se presenta en el Gráfico I.
Nota: La clasificación incluye seis categorías de tono: Agradecido, Agresivo, Cortés, Inseguro, Motivador y Neutro. La etiqueta sobre cada barra indica el conteo de mensajes por categoría.
Fuente: Elaboración propia, 2025.
Gráfico I: Distribución del tono comunicativo en el foro
La relación de dominancia entre los dos tonos principales (Cortés: Neutro) es 1,29:1, lo que confirma el predominio de expresiones de cortesía sobre las neutras. Consideradas en conjunto, las cuatro categorías minoritarias suman 11,3%; la diferencia con Cortés es de 38,7 puntos porcentuales y con Neutro de 27,4 puntos porcentuales. En términos de concentración, la masa de mensajes se ubica claramente en torno a tonos de baja carga conflictiva, y las etiquetas sobre cada barra corroboran los conteos exactos por categoría, asegurando trazabilidad entre el gráfico y el texto. Esta caracterización cuantitativa proporciona una línea base para los análisis posteriores de longitud, riqueza léxica y frecuencia de términos clave por tono.
Este predominio de cortesía y neutralidad sugiere un clima de interacción respetuoso y formal, con aportes orientados a la tarea y a la construcción de conocimiento. La presencia moderada de mensajes inseguros señala momentos de duda que abren oportunidades para retroalimentación focalizada; mientras que los aportes motivadores evidencian prácticas de apoyo entre pares. La casi inexistencia de mensajes agresivos o puramente agradecidos refuerza la idea de un intercambio con baja conflictividad y centrado en contenidos. Este, es coherente con estudios que vinculan normas claras de interacción y presencia social con climas discursivos de baja conflictividad en foros académicos (Neha y Kim, 2023).
En esta línea, las revisiones sobre analítica del aprendizaje señalan que climas comunicativos estables se asocian con mayores niveles de compromiso, lo que respalda el uso del mapeo de tono como insumo para la toma de decisiones pedagógicas (Bergdahl et al., 2024).
Además, en contextos masivos, el perfilamiento del compromiso muestra que la estabilidad en tonos no agresivos puede coexistir con gradientes de implicación cognitiva, por lo que conviene complementar el análisis con métricas de calidad de aporte y seguimiento de hilos (Liu et al., 2024). Asimismo, estos resultados muestran que el tono comunicativo cumple una función significativa en la construcción de presencia social y cognitiva. Este hallazgo coincide con los aportes de D’Mello y Jensen (2022), quienes sostienen que las emociones detectadas mediante analítica del aprendizaje influyen en la persistencia y el rendimiento. Asimismo, estudios recientes evidencian que la identificación de emociones en el discurso favorece intervenciones pedagógicas más oportunas (Fan et al., 2021; Caspari-Sadeghi, 2022).
El análisis comparativo de la longitud de los mensajes por tono comunicativo, representado mediante diagramas de caja, evidencia una dispersión sustancialmente mayor en el tono Inseguro, con valores máximos próximos a 243 palabras y una mediana cercana a 100,5 palabras (rango intercuartílico aproximado 70,5 - 192), tal como se aprecia en el Gráfico II. En contraste, los tonos Neutro, Cortés y Motivador exhiben distribuciones más compactas y medianas inferiores a la de Inseguro, con diferencias internas: los mensajes Corteses tienden a ser más extensos, en promedio, que los Neutros; mientras que Motivador presenta una variabilidad intermedia. Dada la presencia de muy pocos casos en las categorías Agresivo y Agradecido (n≈1 cada una), su lectura debe realizarse con cautela.
Nota: Se presentan diagramas de caja con la distribución de la longitud (número de palabras) de los mensajes según el tono comunicativo.
Fuente: Elaboración propia, 2025.
Gráfico II: Longitud de mensajes por tono comunicativo
La distribución observada sugiere patrones diferenciados de producción textual por tono. La mayor extensión y dispersión del tono Inseguro es compatible con intervenciones más elaboradas habitualmente explicaciones, contextualizaciones o solicitudes de aclaración, lo que demanda retroalimentación focalizada por parte de la docencia y oportunidades de apoyo entre pares. Los mensajes Corteses, relativamente más largos que los Neutros, pueden incorporar preámbulos y fórmulas de cortesía que incrementan la longitud sin necesariamente añadir complejidad conceptual; por ello conviene atender no solo a la extensión, sino también a indicadores de calidad (p. ej., densidad léxica o presencia de conceptos disciplinares).
El tono Neutro tiende a ser más conciso y orientado a la tarea, útil para respuestas directas o cierre de hilos. Dado el bajo número de casos en Agresivo y Agradecido, cualquier inferencia sobre estas categorías debe considerarse exploratoria. En conjunto, el patrón invita a complementar el análisis de longitud con métricas de profundidad semántica y seguimiento de hilos a fin de valorar mejor la calidad de la participación y orientar acciones pedagógicas específicas.
El mayor recorrido y la mediana elevada del tono Inseguro son coherentes con resultados que vinculan mensajes más extensos con búsqueda de ayuda y con la necesidad de explicitar dudas para recibir retroalimentación útil; en contextos de educación superior, estas intervenciones tienden a incorporar justificaciones y descripciones detalladas de la dificultad, lo que incrementa la longitud textual (Grimalt-Álvaro y Usart, 2024). De forma complementaria, estudios de análisis del lenguaje en cursos masivos muestran que, cuando el estudiante intenta matizar emociones o contextualizar su postura, la longitud aumenta y coexiste con marcadores afectivos que orientan la respuesta de pares y docentes (Li et al., 2022).
