Machine Learning as a Pedagogical Tool to Optimize Reading Comprehension in Primary School Students
DOI:
https://doi.org/10.17268/scien.inge.2026.02.03Keywords:
AutoML, Reading comprehension, XAI, DataOps, Academic performanceAbstract
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 control, n=40 each), using validated instruments. In the experimental group, improvements of 24,9% were observed 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 statistical 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 correctly 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.
References
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
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
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution 4.0 International License.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado
