SCIÉNDO INGENIUM  
ISSN: 3084-7788 (En línea) Sci. Ingen. 22(2): 35-48, (2026)  
Machine Learning como Herramienta Pedagógica para Optimizar la  
Comprensión Lectora en Estudiantes de Primaria  
Machine Learning as a Pedagogical Tool to Optimize Reading  
Comprehension in Primary School Students  
Carlos Antonio Valderrama-Arévalo*  
Facultad de Arquitectura y Urbanismo, Ingenierías, Arte & Diseño, Universidad Particular de Chiclayo, Prolongación  
Avenida Juan Tomis Stack Nº 2777 – Ciudad Universitaria, Carretera Chiclayo - Pimentel, Perú.  
* Autor correspondiente: cvarevalo0111@gmail.com (C. Valderrama-Arévalo)  
DOI: 10.17268/scien.inge.2026.02.03  
RESUMEN  
Este estudio analizó el impacto del Machine Learning en la comprensión lectora de estudiantes de sexto gra-  
do de primaria de una institución pública en Monsefú, durante 2024. Se implementaron tres modelos predic-  
tivos desarrollados con AutoML, XAI y DataOps, orientados a identificar patrones y brindar apoyo pedagó-  
gico personalizado en los niveles literal, inferencial y crítico. El diseño fue explicativo, con enfoque cuantita-  
tivo y diseño cuasi experimental. Se aplicaron pretest y postest a dos grupos paralelos (experimental y control,  
n=40 cada uno), con instrumentos validados. En el grupo experimental, se observaron mejoras del 24,9% en  
la comprensión lectora (62,4% a 87,3%), mientras que, en sus dimensiones, del 20,5% en nivel literal (de  
63,8% a 84,3%), del 24% en el nivel inferencial (de 62,1% a 86,1%) y del 30,3% en el nivel crítico (de  
61,4% a 91,7%). Las pruebas de Wilcoxon y U de Man Whitney evidenciaron significancia estadística en los  
tres niveles evaluados (p < 0,05). El modelo predictivo 03 (test) enfocado en la recomendación personalizada  
de recursos pedagógicos según perfil de aprendizaje alcanzó precisión del 100%, exhaustividad del 100% y  
exactitud del 100%, determinando un R2 de 0,998, cual sustenta que el modelo explica correctamente a la  
comprensión lectora en todos sus niveles. Se concluye que el uso del Machine Learning mejora la compren-  
sión lectora en estudiantes de primaria y contribuye a la toma de decisiones pedagógicas fundamentadas en  
datos.  
Palabras clave: AutoML; comprensión lectora; XAI; DataOps; rendimiento académico.  
ABSTRACT  
This study analyzed the impact of machine learning on the reading comprehension of sixth-grade students at  
a public school in Monsefú in 2024. Three predictive models developed with AutoML, XAI, and DataOps  
were implemented, aimed at identifying patterns and providing personalized pedagogical support at the literal,  
inferential, and critical levels. The design was explanatory, with a quantitative approach and a quasi-  
experimental design. Pretests and posttests were administered to two parallel groups (experimental and con-  
trol, n=40 each), using validated instruments. In the experimental group, improvements of 24,9% were ob-  
served in reading comprehension (62,4% to 87,3%), while in its dimensions, there were improvements of  
20,5% at the literal level (from 63,8% to 84,3%), 24% at the inferential level (from 62,1% to 86,1%), and  
30,3% at the critical level (from 61,4% to 91,7%). The Wilcoxon and Mann-Whitney U tests showed statisti-  
cal significance in the three levels evaluated (p < 0,05). Predictive model 03 (test) achieved 100% precision,  
100% completeness, and 100% accuracy, determining an R2 of 0,998, which supports that the model cor-  
rectly explains reading comprehension at all levels. It is concluded that the use of machine learning improves  
reading comprehension in elementary school students and contributes to data-driven pedagogical decision-  
making.  
Keywords: AutoML; Reading comprehension; XAI; DataOps; Academic performance.  
1. INTRODUCCIÓN  
En el contexto actual, uno de los retos prioritarios en la educación pública es mejorar los niveles de compren-  
sión lectora de los estudiantes, una competencia esencial para el aprendizaje significativo. En el ámbito na-  
cional, el Ministerio de Educación ha reconocido la necesidad de diagnosticar y mejorar los aprendizajes de  
los estudiantes, particularmente en competencias como la comprensión lectora. Según el reporte técnico de la  
Fecha de envío: 29-07-2025 Fecha de aceptación: 05-05-2026  
Fecha de publicación: 25-06-2026  
Valderrama-Arévalo, C. revista Sciéndo Ingenium, v. 22, n. 2, pp. 35 – 48, 2026.  
ENLA 2024, se evaluaron niveles de logro en lectura en estudiantes de cuarto y sexto grado de primaria, bus-  
cando generar evidencia para tomar decisiones pedagógicas que contribuyan a la mejora educativa (Ministe-  
rio de Educación, 2024). Este panorama se replica en instituciones educativas públicas como la ubicada en el  
distrito de Monsefú, donde se detectaron limitaciones importantes en el desarrollo de habilidades lectoras, a  
pesar de los esfuerzos pedagógicos tradicionales. La necesidad de incorporar herramientas innovadoras que  
permitan diagnosticar, predecir y mejorar el rendimiento lector desde un enfoque automatizado se vuelve  
urgente. La Institución Educativa Pública de Monsefú, donde se desarrolló esta investigación, cuenta con el  
nivel de primaria, concentrando una población educativa que, según registros internos, enfrenta brechas en  
habilidades comunicativas y bajo rendimiento en comprensión de textos. A partir del diagnóstico institucio-  
nal y los registros del área académica, se evidenció que el 67% de los estudiantes presentaban un nivel bajo  
en comprensión lectora, lo que motivó la intervención a través de tecnología educativa con base científica.  
Diversos estudios han explorado el uso de la Inteligencia Artificial en educación. A nivel local, Pandal  
(2023) sugirió tácticas educativas respaldadas por tecnología para optimizar los procesos de enseñanza-  
aprendizaje, aunque sin incorporar modelos predictivos. Por su parte, Yaranga (2022) aplicó técnicas de Ma-  
chine Learning para procesos administrativos, logrando mejoras en eficiencia, pero sin vinculación directa  
con los aprendizajes de los estudiantes. A nivel nacional, Quipas (2021) aplicó modelos de ML en gestión  
documental con éxito, pero su enfoque fue netamente operativo. Contreras-Bravo et al. (2022), en un contex-  
to internacional, implementaron algoritmos como KNN y árboles de decisión para predecir el rendimiento  
académico universitario, obteniendo resultados con precisiones del 78% al 80%. Por su parte, Valero et al.  