Asimismo, en evaluaciones de la docencia basadas en texto, el grado de especificidad del comentario, por ejemplo, al señalar un aspecto concreto que genera incertidumbre se asocia con mensajes más largos y estructurados, patrón que ayuda a explicar la extensión observada en el tono Inseguro y, en menor medida, en el tono Cortés (Ren et al., 2023).
En el Gráfico III, se presenta la distribución del tono comunicativo en los 10 estudiantes más participativos mediante barras apiladas. Predominan de forma consistente los tonos Cortés y Neutro en casi todos los casos; mientras que las categorías Inseguro y Motivador aparecen de manera puntual en algunos estudiantes (por ejemplo, se observan tramos grises y verdes en varios identificadores), y no se registran segmentos Agresivo ni Agradecido. El recuento total por estudiante oscila entre 4 y 5 intervenciones, lo que permite comparar perfiles individuales de participación manteniendo un tamaño muestral similar por barra.
Nota: Este gráfico apilado muestra la proporción de mensajes por tono para los estudiantes con mayor número de participaciones.
Fuente: Elaboración propia, 2025.
Gráfico III: Distribución de mensajes por tono en los 10 estudiantes más participativos
El patrón sugiere heterogeneidad intra-estudiante en la forma de intervenir: quienes combinan Cortés/Neutro con aportes Motivadores tienden a desempeñar un rol de apoyo entre pares; mientras que la presencia de Inseguro en algunos perfiles indica momentos de duda que podrían beneficiarse de retroalimentación focalizada por parte de la docencia. La ausencia de tonos Agresivo y Agradecido refuerza la idea de un clima de baja conflictividad y de interacciones centradas en la tarea; no obstante, conviene complementar este mapa con métricas de calidad del aporte (p. ej., densidad léxica o uso de conceptos disciplinares) y con el seguimiento de hilos para valorar la incidencia real de cada perfil en la conversación.
La preeminencia de tonos no conflictivos y la emergencia de perfiles con aportes motivadores es coherente con evidencia que vincula el diseño del foro y la presencia social con interacciones colaborativas y estables (Neha y Kim, 2023). A su vez, análisis a nivel de individuo muestran que la participación en discusiones masivas presenta configuraciones diferenciadas concentradas o mixtas por tono que se asocian con trayectorias de compromiso diversas (Liu et al., 2024). Estudios sobre presencia social en foros, señalan que la visibilidad y el reconocimiento entre pares favorecen conductas corteses y prosociales, reduciendo la probabilidad de episodios agresivos y facilitando la circulación de ayuda (Zou et al., 2021).
El panel de nubes de palabras por tono comunicativo (ver Figura I) sintetiza la frecuencia relativa de términos en los mensajes. En el tono Cortés destacan vocablos como aprendizaje, estudiantes, proyecto, herramientas, grupo y tic, junto con expresiones propias de cortesía. El tono Neutro prioriza términos disciplinares y de tarea, proyectos, educativos, herramientas, aprendizaje, uso, con léxico técnico vinculado a la planificación y la evaluación. El tono Inseguro concentra palabras como uso, tic, presenta, necesidades y seguir, que coaparecen con marcas de duda. Finalmente, el tono Motivador resalta estudiantes, proyectos, uso, tic, desarrollo y formas valorativas frecuentes en mensajes de apoyo.
Nota: Cada nube de palabras destaca los términos más utilizados en los mensajes de cada tono comunicativo.
Fuente: Elaboración propia, 2025.
Figura I: Dashboard de nubes de palabras por tono comunicativo
Las diferencias léxicas entre tonos sugieren perfiles de orientación a la tarea y marcadores socioafectivos. En Neutro, predomina un vocabulario operativo centrado en procedimientos y productos del curso, consistente con intervenciones concisas y funcionales. Cortés, comparte el foco en la tarea, pero integra fórmulas de relación interpersonal que amplían el preámbulo textual. Inseguro, incorpora léxico de necesidad/contingencia y verbos modales que suelen acompañar solicitudes de aclaración; ello coincide con mensajes más extensos observados en el análisis de longitud. Motivador, combina términos disciplinares con evaluaciones positivas y directrices suaves, típico del apoyo entre pares. En conjunto, el patrón sugiere que la calidad de la participación no solo se diferencia por la longitud, sino también por la densidad semántica y la función pragmática del léxico empleado.
El uso de nubes de palabras para perfilar tópicos dominantes por tono es consistente con estudios que integran PLN para identificar focos de contenido y señales afectivas en foros y MOOCs, destacando la utilidad de esta visualización como paso exploratorio antes de modelados más finos (Li et al., 2022). Revisiones recientes muestran que la combinación de léxico disciplinar y marcadores afectivos se asocia con prácticas de retroalimentación formativa y autorreflexión, lo que explica la coocurrencia de términos técnicos con expresiones de cortesía o de duda (Grimalt-Álvaro y Usart, 2024). Asimismo, la literatura subraya que mapear términos frecuentes por categorías de mensaje ayuda a distinguir patrones de orientación a la tarea frente a apoyo socioemocional, y a diseñar estrategias de mediación acordes al objetivo del foro (Chanaa y El Faddouli, 2022).
El diagrama de dispersión con ajuste lineal evidencia una asociación positiva pronunciada entre la longitud del mensaje (eje Y) y la frecuencia de palabras clave (eje X) como se muestra en el Gráfico IV, con una nube de puntos alargada sobre la recta de regresión y un intervalo de confianza estrecho en la zona central. Las densidades marginales (histogramas con curva suavizada) muestran asimetría a la derecha, especialmente en la frecuencia de palabras clave, lo que indica predominio de mensajes con recuentos bajos a moderados y una cola de casos extensos. Se observan algunos valores altos (≈170 palabras clave; ≈460 palabras en total) que, si bien son pocos, mantienen la tendencia general y sugieren que el incremento de longitud suele acompañarse de un aumento proporcional en términos relevantes.
