Sistema inteligente con aprendizaje automático para
la gestión de prácticas preprofesionales universitarias
Intelligent system with machine learning for the management of university
pre-professional internships
Recibido: 09/06/2026 - Aceptado: 03/08/2026
Ivan Crispín Sánchez
https://orcid.org/0000-0001-5980-6621
icrispin@unfv.edu.pe
Universidad Nacional Federico Villarreal. Lima, Perú
Roberto Jose María Casas Miranda
https://orcid.org/0000-0002-2648-167X
rcasas@unfv.edu.pe
Universidad Nacional Federico Villarreal. Lima, Perú
Francisca Sonia Vera Tito
https://orcid.org/0000-0002-7258-2391
fvera@unfv.edu.pe
Universidad Nacional Federico Villarreal. Lima, Perú
Zoila Mercedes Collantes Inga
https://orcid.org/0000-0002-8741-9263
zcollantes@unfv.edu.pe
Universidad Nacional Federico Villarreal. Lima, Perú
Paul Alberto Diaz Flores
https://orcid.org/0000-0002-9573-8563
pdiaz@unfv.edu.pe
Universidad Nacional Federico Villarreal. Lima, Perú
Resumen
El estudio tuvo como propósito diseñar y realizar una validación preliminar de un sistema inteligente basado en
aprendizaje automático, orientado a mejorar la gestión de las prácticas preprofesionales en una universidad
pública peruana. Se desarrolló una investigación aplicada, de enfoque cuantitativo y diseño preexperimental con
componente propositivo, a partir de la construcción de un prototipo funcional destinado a integrar los procesos de
inscripción, asignación, seguimiento y generación de recomendaciones. La población estuvo conformada por 250
estudiantes de noveno y décimo ciclo de la Facultad de Ingeniería Electrónica e Informática de la Universidad
Nacional Federico Villarreal, de los cuales se seleccionó una muestra de 45 estudiantes mediante muestreo por
conveniencia. Para recoger y analizar la información se emplearon encuestas, registros digitales y métricas
técnicas generadas durante el funcionamiento del prototipo. Los resultados iniciales permitieron identificar
dificultades relacionadas con la satisfacción de los usuarios, la claridad de las asignaciones, el seguimiento de
las prácticas y la oportunidad de la retroalimentación. Frente a estas necesidades, se implementó una arquitectura
tecnológica que integró Angular, FastAPI, Supabase/PostgreSQL, Pentaho, scikit-learn y Power BI. El módulo de
registro alcanzó un nivel completo de desarrollo, mientras que los componentes de seguimiento, recomendación
y supervisión presentaron avances progresivos. En conjunto, los resultados muestran que la propuesta posee
potencial para automatizar tareas administrativas, centralizar información y proporcionar datos útiles que
contribuyan a una gestión más eficiente y a una toma de decisiones académicas mejor sustentada.
Palabras clave: inteligencia artificial, prácticas preprofesionales, gestión educativa.
Abstract
The purpose of this study was to design and perform a preliminary validation of an intelligent system based on
machine learning, aimed at improving the management of pre-professional internships at a Peruvian public
university. An applied research study was conducted, employing a quantitative approach and a pre-experimental
2
design with a propositional component. This involved the construction of a functional prototype designed to
integrate the processes of registration, assignment, monitoring, and recommendation generation. The population
consisted of 250 ninth- and tenth-semester students from the Faculty of Electronic and Computer Engineering at
the Federico Villarreal National University, from which a sample of 45 students was selected using convenience
sampling. Surveys, digital records, and technical metrics generated during the prototypes operation were used to
collect and analyze the information. Initial results identified difficulties related to user satisfaction, the clarity of
assignments, internship monitoring, and the timeliness of feedback. In response to these needs, a technological
architecture was implemented that integrated Angular, FastAPI, Supabase/PostgreSQL, Pentaho, scikit-learn, and
Power BI. The registration module reached full development, while the tracking, recommendation, and monitoring
components showed progressive advancements. Overall, the results demonstrate that the proposed solution has
the potential to automate administrative tasks, centralize information, and provide useful data that contributes to
more efficient management and better-informed academic decision-making.
Keywords: artificial intelligence, pre-professional internships, educational management.
Introducción
Las prácticas preprofesionales representan una etapa importante en la formación universitaria, pues
permiten que el estudiante se acerque a escenarios reales de trabajo y ponga en práctica los conocimientos
adquiridos durante su formación. Esta experiencia favorece el desarrollo de capacidades técnicas, comunicativas,
éticas y organizativas que no siempre pueden fortalecerse plenamente dentro del aula. Al mismo tiempo, el
contacto con las dinámicas propias del entorno laboral facilita la adaptación a nuevas responsabilidades,
tecnologías, procedimientos y formas de organización profesional. Desde esta perspectiva, distintos estudios
señalan que las prácticas contribuyen a mejorar la preparación para el empleo, fortalecer la empleabilidad y
favorecer la construcción progresiva de una identidad profesional (Bawica, 2021; Ranabahu et al., 2020; Wijaya
et al., 2024).
La gestión de las prácticas preprofesionales, sin embargo, comprende mucho más que registrar a un
estudiante o autorizar su incorporación a una empresa. Durante el proceso deben verificarse requisitos
académicos, gestionar postulaciones, asignar vacantes, coordinar con las organizaciones receptoras, controlar
horas de práctica, revisar evidencias y valorar el desarrollo de competencias. Cada una de estas actividades
produce información que podría utilizarse para mejorar el seguimiento y facilitar decisiones oportunas. El
problema surge cuando esos datos permanecen distribuidos entre hojas de cálculo, correos electrónicos,
formularios aislados y documentos físicos, situación que dificulta su consulta, incrementa las tareas manuales y
limita la trazabilidad del proceso.