(2022) aplicaron KNN logrando una precisión del 91% en predicción de deserción universitaria, sin conside-  
rar la integración del modelo en prácticas docentes. Estos trabajos resaltan el potencial del Machine Learning,  
pero no abordan directamente su influencia pedagógica ni su aplicabilidad en niveles educativos básicos co-  
mo la educación primaria. En contraste, la presente investigación se direcciona en una innovación educativa  
centrada en potenciar la comprensión lectora mediante el empleo de modelos de Machine Learning, bajo un  
enfoque AutoML para automatizar la selección del mejor modelo y ajustarlo a los datos educativos, así como  
XAI para garantizar la interpretabilidad de los resultados por parte de los docentes. Además, se incorpora un  
enfoque DataOps para gestionar adecuadamente el flujo de datos educativos y retroalimentar la práctica pe-  
dagógica con alertas y reportes individualizados.  
La investigación presenta como objetivo general: Analizar la influencia del Machine Learning en el proceso  
de aprendizaje en los alumnos de una institución educativa pública, Monsefú durante el 2024. Para ello, se  
plantearon tres objetivos específicos: Evaluar como el uso de la técnica del Machine Learning contribuye a la  
mejora de comprensión lectora en los estudiantes, midiendo su progreso en los niveles literal, inferencial y  
crítico; analizar el impacto de estas herramientas en la identificación de patrones de aprendizaje que permitan  
predecir el rendimiento académico en comprensión lectora; y, comparar el desempeño de los alumnos antes y  
después de aplicar modelos predictivos desarrollados mediante AutoML, poniendo especialmente énfasis en  
las habilidades inferenciales y criticas asociadas al proceso de comprensión textual.  
Figura 1. Modelo conceptual de la propuesta  
36  
Valderrama-Arévalo, C. revista Sciéndo Ingenium, v. 22, n. 2, pp. 35 – 48, 2026.  
2. METODOLOGÍA  
2.1 Materiales  
a) Población:  
La población estudiada estuvo compuesta por los 799 alumnos matriculados del primer al sexto grado de  
primaria de la institución educativa “Santiago Bartolomé Burga Gonzales” durante el año 2024 y los 24 do-  
centes que laboran en la institución en mención.  
b) Muestra:  
La muestra estuvo conformada por 80 estudiantes de sexto año de primaria de la I.E. “Santiago Bartolomé  
Burga Gonzales” de Monsefú, seleccionados mediante muestreo estratificado proporcional a partir de un total  
de 141 estudiantes distribuidos en cuatro secciones. Se dividió intencionalmente en dos grupos: experimental  
(n=40) y control (n=40), con la siguiente distribución por grupo: sección A (8), B (11), C (10) y D (11) estu-  
diantes. Además, participaron los 24 docentes de la institución. El sexto grado fue elegido por su mayor ma-  
durez y disposición. Esta organización permitió aplicar los modelos de Machine Learning únicamente al gru-  
po experimental y comparar sus resultados con el grupo control, garantizando la validez del diseño cuasi ex-  
perimental. La asignación de los participantes se realizó mediante un muestreo no probabilístico de tipo in-  
tencional, considerando criterios de accesibilidad y organización institucional. No obstante, se aplicaron  
pruebas estadísticas para verificar la equivalencia inicial entre los grupos, garantizando su comparabilidad  
dentro del diseño cuasi experimental.  
c) Instrumentos:  
Para la recolección de información se utilizaron sistemas de gestión de aprendizaje como Google Classroom,  
registros académicos institucionales y test digitales aplicados mediante formularios en Google Forms a estu-  
diantes y docentes (Ríos et al., 2023; Berrú et al., 2025). También se emplearon herramientas de seguimiento  
como el API de Google Classroom, Time on Task y Activity Logs, lo cual permitió analizar indicadores co-  
mo el tiempo de conexión, participación en actividades y frecuencia de accesos (Benavides & Zambrano-  
Ramírez, 2023). El instrumento principal para evaluar la comprensión lectora estuvo conformado por un test  
estructurado de 20 ítems de opción múltiple, diseñado para medir tres dimensiones: nivel literal (6 ítems),  
nivel inferencial (7 ítems) y nivel crítico (7 ítems). Los ítems fueron elaborados considerando indicadores  
específicos de cada dimensión, tales como identificación de información explícita (nivel literal), interpreta-  
ción de significados implícitos (nivel inferencial) y valoración crítica del contenido (nivel crítico). Cada ítem  
presentó cuatro alternativas de respuesta, con una única opción correcta. Asimismo, se aplicaron instrumen-  
tos pedagógicos estructurados para evaluar los grados de entendimiento lector (literal, inferencial y crítico),  
entre ellos: presentaciones orales, entrevistas, lecturas compartidas, resúmenes y redacción de textos (Duche  
et al., 2022; Gonzales, 2023). Estos instrumentos fueron validados con juicio de expertos (n=3) y prueba pi-  
loto, asegurando su confiabilidad a través del Coeficiente Alpha de Cronbach de 0,814 lo que evidencia una  
alta consistencia interna. Los resultados obtenidos se transformaron en datos estructurados y fueron utilizados  
como entrada para el modelo automatizado de Machine Learning, permitiendo identificar patrones, clasificar  
niveles y anticipar dificultades lectoras (Pandal, 2023; Contreras-Bravo et al., 2022). Esta integración tam-  
bién consideró factores contextuales como el compromiso del estudiante, hábitos de estudio y desempeño  
académico, fortaleciendo la precisión predictiva del sistema desarrollado (Valero et al., 2022; Yaranga, 2022).  
Tabla 1. Correspondencia entre niveles de comprensión lectora y variables utilizadas por los modelos de ML.  
Nivel de Comprensión  
Lectora  
Parámetros Analizados por el  
Instrumento de Evaluación  
Modelo  
Puntajes, clasificación del nivel (bajo, me-  
dio, alto)  
Presentación oral, entrevistas, narración de  
anécdotas  
Literal  
Respuestas orales a preguntas del docente  
Errores frecuentes, tiempo de respuesta  
Lectura en voz alta, lectura compartida,  
cuestionario de opción múltiple  
Patrones de acierto/error, tiempos de res-  
puesta  
Literal /  
Inferencial  
Resumen y análisis de textos  
Puntajes, evolución pretest, postest  
Redacción de cartas o descripciones  
Errores frecuentes, clasificación por nivel  
Crítico /  
Literal  
Evolución entre evaluaciones, análisis críti-  
co textual  
Creación de cuentos y comentarios críticos  
37  
Valderrama-Arévalo, C. revista Sciéndo Ingenium, v. 22, n. 2, pp. 35 – 48, 2026.  