Nota: El Gráfico muestra la correlación entre el tamaño de los mensajes y la presencia de términos clave, sugiriendo mayor densidad temática en mensajes más extensos.
Fuente: Elaboración propia, 2025.
Gráfico IV: Relación entre longitud del mensaje y frecuencia de palabras clave
El patrón sugiere que, a medida que los estudiantes elaboran más sus intervenciones, incorporan un mayor número de términos disciplinares y expresiones asociadas a la tarea, lo que incrementa simultáneamente longitud y frecuencia de palabras clave. Sin embargo, esta relación puede estar parcialmente impulsada por un efecto mecánico (más palabras, más oportunidades de incluir términos clave), por lo que conviene complementar el análisis con medidas normalizadas (p. ej., densidad de palabras clave por 100 palabras) y con rasgos de calidad semántica (coherencia, uso de conceptos nucleares). También es recomendable verificar posibles atípicos y explorar no linealidades (p. ej., rendimientos decrecientes cuando la longitud supera cierto umbral), además de analizar diferencias por tono comunicativo para entender si la relación varía entre categorías.
La asociación positiva entre extensión textual y presencia de términos disciplinares coincide con hallazgos en cursos abiertos y LMOOCs, donde la elaboración del mensaje y la precisión conceptual suelen coaparecer en intervenciones más largas (Peng et al., 2022). En evaluaciones basadas en texto, el grado de especificidad y el detalle por aspectos se vinculan con comentarios más extensos y con mayor densidad de elementos relevantes, patrón que refuerza la interpretación de esta relación (Ren et al., 2023). Desde la analítica del aprendizaje, revisiones recientes destacan que los rasgos textuales (longitud, uso de términos clave y su combinación con indicadores semánticos) son buenos predictores del compromiso y la calidad de la participación, especialmente cuando se integran en modelos interpretables (Bergdahl et al., 2024).
El mapa de calor que se muestra en la Figura II, compara, por tono comunicativo, la longitud promedio del mensaje y la frecuencia de palabras clave. Se observa que Inseguro, registra la mayor frecuencia media de palabras clave (13,5), seguido de Agresivo (13,0) y Neutro (11,7); mientras que Cortés (9,9) y Motivador (9,8) presentan valores inferiores. En la longitud promedio, el mayor valor corresponde a Agresivo (266,0 palabras), con promedios más contenidos en Inseguro (122,3), Motivador (105,6), Neutro (99,6) y Cortés (99,4). Dado que la categoría Agresivo tiene muy pocos casos, sus estimaciones deben interpretarse con cautela.
Nota: Heatmap que compara la longitud promedio de los mensajes y la frecuencia de palabras clave en cada tono comunicativo.
Fuente: Elaboración propia, 2025.
Figura II: Relación entre longitud del mensaje y frecuencia de palabras clave por tono
Para mitigar el efecto mecánico “a mayor longitud, mayor número de términos”, conviene normalizar con una densidad de palabras clave (términos clave por cada 100 palabras). Con esta métrica, los valores estimados son: Neutro: 11,7/100, Inseguro: 11,0/100, Cortés: 10,0/100 y Motivador: 9,3/100; en Agresivo la densidad es 4,9/100, aunque debe leerse con cautela por el bajo tamaño muestral. Este patrón sugiere que los mensajes neutros e inseguros incorporan léxico disciplinar con mayor eficiencia relativa (más términos relevantes por cada 100 palabras); mientras que en Cortés y Motivador, parte de la extensión se destina a fórmulas relacionales o valorativas. En suma, la calidad léxica (densidad de términos clave) no depende solo de la longitud, sino también de la función pragmática del mensaje.
Las visualizaciones generadas en este estudio se alinean con el enfoque de “aprendizaje visualizado” que busca convertir datos en narrativas interpretables para la docencia (Verbert et al., 2013; Brooks et al., 2014). Estos modelos han demostrado potenciar la retroalimentación formativa al ofrecer evidencia inmediata sobre la calidad de la participación y los focos discursivos. De manera complementaria, la co-variación entre extensión y léxico técnico es coherente con análisis de foros y LMOOCs que reportan mayor presencia de términos disciplinares en intervenciones más elaboradas (Peng et al., 2022).
A nivel de perfiles individuales, se ha descrito que configuraciones de participación distintas (más concisas vs. más extensas) pueden asociarse a trayectorias de compromiso diferenciadas, especialmente cuando se combinan indicadores textuales con métricas de interacción (Liu et al., 2024). Asimismo, revisiones recientes recomiendan complementar estos indicadores con modelos interpretables para que docentes y gestores puedan actuar pedagógicamente sobre evidencias comprensibles y éticas (Bond et al., 2024).
Los patrones observados en los foros predominio de tonos Cortés/Neutro, extensión significativamente mayor en Inseguro, diferenciación léxica por tono y asociación positiva entre longitud y términos clave son coherentes con un enfoque multimodal del compromiso estudiantil que articula señales conductuales (frecuencia y estabilidad de participación), cognitivas (profundidad semántica, especificidad del problema), emocionales (marcadores de duda o motivación) y sociales (apoyo entre pares y cortesía), tal como se observa en el Cuadro 1.
