RESUMEN

Esta obra examina la relación entre la inteligencia artificial y la analítica del aprendizaje como recursos complementarios para comprender y mejorar la evaluación educativa. Se plantea que los registros digitales, los modelos estadísticos y las recomendaciones automatizadas necesitan interpretarse desde objetivos curriculares, criterios pedagógicos y responsabilidades institucionales claramente definidas. El primer capítulo presenta los fundamentos conceptuales de las tecnologías inteligentes y el significado educativo de los datos. El segundo estudia su calidad, preparación, visualización e interpretación, con especial atención a los límites de la predicción. El tercero analiza la evaluación diagnóstica y formativa, la retroalimentación automatizada, la personalización y el rediseño de tareas frente a la inteligencia artificial generativa. El cuarto aborda privacidad, sesgos algorítmicos, explicabilidad, competencias docentes y gobernanza institucional. La exposición combina análisis conceptual, casos aplicados y matrices de decisión destinadas a docentes, investigadores, estudiantes y responsables académicos. Su aporte consiste en relacionar posibilidades técnicas con decisiones educativas justificables, sin confundir correlación con aprendizaje ni automatización con calidad. Se concluye que la utilidad de estas herramientas depende de evidencias pertinentes, criterios transparentes, supervisión humana y mecanismos de revisión que protejan la equidad, la autonomía y la participación estudiantil en contextos educativos diversos con criterios de responsabilidad institucional compartida.

Palabras clave: inteligencia artificial; analítica del aprendizaje; evaluación educativa; aprendizaje personalizado; ética algorítmica.

ABSTRACT

This book examines the relationship between artificial intelligence and learning analytics as complementary resources for educational assessment. It explains why digital records, statistical models, and automated recommendations cannot be understood independently of learning objectives, curricular decisions, and institutional responsibility. Four chapters organize the discussion. The first establishes the conceptual foundations of intelligent technologies and the educational meanings of data. The second considers data quality, indicators, predictive models, and visualization, emphasizing the limits of inference. The third analyzes diagnostic and formative assessment, automated feedback, personalized learning pathways, and the redesign of tasks in environments where generative systems are available. The fourth addresses privacy, algorithmic bias, explainability, teacher competencies, and governance mechanisms for responsible implementation. Throughout the book, applied cases and decision matrices connect technical possibilities with classroom practice. These resources are intended for teachers, students, researchers, and educational managers seeking to interpret information before acting on it. The central argument is that educational value does not arise from prediction alone: it depends on appropriate evidence, transparent criteria, human oversight, and opportunities for students to question or correct automated interpretations. Such conditions support more inclusive, accountable, and context-sensitive assessment practices across diverse learning environments and institutional circumstances with shared responsibility and academic care.

Keywords: artificial intelligence; learning analytics; educational assessment; personalized learning; algorithmic ethics.