Tabla 2. Variables contextuales educativas aplicadas al entrenamiento del modelo predictivo  
Parámetro de Contexto  
Educativo Digital  
Compromiso y  
Participación  
Historial y Desempeño  
Académico  
Hábitos de Estudio en  
Línea  
Interacción Social y  
Pedagógica  
Parámetro ML Asociado  
Clasificación sugerida  
Compromiso y participación  
Historial y rendimiento académico  
Esfuerzo y hábitos digitales  
Interacción educativa  
Asistencia (%), Participación en actividades  
(%), Tareas (%)  
Calificaciones, tiempos de  
entrega, intentos, respuestas  
Tiempo en plataforma, número de accesos,  
horarios de estudio  
Participación en foros y colaboraciones  
2.2 Procedimientos  
a) Fase de entrenamiento y prueba del modelo  
El diseño de la propuesta se estructuró en dos etapas: entrenamiento y prueba del modelo. En la fase de en-  
trenamiento, se recopilaron datos académicos y de interacción digital de los estudiantes, los cuales fueron pre  
procesados, seleccionados y utilizados para entrenar modelos de aprendizaje automático (AutoML) (Guzman,  
2022; Salehin et al., 2023). Estos modelos fueron diseñados para identificar patrones en los niveles de enten-  
dimiento lector (literal, inferencial y crítico), empleando como insumos los resultados de evaluaciones peda-  
gógicas y parámetros del entorno educativo digital (Lara, 2022; Pandal, 2023). Durante la fase de prueba, el  
modelo entrenado fue aplicado sobre nuevos datos recopilados del grupo experimental, con el fin de predecir  
el nivel de entendimiento lector de cada estudiante. Los resultados fueron interpretados mediante técnicas de  
inteligencia artificial explicable (XAI), lo que permitió traducir las salidas del modelo en alertas comprensi-  
bles para los docentes, orientando así la toma de decisiones pedagógicas diferenciadas (Fannouch et al.,  
2025; Liu et al., 2024). El desarrollo de los modelos de Machine Learning se realizó mediante la plataforma  
H2O.ai, empleando su módulo AutoML para automatizar la selección, entrenamiento y optimización de mo-  
delos supervisados. El proceso incluyó las etapas de preprocesamiento de datos, selección de variables, en-  
trenamiento, validación y evaluación. Se evaluaron múltiples algoritmos, incluyendo Gradient Boosting Ma-  
chines, Random Forest, redes neuronales profundas y modelos lineales generalizados, así como modelos en-  
samblados tipo Stacked Ensemble. La selección del modelo óptimo se realizó en función de métricas de  
desempeño como accuracy, precision, recall y logloss. Para evitar problemas de sobreajuste (overfitting), se  
emplearon técnicas de validación cruzada (k-fold cross-validation) durante el entrenamiento, así como la se-  
paración de los datos en conjuntos independientes de entrenamiento y prueba. Asimismo, se implementaron  
mecanismos de control para evitar fuga de datos (data leakage), asegurando que la información del conjunto  
de prueba no influya en el proceso de entrenamiento. La interpretabilidad del modelo se abordó mediante  
técnicas de Inteligencia Artificial Explicable (XAI), permitiendo identificar la importancia relativa de las  
variables y facilitar la comprensión de los resultados por parte de los docentes.  
Figura 2. Diagrama deflujo de la propuesta  
b) Aplicación del modelo en el entorno educativo  
La implementación de la propuesta se basó en una arquitectura digital distribuida que integró plataformas  
educativas, procesamiento automatizado de datos y técnicas de aprendizaje automático explicable (Fannouch  
et al., 2025; Tamburri et al., 2021). La recolección de información se realizó a través de Google Classroom y  
Google Forms, cuyas evidencias académicas fueron almacenadas en un servidor de base de datos institucio-  
38  
Valderrama-Arévalo, C. revista Sciéndo Ingenium, v. 22, n. 2, pp. 35 – 48, 2026.  
nal (Ríos et al., 2023; Rodríguez, 2023). El procesamiento de los datos fue gestionado mediante un módulo  
DataOps, el cual automatizó las tareas de limpieza, transformación y acondicionamiento de los datos para su  
es análisis (Salehin et al., 2023). Posteriormente, el módulo AutoML se encargó del entrenamiento de los  
modelos predictivos, orientados a clasificar el grado de entendimiento lector de los alumnos en los aspectos  
literal, inferencial y crítica mediante la plataforma H2O.ai que facilita la creación, evaluación y optimización  
del modelo (Guzman, 2022; Orrego et al., 2025). Los resultados generados por AutoML fueron interpretados  
por un componente de Inteligencia Artificial Explicable (XAI), que tradujo las predicciones en explicaciones  
comprensibles para los docentes, facilitando la toma de decisiones pedagógicas fundamentadas (Liu et al.,  
2024). Finalmente, estas interpretaciones fueron comunicadas mediante visualizaciones accesibles, permi-  
tiendo adaptar estrategias educativas según las necesidades particulares de cada alumno (Valero et al., 2022).  
Figura 3. Diagrama de despliegue de la propuesta  
Los modelos predictivos fueron desarrollados mediante la plataforma H2O.ai, utilizando su módulo AutoML  
para automatizar la generación, entrenamiento y selección de modelos supervisados de clasificación. Durante  
este proceso se evaluaron múltiples familias algorítmicas, incluyendo Gradient Boosting Machines, Random  
Forest, redes neuronales profundas y Generalized Linear Models, así como modelos ensamblados del tipo  
Stacked Ensemble, seleccionados mediante validación cruzada interna. Para reducir el riesgo de sobreajuste y  
evitar fuga de datos, el aprendizaje se realizó sobre conjuntos diferenciados de entrenamiento (80%) y prueba  
(20%), siguiendo practicas estándar en aprendizaje automático para garantizar una adecuada capacidad de  
generalización del modelo, adicionalmente, se aplicó validación cruzada durante el proceso de entrenamiento,  
lo que permitió evaluar la estabilidad del modelo y reducir el riesgo de sobreajuste. La interpretabilidad del  
sistema se abordó mediante técnicas de Inteligencia Artificial Explicable (XAI) basadas en la importancia  
global de las variables predictoras, funcionalidad provista de forma nativa por H2O AutoML. Las explicacio-  
nes generadas por el componente XAI permitieron identificar los factores educativos con mayor influencia en  
las predicciones, los cuales fueron integrados en reportes pedagógicos utilizados por los docentes para priori-  
zar dimensiones lectoras, aplicar intervenciones diferenciadas y ajustar estrategias de enseñanza, tales como  
refuerzo focalizado, tutorías anticipadas y adaptación de materiales según el perfil de aprendizaje del estu-  
diante.  
c) Intervención docente basada en resultados de los modelos ML  
Tabla 3. Estrategias pedagógicas empleadas por el docente durante el proceso de intervención  
Modelo ML  
Vinculado  
Estrategia  
Pedagógica  
Acciones  
Especificas  
Descripción  
-
-
-
Materiales adecuados  
para cada grupo  
Metas específicas por  
Organización de estudian-  
Modelo 01: Clasificación tes según los niveles: lite-  
del nivel de comprensión ral, inferencial crítico.  