Cuadro 1
Sistematización de resultados por categorías y variables de investigación
|
Variable de investigación |
Categorías analizadas |
Indicadores operativos |
Evidencias (Fig.) |
Dimensiones asociadas |
Interpretación pedagógica |
|
Procesamiento de Lenguaje Natural (PLN) |
Tono comunicativo (Cortés, Neutro, Inseguro, Motivador, Agresivo, Agradecido) |
Análisis automático del discurso; clasificación semántica y afectiva; densidad léxica; nubes de palabras |
Gráfico I; Figuras I y II |
Cognitiva / Emocional / Social |
Permite identificar el clima comunicativo y los patrones afectivos en la escritura de los estudiantes, así como el uso de léxico disciplinar como indicador de profundidad conceptual. |
|
Analítica del Aprendizaje (AA) |
Longitud de mensaje, frecuencia y distribución de palabras clave, correlaciones entre métricas |
Modelado cuantitativo del desempeño discursivo; minería de texto; indicadores de actividad; análisis de redes y correlaciones |
Gráfico II, III y IV |
Conductual / Cognitiva |
Facilita la detección de perfiles discursivos y niveles de implicación en el aprendizaje; optimiza la retroalimentación personalizada y el seguimiento del progreso. |
|
Compromiso Estudiantil (CE) |
Niveles de interacción discursiva (frecuencia, tono, densidad, extensión) |
Variables derivadas del discurso: participación activa, coherencia semántica, profundidad cognitiva, apoyo entre pares |
Todos los Gráficos y Figuras, así como el Cuadro 1 |
Conductual / Cognitiva / Emocional / Social |
Refleja la implicación del estudiante con la tarea y el grupo; orienta estrategias docentes para fomentar la motivación, la persistencia y la colaboración. |
Nota: La sistematización integra las tres variables de estudio en una perspectiva analítica común: el PLN, proporciona los insumos lingüísticos; la Analítica del Aprendizaje, transforma estos datos en métricas interpretables; y el Compromiso Estudiantil, constituye la dimensión pedagógica de lectura de los resultados.Fuente: Elaboración propia, 2025.
Desde la perspectiva de PLN, estos resultados respaldan el uso de rasgos textuales (tono, densidad de términos, nubes de palabras) como indicadores complementarios que enriquecen la lectura puramente cuantitativa del uso de la plataforma. En analítica del aprendizaje, la consistencia de tonos no conflictivos y la eficiencia léxica de los mensajes Neutros/Inseguros sugieren que la calidad del intercambio no depende solo de “cuánto se escribe”, sino cómo se escribe y para qué (p. ej., solicitar ayuda, validar, orientar la tarea). En conjunto, la evidencia empírica apoya los supuestos teóricos: (i) el discurso es un proxy válido del compromiso, (ii) los indicadores lingüísticos son útiles para la retroalimentación formativa, y (iii) la interpretabilidad de los modelos es clave para la toma de decisiones pedagógicas.
Los resultados del estudio se alinean con las tendencias descritas por Chen et al. (2018); y, Saqr et al. (2018), quienes destacan que la integración de métricas discursivas y sociales en la analítica del aprendizaje permite caracterizar con mayor precisión la naturaleza del compromiso estudiantil. En este caso, la combinación de indicadores de longitud, densidad léxica y tono comunicativo, demuestra que los datos textuales pueden funcionar como predictores indirectos de implicación cognitiva.
En coherencia con los hallazgos de Yassine et al. (2022), la identificación de comunidades discursivas estables evidencia que la participación en foros trasciende la frecuencia de acceso, constituyendo un sistema relacional que refleja grados de presencia social y cohesión académica. Este enfoque reafirma la pertinencia de modelos interpretativos en los que las interacciones lingüísticas constituyen insumos centrales para comprender la autorregulación y la colaboración en entornos digitales.
El vínculo entre PLN, analítica del aprendizaje y compromiso estudiantil, se ve reforzado en estudios que integran técnicas de sentimiento y minería de opinión para analizar datos educativos. Por ejemplo, el uso de sentiment analysis en datos educativos ha permitido capturar percepciones estudiantiles más allá de lo explícito, identificando emociones y actitudes que pueden mediar el compromiso académico (Nisha y Kumar, 2024). Al mismo tiempo, las revisiones recientes de la analítica del aprendizaje resaltan que muchas investigaciones aún se concentran en indicadores meramente conductuales (como clics o tiempos); mientras descuidan dimensiones semánticas que pueden ampliar la interpretación del compromiso (Banihashem et al., 2022).
En el marco del aprendizaje basado en indagación, la aplicación de analítica ha sido usada para rastrear cómo los estudiantes construyen conocimiento discursivamente, lo que muestra una convergencia natural con los métodos del PLN para escudriñar el discurso en foros (Chen y Chen, 2025). Estas evidencias respaldan el Cuadro 1 sistematizado: el PLN aporta el lens lingüístico, la analítica transfiere esos rasgos a métricas comprensibles, y el compromiso estudiantil, emerge como la interpretación educativa de esos resultados textuales y cuantitativos.
La aplicación del procesamiento de lenguaje natural permitió analizar dimensiones cualitativas del discurso difíciles de capturar mediante métricas tradicionales. Los estudios de Kerman et al. (2024); y, Xie y Zhang (2024), evidencian que el PLN, al clasificar patrones de cortesía, duda o argumentación, posibilita diferenciar tipos de participación asociados a niveles distintos de engagement.
En el presente trabajo, la coincidencia entre tonos inseguros y alta densidad léxica coincide con la función metacognitiva que Topali et al. (2023) atribuyen a la comunicación reflexiva, donde el estudiante formula su comprensión de manera más elaborada para solicitar retroalimentación. Estos resultados validan el PLN como una herramienta metodológicamente robusta para detectar indicadores tempranos de necesidad de apoyo y para generar retroalimentación adaptativa a partir del contenido textual, tal como recomiendan Moon et al. (2024).
Los resultados analizados amplían el marco de comprensión del compromiso estudiantil en entornos virtuales al mostrar que, además de métricas tradicionales (p. ej., frecuencia de participación o longitud de mensaje), los rasgos lingüísticos y afectivos del discurso aportan evidencia útil sobre la implicación cognitiva y social del alumnado. Esta perspectiva es consistente con las síntesis recientes de analítica del aprendizaje, que proponen integrar dimensiones conductuales, cognitivas, emocionales y sociales, para caracterizar la participación de forma más completa (Bergdahl et al., 2024; Bond et al., 2024).
Asimismo, el uso de técnicas de aprendizaje profundo para analizar lenguaje educativo cuenta con soporte conceptual consolidado en la literatura de análisis de sentimientos y minería de opiniones (Shaik et al., 2023) y con revisiones que sistematizan su aplicación al contexto de foros y cursos masivos (Dalipi et al., 2021). En conjunto, se refuerza la idea de un enfoque multimodal del compromiso que articula señales textuales con huellas de interacción (Bergdahl et al., 2024).
Los patrones que relacionan tonos comunicativos (p. ej., inseguro, motivador) con densidad léxica y uso de términos disciplinares respaldan el empleo de rasgos textuales como indicadores complementarios de profundidad de aporte. La evidencia sugiere que, cuando se integran con métricas de interacción y se modelan con técnicas de PLN y aprendizaje automático, estos rasgos permiten perfilar trayectorias de participación y explicar diferencias entre estudiantes e hilos (Dalipi et al., 2021; Liu et al., 2024).
Además, la literatura muestra que el grado de especificidad y el detalle por aspectos en comentarios textuales, se asocian con mensajes más largos y estructurados, lo que valida el uso de indicadores semánticos para orientar la retroalimentación (Ren et al., 2023). De forma complementaria, estudios basados en datos de reseñas y foros muestran el potencial de modelos de sentimiento y arquitecturas profundas para captar matices afectivos y cognitivos relevantes para la docencia (Chen et al., 2022; Yee et al., 2023).
La identificación de perfiles discursivos ofrece insumos accionables para el diseño instruccional y la mediación docente. En particular, los perfiles que exhiben dudas o baja focalización temática pueden beneficiarse de retroalimentación focalizada y de estrategias de apoyo entre pares, prácticas asociadas con climas de interacción estables y prosociales en foros (Zou et al., 2021; Neha y Kim, 2023). Asimismo, la asociación positiva entre extensión del mensaje y frecuencia de términos clave sugiere la conveniencia de incorporar en los LMS módulos de analítica semántica que entreguen recomendaciones en tiempo real y fortalezcan la evaluación formativa (Bergdahl et al., 2024; Bond et al., 2024). Estas propuestas convergen con experiencias recientes que exploran el uso de IA en educación para interpretar retroalimentación y movilizar el compromiso estudiantil de manera más eficaz (Acosta y Finol 2024; Dann et al., 2024; Lo et al., 2024; Peñalver-Higuera et al., 2024; Ávila-Rodríguez et al., 2026).
La transferencia de estos resultados a escala institucional exige marcos de gobernanza de datos, explicabilidad de modelos y criterios éticos claros, de modo que las decisiones basadas en analítica y PLN sean transparentes, auditables y alineadas con propósitos formativos (Zawacki-Richter et al., 2019; Bond et al., 2024). En términos operativos, se recomienda avanzar en estándares de interoperabilidad y buenas prácticas para la integración de módulos analíticos en LMS, favoreciendo la replicabilidad entre cursos y semestres (Bergdahl et al., 2024; Liu et al., 2024). Este aspecto se articula con los debates contemporáneos sobre la ética de la analítica educativa. Cerratto y McGrath (2021); Torres et al. (2025); y, Mendoza et al. (2025), destacan la necesidad de marcos éticos claros que garanticen la transparencia y la rendición de cuentas en el uso de IA.
En correspondencia con Mirelle-Carmen et al. (2025), que afirman que el paso de la predicción a la potenciación del aprendizaje requiere enfoques centrados en la autonomía del estudiante y la equidad de los algoritmos. Asimismo, la presente investigación se inscribe en la corriente que busca integrar la analítica del aprendizaje con la interpretación cualitativa del discurso, orientada a la mejora del compromiso estudiantil (Ferguson et al., 2019; Wang et al., 2022). Este tránsito hacia métricas interpretables y éticamente responsables, consolida el valor pedagógico del análisis automatizado y proyecta nuevas líneas de investigación interdisciplinar.
Desde una mirada integradora, los aportes de Reychav et al. (2018); Saqr et al. (2022); y, Palancı et al. (2024), permiten interpretar los resultados más allá de los valores cuantitativos, al situar el discurso como evidencia observable del compromiso estudiantil. Las correspondencias encontradas entre densidad léxica y tono positivo concuerdan con las conclusiones de Moon et al. (2024), quienes destacan que las interacciones de carácter cooperativo y reflexivo fortalecen la comunidad de aprendizaje.
Así, la aplicación de la analítica del aprendizaje junto con el PLN en este estudio no solo describe comportamientos, sino que genera conocimiento útil para rediseñar foros, mejorar la retroalimentación y anticipar signos de desconexión estudiantil. En consecuencia, las variables integradas funcionan como un sistema interpretativo articulado: el PLN provee los insumos lingüísticos, la analítica transforma los datos en evidencia cuantificable y el compromiso estudiantil emerge como la dimensión educativa que otorga sentido pedagógico a los resultados.