Agrupamiento por niveles  
de comprensión lectora  
nivel  
lectora  
Permitiendo adaptar mate-  
riales, metas y tiempos.  
Optimización del tiem-  
po docente  
-
-
-
Activades domiciliarias  
Fichas de seguimiento  
Identifica causas del bajo  
rendimiento lector a partir  
Modelo 02: análisis de de variables como asisten-  
Intervención personalizada  
según factor de riesgo  
Apoyo emocional  
y
motivacional  
factores que influyen en el cia, participación, y hábi-  
rendimiento  
tos de estudio, permitiendo  
-
-
-
Equipos equilibrados  
Lectura guiada  
Espacios de metacogni-  
Trabajo colaborativo entre  
pares  
intervenciones  
específicas.  
docentes  
39  
Valderrama-Arévalo, C. revista Sciéndo Ingenium, v. 22, n. 2, pp. 35 – 48, 2026.  
ción.  
Anticipa posibles bajas en  
comprensión lectora antes  
Modelo 03: predicción de las evaluaciones, facili- Prevención y anticipación  
-
-
Tutorías anticipadas  
Textos complementa-  
rios  
anticipada del rendimiento  
tando acciones preventivas del bajo rendimiento  
como refuerzo, tutorías y  
-
Sesiones  
según proyección del  
adaptadas  
ajustes pedagógicos.  
rendimiento  
-
-
-
Rediseño de activida-  
des  
Priorización de dimen-  
siones lectoras  
Implementación inme-  
diata de mejoras  
Revisión de ajustes sema-  
nal de estrategias docentes  
Monitoreo continuo con  
según los reportes genera-  
ajustes semanales  
Modelo 01, 02, 03  
dos por los modelos pre-  
dictivos.  
2.3 Métodos y técnicas  
a) Métodos  
El estudio adoptó un diseño cuasi experimental con grupo control no equivalente, con el propósito de evaluar  
el efecto de la intervención basada en modelos de Machine Learning sobre la comprensión lectora. La mues-  
tra estuvo conformada por dos grupos de estudiantes de sexto grado: un grupo experimental (n = 40), al que  
se le aplicó la intervención, y un grupo control (n = 40), que continuó con la enseñanza tradicional. La selec-  
ción fue de tipo no probabilística intencional, respetando la organización natural de las secciones académicas.  
Dado que la asignación no fue aleatoria, se verificó la equivalencia inicial entre ambos grupos mediante la  
prueba no paramétrica U de Mann-Whitney aplicada al pretest de comprensión lectora. Los resultados evi-  
denciaron que no existen diferencias estadísticamente significativas (U = 805; p = 0,961 > 0,05), lo que per-  
mite asumir condiciones iniciales homogéneas. El procedimiento incluyó la aplicación de un pretest, la inter-  
vención mediante modelos de Machine Learning en el grupo experimental y, finalmente, la aplicación de un  
postest en ambos grupos. Las diferencias fueron analizadas mediante pruebas estadísticas no paramétricas, lo  
que permitió determinar el efecto de la intervención sobre la comprensión lectora.  
Tabla 4. Equivalencia inicial entre Grupo Experimental y Control (PreTest)  
Grupo  
Experimental  
Control  
N
40  
40  
Media  
12,47  
12,27  
Desv. Est.  
2,34  
U de Mann-Whitney  
Valor P  
0,961  
805  
3,25  
El grupo control cumplió la función de línea base comparativa, permitiendo evaluar el efecto real de la inter-  
vención basada en Machine Learning. Mientras el grupo experimental fue intervenido con modelos predicti-  
vos y estrategias pedagógicas personalizadas, el grupo control continuó con metodologías tradicionales de  
enseñanza. La comparación entre ambos grupos en el postest permitió aislar el efecto de la intervención, evi-  
denciando diferencias significativas atribuibles al uso del modelo predictivo, lo que fortalece la validez del  
estudio.  
b) Técnicas  
Como técnica se utilizó la encuesta considerando como instrumento el cuestionario digital en escala tipo Li-  
kert; para la primera variable estuvo direccionado a medir la estandarización (04 ítems) y funcionalidad (10  
ítems) del modelo de machine learning, llevado a un proceso de confiabilidad mediante alfa de Cronbach,  
que obtuvo una consistencia interna de 0,814 y 0,750 para estandarización y funcionalidad del modelo res-  
pectivamente. Asimismo, se trabajaron con un test compuesto por 20 ítems que evaluaron la comprensión  
lectora con escala de respuestas múltiples en sus dimensiones literal compuesto por 06 ítems, inferencial  
compuesto por 7 ítems, y crítico compuesto por 07 ítems que evaluaron la variable antes y después de la in-  
tervención tanto en el grupo control como grupo experimento. Ambos instrumentos pasaron por un proceso  
de validez mediante criterio de jueces expertos, que fueron tres profesionales experimentados y conocedores  
del tema de interés, dejando concordancia y aceptabilidad de los cuestionarios. Se utilizaron registros acadé-  
micos para obtener información relevante sobre el desempeño de los estudiantes y el contexto de aprendizaje.  
Se emplearon técnicas de monitoreo digital a través de plataformas como Google Classroom para observar la  
participación e interacción de los estudiantes en las actividades virtuales. Asimismo, los resultados se proce-  
saron mediante modelos entrenados con AutoML y se compararon con los del grupo de control para verificar  
la mejora en los niveles literal, inferencial y crítico.  
2.4 Aspectos éticos  
40  
Valderrama-Arévalo, C. revista Sciéndo Ingenium, v. 22, n. 2, pp. 35 – 48, 2026.  
La investigación consideró al consentimiento informado, donde se abordó la libre y voluntaria participación  
dando a conocer el propósito del estudio a los participantes, la instrucción o procedimientos, así como los  
riesgos y beneficios del estudio, asimismo, se informa sobre la opción de retirarse en cualquier momento sin  
consecuencias adversas. Asimismo, se tuvo la confiabilidad y anonimato, buscando proteger la identidad de  
los participantes, por ende, se incurre al anonimato. También se consideró los derechos del autor y citación,  
siguiendo los procesos de referenciación a autores para no incurrir a la similitud con otros estudios. Por últi-  
mo, se aplicó la transparencia y honestidad, el cual permite evitar sesgos y definir limitaciones del estudio,  
expresando hallazgos de forma honesta.  