Conclusiones
Este estudio aporta una nueva perspectiva para comprender el compromiso estudiantil en entornos virtuales, al integrar el análisis automatizado del discurso con la interpretación pedagógica de los datos. El trabajo demuestra que el lenguaje de los estudiantes es un reflejo directo de sus procesos cognitivos, emocionales y sociales, y que su análisis sistemático permite visualizar la calidad de la participación más allá del simple conteo de intervenciones. De este modo, se ofrece un modelo replicable que combina el rigor técnico con la sensibilidad educativa, orientado a fortalecer la evaluación formativa y el acompañamiento docente en espacios digitales.
La principal innovación radica en la combinación de técnicas de procesamiento del lenguaje natural y visualización educativa para representar el discurso académico como un proceso vivo, dinámico y medible. Esta integración permite transformar los mensajes en indicadores interpretables sobre la presencia social, la profundidad cognitiva y la autorregulación del aprendizaje. El enfoque propuesto invita a repensar la analítica del aprendizaje desde una mirada humanista, donde los datos se convierten en narrativas que revelan la complejidad del pensamiento estudiantil.
Los resultados ofrecen herramientas concretas para que los docentes y las instituciones utilicen la analítica del aprendizaje como un recurso de reflexión pedagógica. Las visualizaciones desarrolladas en el estudio pueden aplicarse para mejorar la retroalimentación, diseñar estrategias de motivación, y detectar tempranamente dificultades en la participación o en la comprensión del contenido. Con ello, se promueve una práctica educativa más consciente, orientada a la toma de decisiones fundamentadas y a la mejora continua de la enseñanza virtual.
A partir de los resultados, se abren nuevas líneas de investigación orientadas a profundizar en el análisis emocional y semántico del discurso estudiantil, evaluar la relación entre las métricas discursivas y el rendimiento académico, y explorar el impacto de la retroalimentación automatizada en la motivación y el aprendizaje. También se proyecta la necesidad de desarrollar modelos explicables de analítica del aprendizaje, capaces de integrar dimensiones éticas, comunicativas y culturales, para garantizar que la inteligencia artificial educativa contribuya al desarrollo integral del estudiante y al fortalecimiento de la comunidad académica.
Referencias bibliográficas
Acosta, S. F., y Finol, M. R. (2024). Inteligencia artificial como mecanismo para mejorar la gestión educativa universitaria. Revista de Ciencias Sociales (Ve), XXX(3), 583-597. https://doi.org/10.31876/rcs.v30i3.42697
Ávila-Rodríguez, A. M., Quispe-Del-Castillo, M. A., Mendoza-León, O. E., y Herrera-Mejía, Z. E. (2026). Inteligencia artificial en la enseñanza y aprendizaje de la Educación Superior Universitaria: Una revisión sistemática. Revista de Ciencias Sociales (Ve), XXXII(1), 417-435. https://doi.org/10.31876/rcs.v32i1.45214
Banihashem, S. K., Noroozi, O., Van Ginkel, S., Macfadyen, L. P., y Biemans, H. J. A. (2022). A systematic review of the role of learning analytics in enhancing feedback practices in higher education. Educational Research Review, 37, 100489. https://doi.org/10.1016/j.edurev.2022.100489
Bergdahl, N., Bond, M., Sjöberg, J., Dougherty, M., y Oxley, E. (2024). Unpacking student engagement in higher education learning analytics: A systematic review. International Journal of Educational Technology in Higher Education, 21, 63. https://doi.org/10.1186/s41239-024-00493-y
Bond, M., Khosravi, H., De Laat, M., Bergdahl, N., Negrea, V., Oxley, E., Pham, P., Chong, S. W., y Siemens, G. (2024). A meta systematic review of artificial intelligence in higher education: A call for increased ethics, collaboration, and rigour. International Journal of Educational Technology in Higher Education, 21, 4. https://doi.org/10.1186/s41239-023-00436-z
Brooks, C., Greer, J., y Gutwin, C. (2014). The data-assisted approach to building intelligent learning environments. En J. A. Larusson y B. White (Eds.), Learning analytics: From research to practice (pp. 123–156). Springer. https://doi.org/10.1007/978-1-4614-3305-7_7
Caspari-Sadeghi, S. (2022). Applying learning analytics in online environments: Measuring learners’ engagement unobtrusively. Frontiers in Education, 7, 840947. https://doi.org/10.3389/feduc.2022.840947
Cerratto, C., y McGrath, C. (2021). Mapping the ethics of learning analytics in higher education. Journal of Learning Analytics, 8(2), 123-139. https://doi.org/10.18608/jla.2021.1
Chanaa, A., y El Faddouli, N. (2022). Sentiment Analysis on Massive Open Online Courses (MOOCs): Multi-Factor analysis, and machine learning approach. International Journal of Information and Communication Technology Education (IJICTE), 18(1), 1-22. https://doi.org/10.4018/IJICTE.310004
Chen, B., Chang, Y.-H., Ouyang, F., y Zhou, W. (2018). Fostering student engagement in online discussion through social learning analytics. The Internet and Higher Education, 37, 21-30. https://doi.org/10.1016/j.iheduc.2017.12.002
Chen, X., Wang, F. L., Cheng, G., Chow, M.-K., y Xie, H. (2022). Understanding learners’ perception of MOOCs based on review data analysis using deep learning and sentiment analysis. Future Internet, 14(8), 218. https://doi.org/10.3390/fi14080218