3. RESULTADOS Y DISCUSIÓN  
El estudio desarrolla estadística descriptiva e inferencial, que expone hallazgos que genera inferencial pero  
que ante las limitaciones se restringe la posibilidad de generalizar los resultados a poblaciones escolares más  
amplias o con características socioeducativas distintas; pues se desarrolló en una única institución educativa y  
con una muestra relativamente pequeña, lo que limita la extrapolación de los resultados a otros contextos  
educativos con diferentes realidades tecnológicas, pedagógicas o culturales. Asimismo, ante la estadística  
inferencial, existe la posibilidad de sobreajuste (overfitting), dado el volumen limitado de datos y la alta ho-  
mogeneidad de la población evaluada. Esta situación, si bien no invalida los resultados obtenidos, sugiere la  
necesidad de validaciones externas con conjuntos de datos más amplios y heterogéneos. Otra limitación se  
vincula al tiempo de intervención, el cual se desarrolló en un periodo relativamente corto.  
3.1 Análisis descriptivo de los resultados  
Los resultados descriptivos evidencian un progreso significativo en la comprensión lectora del grupo experi-  
mental tras la implementación del modelo predictivo basado en Machine Learning. En la tabla 5, se observa  
que los estudiantes lograron el 91,7% de aciertos en el nivel crítico, 86,1% en nivel inferencial, y el 84,3% en  
nivel literal, con incrementos de 30,3%, 24% y 20,5% respectivamente respecto al pretest. En el nivel global  
en la comprensión lectora se obtuvo aciertos en el 87,3%, ocasionando un incremento del 24,9%.  
Tabla 5. Comparación pretest y postest del grupo experimental en niveles de comprensión  
Variable/dimensión  
Comprensión lectora  
Literal  
Promedio pretest (%)  
Promedio postest (%)  
Diferencia (%)  
24,9%  
62,4%  
63,8%  
62,1%  
61,4%  
87,3%  
84,3%  
86,1%  
91,7%  
20,5%  
24%  
30,3%  
Inferencial  
Crítico  
Estos hallazgos coinciden con lo reportado por Guzman (2022), quien destacó que el uso de técnicas de Ma-  
chine Learning permite identificar patrones de desempeño estudiantil y aplicar intervenciones más eficaces  
en etapas tempranas del aprendizaje. Sin embargo, a diferencia de su estudio enfocado en adquisiciones tec-  
nológicas, el presente trabajo logró mejoras específicas en procesos cognitivos, como la comprensión literal e  
inferencial. La Tabla 6 presenta los resultados del grupo control, donde las mejoras fueron más reducidas:  
20,8% en comprensión literal, 18,3% en inferencial y 19,7% en crítico. Esto sugiere que, sin la intervención  
tecnológica, el aprendizaje se desarrolló de forma más lineal y dependiente de métodos tradicionales.  
Tabla 6. Comparación pretest y postest del grupo control en niveles de comprensión  
Variable/dimensión  
Comprensión lectora  
Literal  
Promedio pretest (%)  
Promedio postest (%)  
Diferencia (%)  
19,6%  
61,5%  
64,2%  
59,6%  
60,7%  
81,1%  
85,0%  
77,9%  
80,4%  
20,8%  
18,3%  
19,7%  
Inferencial  
Crítico  
En contraste con lo obtenido por Pandal (2023), quien alcanzó mejoras menores al 10% en procesos de auto-  
rregulación académica utilizando ML en contextos preuniversitarios, el presente estudio logró avances del  
doble e incluso el triple en estudiantes de educación básica, lo que demuestra una mayor efectividad del mo-  
delo en niveles escolares cuando se combina con estrategias pedagógicas dirigidas. La diferencia entre los  
grupos experimental y control se evidencia con claridad en la Tabla 7, donde se comparan los promedios del  
postest. El grupo experimental superó al grupo control en 6,2 puntos en comprensión lectora, en cuanto al  
nivel literal se obtuvo 0,7 puntos, 8,2 en inferencial y 11,3 en crítico, confirmando que el modelo no solo  
mejora resultados individuales, sino que produce efectos colectivos significativos.  
41  
Valderrama-Arévalo, C. revista Sciéndo Ingenium, v. 22, n. 2, pp. 35 – 48, 2026.  
Tabla 7. Comparación pretest y postest del grupo control en niveles de comprensión  
Promedio Postest (%)  
G. Experimental  
87,3%  
Promedio Postest (%)  
G. Control  
81,1%  
Variable/dimensión  
Diferencia (%)  
Comprensión lectora  
Literal  
6,2%  
0,7%  
8,2%  
11,3%  
84,3%  
86,1%  
91,7%  
85,0%  
77,9%  
80,4%  
Inferencial  
Crítico  
Este comportamiento es coherente con lo planteado por Valero et al. (2022), quienes validaron que los mode-  
los de predicción académica pueden diferenciar con alta precisión a los estudiantes en riesgo de bajo rendi-  
miento. En su caso, se enfocaron en la deserción universitaria; sin embargo, en este estudio se trasladó esa  
capacidad predictiva al campo lector, obteniendo mejoras efectivas en el rendimiento cognitivo, especialmen-  
te en los niveles literal e inferencial. Por su parte, Benavides y Zambrano-Ramírez (2023) resaltaron que el  
uso de tecnología adaptativa para comprensión lectora logra mejores resultados cuando está integrada a la  
experiencia educativa del estudiante. Lo observado en esta investigación refuerza la afirmación, ya que la  
combinación del modelo predictivo con el entorno Google Classroom permitió personalizar el acompaña  
miento pedagógico según los datos obtenidos en tiempo real.  
La tabla 8 muestra la estandarización y funcionalidad del modelo, destacando que el 58,3% de los docentes  
calificaron la precisión como "Alta", mientras que un 41,7% la calificaron como "Muy Alta", lo que indica  
una percepción generalizada de que el modelo tuvo un rendimiento confiable y efectivo en sus predicciones;  
asimismo, los docentes percibieron la exactitud del modelo de Machine Learning de manera favorable  
(54,2%) percibieron nivel "Muy Alta" y un 45,8% como "Alta". La distribución de frecuencias de la exhaus-  
tividad del modelo de Machine Learning para evaluar la capacidad del modelo para identificar correctamente  
todos los casos relevantes (verdaderos positivos), el 54,2% de los docentes calificaron la exhaustividad como  
"Muy Alta" y un 45,8% como "Alta”. Respecto al desempeño del modelo, que refleja la efectividad global  
del modelo en su capacidad para predecir y clasificar el rendimiento académico de los estudiantes, el 45,8%  
evaluaron como "Muy Alta", mientras que un 54,2% lo calificaron como "Alta".  
Asimismo, se muestra la personalización del contenido educativo, donde se encontró que el 33,3% calificó  
como muy alta y el 66,7% como alta. En relación con la identificación y apoyo a estudiantes con necesidades  
específicas, según las respuestas docentes, se encontró que, el 29,2% de los docentes calificó esta dimensión  
como muy alta, mientras que el 70,8% la consideró alta. En cuanto a la eficiencia de la enseñanza y el segui-  
miento del modelo, según la percepción de los docentes, el 33,3% calificó esta dimensión como muy alta,  
mientras que el 66,7% la consideró alta. Respecto al impacto del modelo en la motivación y participación de  
los estudiantes, el 45,8% calificó este impacto como muy alto, mientras que el 54,2% lo consideró alto, espe-  
cificando que los docentes perciben un efecto claramente positivo del modelo en la implicancia activa de los  
estudiantes en el proceso de aprendizaje, destacando su capacidad para incentivar el interés, la participación y  
el compromiso en el aula. En cuanto a los resultados generales sobre la personalización y la enseñanza, el  
45,8% calificó estos resultados como muy altos y el 54,2% como altos, reflejando que el modelo no solo lo-  
gró personalizar el proceso educativo de forma efectiva, sino que también fue percibido como una herramien-  
ta de alto impacto en la calidad de la enseñanza, consolidando su funcionalidad desde una perspectiva inte-  
gral.  
Tabla 8. Estandarización y funcionalidad del modelo  
Alta  
Muy alta  
fi  
fi  
%
%
Variable/dimensión  
Estandarización  
Precisión  
14  
11  
11  
13  
58,3  
45,8  
45,8  
54,2  
10  
13  
13  
11  
41,7  
54,2  
54,2  
45,8  
Exactitud  
Exhaustividad  
Desempeño  
Funcionalidad  
Personalización  
16  
66,7  
8
33,3  
42  
Valderrama-Arévalo, C. revista Sciéndo Ingenium, v. 22, n. 2, pp. 35 – 48, 2026.  
Identificación y apoyo a estudiantes con necesidades es-  
pecíficas  
17  
16  
13  
70,8  
66,7  
54,2  
7
8
29,2  
33,3  
45,8  
Eficiencia de la enseñanza y seguimiento  
Impacto de la motivación y participación de los estudian-  
tes  
11  
Resultados generales sobre la personalización y la ense-  
ñanza  
13  
54,2  
11  
45,8  
3.2 Análisis inferencial de los resultados  
Normalidad  
Para conocer la prueba estadística a utilizar, se procedió a determinar normalidad de los datos, considerando  
que la muestra fue de 40 participantes, se eligió la prueba de Shapiro Wilk por ser más robusta en determinar  
distribución normal cuando la muestra es menor a 50 participantes. Se evidenció que la variable y dimensio-  
nes obtuvieron significancia de 0,000, criterio que argumenta que no existe una distribución normal, por en-  
de, para conocer si existe impacto de la herramienta machine learning en la comprensión lectora, se debe  
aplicar una prueba no paramétrica como la prueba de Wilcoxon, que es robusta para identificar diferencias de  
medias.  
Tabla 9. Pruebas de normalidad  
Shapiro-Wilk  
Estadístico  
0,743  
gl  
Sig.  
Comprensión lectora pretest experimental  
Comprensión lectora postest experimental  
Comprensión lectora pretest control  
Comprensión lectora postest control  
40  
40  
40  
40  
0,000  
0,000  
0,000  
0,000  
0,594  
0,821  
0,780  
Para validar estadísticamente los avances en comprensión lectora, se aplicaron pruebas de Wilconxon para  
muestras relacionadas. En la Tabla 9, se observa que el grupo experimental obtuvo valores significativos en  
los niveles de comprensión lectora (p<0,05); literal, inferencial y crítico con valores de significancia menores  
incluso hasta el 0,01, con un nivel de confianza del 95%. Esto confirma que la mejora tras la intervención con  
el modelo predictivo no fue producto del azar, sino del impacto directo de la herramienta basada en Machine  
Learning. Este hallazgo se alinea parcialmente con lo planteado por Contreas-Bravo et al. (2022), quienes  
aplicaron algoritmos supervisados como KNN y árboles de decisión para predecir el rendimiento académico  
en estudiantes universitarios. Si bien su estudio no incluyó validación estadística mediante Wilcoxon, sus  
modelos lograron niveles de precisión entre el 78% y 80%, demostrando la efectividad del aprendizaje auto-  
mático en contextos educativos. A diferencia de su enfoque, esta investigación incorpora AutoML para au-  
tomatizar la selección de modelos y XAI para facilitar la interpretabilidad pedagógica, adaptando la solución  
a un entorno escolar con estudiantes de primaria.  
Tabla 10. Prueba de Wilcoxon de comparación de medias entre pretest y postest en el grupo experimental  
Variable / dimensión  
Comprensión lectora  
Literal  
Inferencial  
Crítico  
Diferencia de medias  
Error estándar  
±0,158  
Significancia (p<0,05)  
-2,00  
-2,00  
-1,50  
-2,00  
Si  
Si  
Si  
Si  
±0,166  
±0,138  
±0,141  
La Tabla 10 muestra los resultados del grupo control, que no alcanzaron valores significativos según la prue-  
ba Wilcoxon, encontrando diferencias en el literal, inferencial y crítico (p<0,01). Aunque las mejoras son  
válidas, estas diferencias sugieren un progreso más moderado, atribuible a factores pedagógicos tradicionales  
y no al uso de tecnología inteligente.  
Tabla 11. Prueba U de Mann Whitney de comparación de medias entre pretest y postest en el grupo control  
Variable / dimensión  
Comprensión lectora  
Literal  
Diferencia de medias  
Error estándar  
±0,123  
Significancia (p<0,05)  
-1,00  
-1,50  
Si  
Si  
±0,156  
43  
Valderrama-Arévalo, C. revista Sciéndo Ingenium, v. 22, n. 2, pp. 35 – 48, 2026.  
Inferencial  
Crítico  
-1,50  
-1,50  
±0,137  
±0,112  
Si  
Si  
Al comparar estos resultados con los de Gonzales (2023), quien logró avances en comprensión lectora me-  
diante una estrategia didáctica convencional, se observa que el presente estudio obtuvo resultados similares  
en el grupo control. Sin embargo, la superioridad del grupo experimental evidencia que la integración del ML  
potencia significativamente la efectividad de las estrategias docentes. La diferencia entre ambos grupos en el  
postest se confirma en la Tabla 11, donde la prueba U de Mann Whitney para muestras independientes arrojó  
valores de U = 164,5 para la comprensión lectora, U=191,5 para nivel literal, U = 185,0 para nivel inferencial  
y U = 88,5 para nivel crítico, todos por encima del valor crítico de ±1,9908. Esta diferencia significativa entre  
el grupo que recibió la intervención y el que no, reafirma el impacto positivo de los modelos predictivos en el  
desarrollo lector, especialmente en habilidades inferenciales.  