Chen, F., y Chen, G. (2025). Learning analytics in inquiry-based learning: a systematic review. Education Technology Research and Development, 73, 2131–2161. https://doi.org/10.1007/s11423-025-10507-9
Cobo-Rendón, R., López-Angulo, Y., Sáez-Delgado, F., y Mella-Norambuena, J. (2024). Explorando el bienestar estudiantil: El impacto de la percepción de autonomía en estudiantes de Psicología. Revista de Ciencias Sociales (Ve), XXX(3), 569-582. https://doi.org/10.31876/rcs.v30i3.42696
Dalipi, F., Zdravkova, K., y Ahlgren, F. (2021). Sentiment analysis of students’ feedback in MOOCs: A systematic review. Frontiers in Artificial Intelligence, 4, 728708. https://doi.org/10.3389/frai.2021.728708
Dann, C., Redmond, P., Fanshawe, M., Brown, A., Getenet, S., Shaik, T., Tao, X., Galligan, L., y Li, Y. (2024). Making sense of student feedback and engagement using artificial intelligence. Australasian Journal of Educational Technology, 40(3), 58-76. https://doi.org/10.14742/ajet.8903
D’Mello, S. K., y Jensen, E. (2022). Emotional learning analytics. En C. Lang, A. F. Wise, A. Merceron, D. Gašević y G. Siemens (Eds.), Handbook of Learning Analytics (2.ª ed., pp. 120-129). SoLAR. Society for Learning Analytics Research. https://doi.org/10.18608/hla22.012
Fan, Y., Matcha, W., Uzir, N. A., Wang, Q., y Gašević, D. (2021). Learning analytics to reveal links between learning design and self-regulated learning. International Journal of Artificial Intelligence in Education, 31, 980-1021. https://doi.org/10.1007/s40593-021-00249-z
Ferguson, R., Clow, D., Griffiths, D., y Brasher, A. (2019). Moving forward with learning analytics: Expert views. Journal of Learning Analytics, 6(3), 43-59. https://doi.org/10.18608/jla.2019.63.8
Gašević, D., Dawson, S., y Siemens, G. (2015). Let’s not forget: Learning analytics are about learning. TechTrends, 59, 64-71. https://doi.org/10.1007/s11528-014-0822-x
Grimalt-Álvaro, C., y Usart, M. (2024). Sentiment analysis for formative assessment in higher education: A systematic literature review. Journal of Computing in Higher Education, 36(3), 647-682. https://doi.org/10.1007/s12528-023-09370-5
Hinojosa, C. A., Epiquién, M., y Morante, M. A. (2021). Entornos virtuales como herramienta de apoyo al sistema de aprendizaje contable: Un desarrollo necesario. Revista de Ciencias Sociales (Ve), XXVII(E-3), 64-75. https://doi.org/10.31876/rcs.v27i.36489
Ifenthaler, D., Gibson, D., Shimada, A., Yamada, M. (2021). Putting learning back into learning analytics: actions for policy makers, researchers, and practitioners. Educational Technology Research and Development, 69, 2131-2150. https://doi.org/10.1007/s11423-020-09909-8
Kerman, N. T., Banihashem, S. K., Karami, M., Er, E., Van Ginkel, S., y Noroozi, O. (2024). Online peer feedback in higher education: A synthesis of the literature. Education and Information Technologies, 29(7), 8279–8314. https://doi.org/10.1007/s10639-023-12273-8
Li, L., Jhonson, J., Aarhus, W., y Shah, D. (2022). Key factors in MOOC pedagogy based on NLP sentiment analysis of learner reviews: What makes a hit. Computers & Education, 176, 104354. https://doi.org/10.1016/j.compedu.2021.104354
Liu, Z., Tang, Q., Ouyang, F., Long, T., y Liu, S. (2024). Profiling students’ learning engagement in MOOC discussions to identify learning achievement: An automated configurational approach. Computers & Education, 219, 105109. https://doi.org/10.1016/j.compedu.2024.105109
Lo, C. K., Hew, K. F., y Jong, M. S.-Y. (2024). The influence of ChatGPT on student engagement: A systematic review and future research agenda. Computers & Education, 219, 105100. https://doi.org/10.1016/j.compedu.2024.105100
Mendoza, W. S., Díaz-Guecha, L. Y., Numa-Sanjuán, N., y Herrera, S. (2025). Inteligencia Artificial Generativa y sus consideraciones éticas en el derecho: Una valoración exploratoria sobre la práctica. Revista de Ciencias Sociales (Ve), XXXI(4), 206-222. https://doi.org/10.31876/rcs.v31i4.44848
Mirelle-Carmen, R., Eugen, G., Marian, O., y Bogdan, S. (2025). Ethical implications of artificial intelligence in higher education. Scientia Moralitas International Journal of Multidisciplinary Research, 10(1), 288-298. https://doi.org/10.5281/zenodo.16415327
Moon, J., McNeill, L., Edmonds, C. T., Banihashem, S. K., y Noroozi, O. (2024). Using learning analytics to explore peer learning patterns in asynchronous gamified environments. International Journal of Educational Technology in Higher Education, 21, 45. https://doi.org/10.1186/s41239-024-00476-z
Neha, y Kim, E. (2023). Designing effective discussion forum in MOOCs: Insights from learner perspectives. Frontiers in Education, 8, 1223409. https://doi.org/10.3389/feduc.2023.1223409
Nisha, y Kumar, R. (2024). Exploring sentiment and emotion analysis: a systematic review and future directions. International Journal of Electrical and Electronics Engineering, 11(12), 76-93, https://doi.org/10.14445/23488379/IJEEE-V11I12P107
Palancı, A., Yılmaz, R. M., y Turan, Z. (2024). Learning analytics in distance education: A systematic review study. Education and Information Technologies, 29, 22629–22650. https://doi.org/10.1007/s10639-024-12737-5
Papamitsiou, Z., y Economides, A. A. (2014). Learning analytics and educational data mining in practice: A systematic literature review of empirical evidence. Educational Technology & Society, 17(4), 49-64. https://www.jstor.org/stable/jeductechsoci.17.4.49
Peng, J.-E., y Jiang, Y. (2022). Mining opinions on LMOOCs: Sentiment and content analyses of Chinese students’ comments in discussion forums. System, 109, 102879. https://doi.org/10.1016/j.system.2022.102879
Peñalver-Higuera, M. J., Guerra-Castellanos, Y. B., Rodríguez, L. R., y López, R. D. P. (2024). Transformando la educación con Inteligencia Artificial: Hacia un aprendizaje personalizado en la Era 4.0. Revista de Ciencias Sociales (Ve), XXX(4)., 416-430. https://doi.org/10.31876/rcs.v30i4.43040
Ren, P., Yang, L., y Luo, F. (2023). Automatic scoring of student feedback for teaching evaluation based on aspect-level sentiment análisis. Education and Information Technologies, 28, 797-814. https://doi.org/10.1007/s10639-022-11151-z
Reychav, I., Raban, D. R., y McHaney, R. (2018). Centrality measures and academic achievement in computerized classroom social networks: an empirical investigation. Journal of Educational Computing Research, 56(4), 589-618. https://doi.org/10.1177/0735633117715749
Romero, C., y Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. WIREs Data Mining and Knowledge Discovery, 10(3), e1355. https://doi.org/10.1002/widm.1355
Saqr, M., Fors, U., Tedre, M., y Nouri, J. (2018). How social network analysis can be used to monitor online collaborative learning and guide an informed intervention. PLoS ONE, 13(3), e0194777. https://doi.org/10.1371/journal.pone.0194777
Saqr, M., Elmoazen, R., Tedre, M., López-Pernas, S., e Hirsto, L. (2022). How well centrality measures capture student achievement in computer-supported collaborative learning? - A systematic review and meta-analysis. Educational Research Review, 35, 100437. https://doi.org/10.1016/j.edurev.2022.100437
Shaik, T., Tao, X., Dann, C., Xie, H., Li, Y., y Galligan, L. (2023). Sentiment analysis and opinion mining on educational data: A survey. Natural Language Processing Journal, 2, 100003. https://doi.org/10.1016/j.nlp.2022.100003
Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380-1400. https://doi.org/10.1177/0002764213498851
Topali, P., Chounta, I.-A., Martínez-Monés, A., y Dimitriadis, Y. (2023). Delving into instructor-led feedback interventions informed by learning analytics in massive open online courses. Journal of Computer Assisted Learning, 39(4), 1039-1060. https://doi.org/10.1111/jcal.12799
Torres, G. A., Torres, J. M., y Pacheco, M. C. (2025). Inteligencia artificial generativa: Impactos y dilemas éticos en el ámbito educativo. Revista de Ciencias Sociales (Ve), XXXI(2), 535-543. https://doi.org/10.31876/rcs.v31i2.43784
Verbert, K., Duval, E., Klerkx, J., Govaerts, S., y Santos, J. L. (2013). Learning analytics dashboard applications. American Behavioral Scientist, 57(10), 1500-1509. https://doi.org/10.1177/0002764213479363
Verbert, K., Govaerts, S., Duval, E., Santos, J. L., Van Assche, F., Parra, G., y Klerkx, J. (2014). Learning dashboards: An overview and future research opportunities. Personal and Ubiquitous Computing, 18, 1499-1514. https://doi.org/10.1007/s00779-013-0751-2
Viberg, O., Hatakka, M., Bälter, O., y Mavroudi, A. (2018). The current landscape of learning analytics in higher education. Computers in Human Behavior, 89, 98-110. https://doi.org/10.1016/j.chb.2018.07.027
Wang, R., Cao, J., Xu, Y., y Li, Y. (2022). Learning engagement in massive open online courses A systematic review. Frontiers in Education, 7, 1074435. https://doi.org/10.3389/feduc.2022.1074435
Xie, Q., y Zhang, C. (2024). Online peer feedback via Moodle forum: Implications for longitudinal feedback design and feedback quality. Computers & Education, 223, 105167. https://doi.org/10.1016/j.compedu.2024.105167
Yassine, S., Kadry, S., y Sicilia, M.-Á. (2022). Detecting communities using social network analysis in online learning environments: A systematic review. WIREs: Data Mining and Knowledge Discovery, 12, e1431. https://doi.org/10.1002/widm.1431
Yee, M., Roy, A., Perdue, M., Cuevas, C., Quigley, K., Bell, A., Rungta, A., y Miyagawa, S. (2023). AI-assisted analysis of content, structure, and sentiment in MOOC fórums. Frontiers in Education, 8, 1250846. https://doi.org/10.3389/feduc.2023.1250846
Yu, J. (2025). Analyzing learning sentiments on a MOOC discussion forum through epistemic network analysis. International Review of Research in Open and Distributed Learning, 26(1), 197-215. https://doi.org/10.19173/irrodl.v26i1.7965
Zawacki-Richter, O., Marín, V. I., Bond, M., y Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education - Where are the educators? International Journal of Educational Technology in Higher Education, 16, 39. https://doi.org/10.1186/s41239-019-0171-0
Zou, D., Zhang, R., Xie, H., y Wang, F. L. (2021). Digital game-based learning of information literacy: Effects of gameplay modes on university students’ learning performance, motivation, self-efficacy and flow experiences. Australasian Journal of Educational Technology, 37(2), 152-170. https://doi.org/10.14742/ajet.6682