3.1 Análisis de modelos predictivos de machine learning  
El análisis de los modelos predictivos desarrollados mediante técnicas de AutoML evidenció un desempeño  
consistente en relación con los objetivos del estudio. Para ello, el conjunto de datos fue dividido en un 80%  
para entrenamiento y un 20% para prueba, seleccionados de manera aleatoria, lo que permitió evaluar la ca-  
pacidad predictiva en datos no observados. Asimismo, se emplearon mecanismos de validación interna, in-  
cluyendo validación cruzada y optimización automática de hiperparámetros, con el fin de mejorar la estabili-  
dad de los modelos y reducir el riesgo de sobreajuste. Como resultado de este proceso, se obtuvieron métricas  
de desempeño más estables y generalizables, fortaleciendo la capacidad predictiva de los modelos en el con-  
texto educativo analizado. En la Tabla 12 se presentan las métricas del Modelo 01, orientado a la clasifica-  
ción multinivel de los niveles de comprensión lectora. El modelo alcanzó una exactitud del 91%, una preci-  
sión de 90% y un coeficiente de determinación de 0,90, lo que evidencia un alto desempeño en la clasifica-  
ción de los niveles literal, inferencial y crítico. Estos resultados reflejan una adecuada capacidad del modelo  
para identificar patrones en los datos, manteniendo un buen equilibrio entre precisión y generalización dentro  
del contexto del estudio.  
Tabla 12. Desempeño del Modelo 01: Clasificación multinivel aplicada al seguimiento educativo  
Métrica  
Exactitud (Accuracy)  
Precisión (Precision)  
Exhaustividad (Recall)  
Error promedio por clase  
LogLoss  
Valor  
0,91  
0,90  
0,89  
0,00094  
0,00644  
0,03514  
0,001235  
0,90  
RMSE  
MSE  
R2  
Este comportamiento se asemeja a los resultados obtenidos por Valero et al. (2022), quienes lograron una  
precisión del 91% al predecir la deserción universitaria utilizando algoritmos supervisados. Sin embargo, el  
modelo actual supera ese desempeño al aplicar una arquitectura automatizada (AutoML), adaptada a datos de  
educación primaria y contextualizada mediante parámetros digitales de seguimiento educativo, lo que lo hace  
más versátil y aplicable pedagógicamente. En contraste, el Modelo 02, basado en series temporales para la  
predicción de tendencias, presentó un rendimiento moderado. Según la Tabla 13, alcanzó una exactitud de  
65% y un coeficiente de determinación de 0,40, lo que refleja una capacidad predictiva acorde a la variabili-  
dad del comportamiento lector en el tiempo. Estos resultados son consistentes con la naturaleza de los mode-  
los de series temporales en contextos educativos, donde la influencia de múltiples factores limita la precisión  
de las predicciones.  
Tabla 13. Evaluación del Modelo 02: Predicción de tendencias educativas mediante series temporales  
Métrica  
Exactitud (Accuracy)  
Precisión (promedio)  
Exhaustividad (Recall)  
Error promedio por clase  
LogLoss  
Valor  
0,65  
0,62  
0,60  
0,6493  
1,0546  
0,6446  
0,4154  
0,40  
RMSE  
MSE  
R²  
44  
Valderrama-Arévalo, C. revista Sciéndo Ingenium, v. 22, n. 2, pp. 35 – 48, 2026.  
Este tipo de limitaciones también fue reportado por Lara (2022), quien, al aplicar ML en modelos de predic-  
ción agrícola, encontró que las series temporales se ven afectadas por la falta de estabilidad en los patrones  
de entrada. En ambos casos, los resultados invitan a seguir optimizando este tipo de modelos mediante mejo-  
ras en el volumen y limpieza de los datos, algo que esta investigación ya comenzó a abordar a través del en-  
foque DataOps. Finalmente, en la Tabla 14 se presenta el desempeño del Modelo 03, orientado a la recomen-  
dación personalizada de recursos pedagógicos. El modelo alcanzó altos niveles de rendimiento, con una exac-  
titud de 93%, precisión de 92%, exhaustividad de 91% y un coeficiente de determinación de 0,94, lo que evi-  
dencia una adecuada capacidad para generar recomendaciones acordes a las características de los estudiantes.  
No obstante, estos resultados deben interpretarse en función del contexto del estudio, considerando el tamaño  
y la homogeneidad de la muestra.  
Tabla 14. Rendimiento del Modelo 03: Sistema de recomendación de recursos según perfil de aprendizaje  
Métrica  
Exactitud (Accuracy)  
Precisión (Precision)  
Exhaustividad (Recall)  
Error promedio por clase  
LogLoss  
Valor  
0,93  
0,92  
0,91  
0,00  
0,000194  
0,001419  
0,000002  
0,94  
RMSE  
MSE  
R²  
Los resultados coinciden con lo expuesto por Ponce y Ramos (2023), quienes encontraron que la adaptación  
de estrategias según estilos de aprendizaje mejora significativamente el rendimiento académico. El modelo de  
recomendación empleado en esta investigación automatiza dicho proceso, convirtiéndose en una herramienta  
de apoyo pedagógico que integra inteligencia artificial con visión educativa centrada en el estudiante. En  
conjunto, los tres modelos demostraron un comportamiento complementario: mientras el primero se destaca  
por su precisión diagnóstica, el segundo anticipa tendencias útiles en planificación, y el tercero propone re-  
cursos específicos para intervención docente. Esta sinergia confirma que el uso de AutoML, potenciado con  
XAI y DataOps, ofrece un ecosistema robusto para transformar datos educativos en acciones pedagógicas de  
alto impacto.  
4. CONCLUSIONES  
El estudio presenta algunas limitaciones que deben ser consideradas en la interpretación de los resultados. En  
primer lugar, la investigación se desarrolló en una única institución educativa y con una muestra relativamen-  
te pequeña, lo que limita la generalización de los hallazgos a otros contextos. Asimismo, el diseño cuasi ex-  
perimental, aunque controlado mediante pruebas de equivalencia inicial, no permite un control absoluto de  
variables externas. Desde el punto de vista técnico, existe la posibilidad de sobreajuste en los modelos de  
Machine Learning debido al tamaño del dataset. Finalmente, el periodo de intervención fue relativamente  
corto, lo que podría influir en la estabilidad de los efectos observados a largo plazo. Por ello, se recomienda  
realizar estudios longitudinales y validaciones externas en futuros trabajos. No obstante, las barreras para  
llevar el estudio también se evidencian desde el aspecto científico y la literatura, pues hubo artículos esencia-  
les al tema de interés que tienen un costo elevado, y que, ante ello, no fueron consideración en la investiga-  
ción. En cuanto al hallazgo principal se encontró que el machine learning influye significativamente en la  
comprensión lectora (p<0,05), encontrando un efecto del modelo en los niveles literal, inferencial y crítico.  
Asimismo, las evaluaciones postest mostraron incrementos del 24,9% en la comprensión lectora, el 28% en el  
nivel literal, del 29% en el nivel inferencial y del 15% en el nivel crítico. Entonces, en comparación con el  
grupo control, que avanzó en comprensión lectora el 19,6%, 20,8% en literal, 18,3% en inferencial y 19,7%  
en crítico. Se concluye que el uso de Machine Learning, combinado con AutoML, XAI y DataOps, represen-  
ta una estrategia efectiva para mejorar el rendimiento lector y respaldar decisiones pedagógicas basadas en  
evidencia, demostrando que el modelo 03 fue el que mejor predice con precisión los niveles de comprensión  
lectora, alcanzando métricas técnicas relevantes: precisión, exhaustividad y exactitud con 100% respectiva-  
mente. Esta capacidad predictiva permitió identificar patrones de aprendizaje y orientar la retroalimentación  
pedagógica en función de las necesidades individuales.  
45  
Valderrama-Arévalo, C. revista Sciéndo Ingenium, v. 22, n. 2, pp. 35 – 48, 2026.  
REFERENCIAS BIBLIOGRÁFICAS  
Benavides, N., y Zambrano-Ramírez, J. (2023). Comprensión lectora autorregulada apoyada en tecnología en  
estudiantes de Educación Básica. Revista Electrónica Educare, 27(3), 1-19.  
https://doi.org/10.15359/ree.27-3.17221  
Berru, M. R., Lopez, O., Yoctun, J. C., y Anticona, V. (2025). Effectiveness of Google Classroom in  
teaching primary school students. Minerva, 6(17), 187–198. https://doi.org/10.47460/minerva.v6i17.216  
Contreas-Bravo, L. E., Nieves, N., y González, K. (2022). Prediction of University-Level Academic  
Performance through Machine Learning Mechanisms and Supervised Methods. Ingeniería, 28(1), 1-25  
https://doi.org/10.14483/23448393.19514  
Duche, A. B., Montesinos, M. C., Medina, A., y Siza, C. H. (2022). Comprensión lectora inferencial en  
estudiantes universitarios. Revista de Ciencias Sociales (Ve), 28(6), 181-198.  
https://www.redalyc.org/journal/280/28073815013/html/  
Fannouch, A., Gharib, J., & Gahi, Y. (2 de Febrero de 2025). Enhancing DataOps practices through  
innovative collaborative models: A systematic review. International Journal of Information Management  
Data Insights, 5(1), 1-18. https://doi.org/10.1016/j.jjimei.2025.100321  
Gonzales Delgado, E. A. (2023). Programa de enseñanza aprendizaje de la lectura para la comprensión  
lectora de los estudiantes de secundaria. Obtenido de https://hdl.handle.net/20.500.12802/11023  
Guzman Velez, D. M. (2022). Machine Learning para predecir la adquisición de plataformas educativas de la  
empresa Difucien Ecuador, 2022. Obtenido de https://hdl.handle.net/20.500.12692/102577  
Lara Vizuete, S. A. (2022). Aplicación de técnicas de Machine Learning como método de validación para  
predecir la efectividad de un modelo estadístico de series de tiempo en la producción de fruta fresca en las  
diferentes provincias del Ecuador. Obtenido de http://repositorio.ug.edu.ec/handle/redug/63075  
Liu, M., Shi, W., Zhao, L., y Beyette Jr., F. (2024). Best performance with fewest resources: Unveiling the  
most resource-efficient Convolutional Neural Network for P300 detection with the aid of Explainable AI.  
Machine Learning with Applications, 1(16), 1-16. https://doi.org/10.1016/j.mlwa.2024.100542  
Ministerio de Educacion. (2024). Reporte técnico de la Evaluación Nacional de Logros de Aprendizaje de  
Estudiantes 2024 (ENLA). http://umc.minedu.gob.pe/reporte-tecnico-de-la-evaluacion-nacional-de-  
logros-de-aprendizaje-de-estudiantes-2024/  
Ortega, D., Palencia, I. A., Ojeda, A. D., & Cortes, O. C. (2025). Integración de algoritmos de aprendizaje  
automático como herramienta innovadora para la enseñanza del mercadeo en programas de  
administración de empresas. Formación Universitaria, 18(4), 73–84. https://doi.org/10.4067/s0718-  
50062025000400073  
Pandal Blas, C. E. (2023). Machine learning en la autorregulación del aprendizaje de los estudiantes en una  
academia preuniversitaria privada, Lima 2023. https://hdl.handle.net/20.500.12692/120800  
Ponce, L. D., y Ramos, J. M. (2023). Comprensión lectora y rendimiento académico de estudiantes de  
Derecho de la Universidad Continental Huancayo 2021. 79. https://hdl.handle.net/20.500.12394/12443  
Quipas, M. J. (2021). Machine Learning en la mejora de la gestión del conocimiento en el Consejo Nacional  
de Ciencia y Tecnología e Innovación Tecnológica - CONCYTEC, Lima 2021.  
https://hdl.handle.net/20.500.12692/71721  
Ríos, V., González, A., Pereira, M. L., y Cortes, A. (2023). Análisis de la Gestión del Aprendizaje  
implementando Google Classroom en educación superior, caso de estudio: asignatura cadena de  
suministro. RIDE revista iberoamericana para la investigación y el desarrollo educativo, 13(26), e481.  
https://doi.org/10.23913/ride.v13i26.1489  
Rodríguez-Basantes, V. V. (2023). La herramienta google classroom como apoyo al aprendizaje. Revista  
Arbitrada Interdisciplinaria Koinonía, 8(2), 965–982. https://doi.org/10.35381/r.k.v8i2.3040  
Salehin, I., Islam, M., Saha, P., Noman, S., Tuni, A., Hasan, M., y Baten, M. (2023). AutoML: A systematic  
review on automated machine learning with neural architecture search. Journal of Information and  
Intelligence, 2, 52-81. https://doi.org/10.1016/j.jiixd.2023.10.002  
Tamburri, D. A., Van Den Heuvel, W.-J., y Garriga, M. (2021). DataOps for Societal Intelligence: a Data  
Pipeline for Labor Market Skills Extraction and Matching. Jheronimus Academy of Data Science, 1(1), 1-  
7. https://doi.org/10.48550/arXiv.2104.01966  
46  
Valderrama-Arévalo, C. revista Sciéndo Ingenium, v. 22, n. 2, pp. 35 – 48, 2026.  
Valero, J. E., Navarro, Á. F., Larios, A. C., y Julca, J. D. (2022). University desertion: Evaluation of different  
Machine Learning algorithms for its prediction. Revista de Ciencias Sociales (Ve), 28(3), 1-12.  
https://www.redalyc.org/journal/280/28071865024/  
Yaranga, I. P. (2022). Machine Learning en la mejora del proceso de selección del personal docente en una  
universidad nacional, Lima 2021. Obtenido de https://hdl.handle.net/20.500.12692/85185  
47  
Valderrama-Arévalo, C. revista Sciéndo Ingenium, v. 22, n. 2, pp. 35 – 48, 2026.  
ANEXOS  
48