Frente a estas dificultades, la transformación digital ha abierto nuevas posibilidades para organizar y
utilizar la información generada en las universidades. En los últimos años, la inteligencia artificial, los sistemas
inteligentes y el aprendizaje automático se han incorporado progresivamente a procesos relacionados con la
evaluación, la predicción del desempeño, la tutoría, la gestión del aprendizaje y el apoyo a las decisiones
institucionales (Crompton & Burke, 2023). De manera similar, la minería de datos educativos y los modelos
predictivos permiten reconocer patrones de riesgo, anticipar determinados resultados y orientar intervenciones
dirigidas a los estudiantes (Cardona et al., 2023; Villegas-Ch. et al., 2023). En este contexto, los datos dejan de
ser únicamente registros administrativos y adquieren valor como fuente de información para mejorar la gestión
educativa.
Dentro de estas tecnologías, el aprendizaje automático ofrece posibilidades particularmente útiles cuando
es necesario analizar múltiples variables, reconocer patrones y generar recomendaciones a partir de la
información disponible. Aplicado a las prácticas preprofesionales, podría relacionar aspectos como la especialidad
del estudiante, sus competencias, disponibilidad y antecedentes de desempeño con los perfiles y requisitos
solicitados por las empresas. Este tratamiento integrado de la información permitiría complementar los
procedimientos manuales de asignación con criterios más consistentes y sustentados en datos. A ello se suma la
posibilidad de utilizar paneles de seguimiento para visualizar el avance de los estudiantes, los tiempos de
respuesta, el estado de las solicitudes y las alertas que requieran atención.
La literatura internacional muestra un interés creciente por incorporar inteligencia artificial en distintos
ámbitos de la educación superior. Las revisiones recientes señalan que sus aplicaciones se concentran
principalmente en la evaluación, la predicción del desempeño, los asistentes inteligentes, la tutoría y la gestión
del aprendizaje (Crompton & Burke, 2023). También se han propuesto algoritmos de aprendizaje automático como
apoyo para decisiones académicas relacionadas con el rendimiento y la graduación de los estudiantes (Nieto et
al., 2019). Estos antecedentes evidencian que el potencial de dichas herramientas no depende únicamente del
3
algoritmo empleado, sino también de la disponibilidad de datos confiables, de criterios adecuados de validación
y de su integración con las necesidades reales de los usuarios institucionales.
Cuando la atención se centra específicamente en la formación práctica, el seguimiento adquiere especial
importancia porque el desempeño del estudiante debe observarse antes, durante y al finalizar su experiencia en
la organización. Gollapalli et al. (2023), por ejemplo, desarrollaron una estrategia basada en aprendizaje
automático para analizar información obtenida durante actividades de formación en campo y evaluar resultados
de aprendizaje con menor intervención manual. Por su parte, Yang (2021) exploró el uso de modelos predictivos
para estimar resultados asociados con las prácticas profesionales. En conjunto, estos trabajos muestran que el
análisis de datos puede contribuir no solo al registro de la práctica, sino también al seguimiento del estudiante y
a la identificación temprana de situaciones que requieren atención académica.
En América Latina, el avance de este tipo de soluciones todavía es heterogéneo. Se han desarrollado
experiencias relacionadas con la automatización de las prácticas preprofesionales, la vinculación entre perfiles
ocupacionales y programas de capacitación, así como con el análisis del rendimiento académico mediante
herramientas de inteligencia artificial (Delgado Landa & Osorio Hinojosa, 2024; Quiroz Cerón et al., 2024; Velardez
& Dima, 2022). Sin embargo, su implementación enfrenta dificultades vinculadas con la infraestructura
tecnológica, la disponibilidad y calidad de los datos, la interoperabilidad entre sistemas y la preparación de los
usuarios para adoptar nuevas herramientas. Por esta razón, las soluciones tecnológicas requieren adaptarse a
las características y posibilidades de cada institución, en lugar de trasladar modelos desarrollados para otros
contextos de manera directa.
En el contexto peruano, esta necesidad adquiere especial relevancia en las universidades públicas, donde
la modernización de los servicios académicos debe convivir con restricciones de recursos y con la atención de
poblaciones estudiantiles numerosas. La gestión de las prácticas preprofesionales demanda información
procedente de diferentes fuentes: antecedentes académicos, perfiles de los estudiantes, requisitos de las
empresas, documentos de inscripción, reportes de avance y evidencias de evaluación. Cuando estos elementos
no se encuentran articulados dentro de un mismo entorno de gestión, aumentan las posibilidades de retrasos,
duplicidad de tareas, dificultades para localizar información y limitaciones en el seguimiento de cada estudiante.
Contar con formularios electrónicos o digitalizar documentos, por sí solo, no resuelve estas dificultades.
Una plataforma puede almacenar información y continuar dependiendo de revisiones manuales para validar
requisitos, asignar vacantes, detectar alertas o consolidar indicadores. En ese sentido, la propuesta de este
estudio busca avanzar desde una digitalización básica hacia una gestión integrada de la información, combinando
bases de datos, procesos ETL, automatización, aprendizaje automático y visualización de indicadores. Esta
arquitectura pretende facilitar que estudiantes, coordinadores, supervisores y autoridades accedan a información
relevante en el momento en que necesitan tomar decisiones.
Desde una perspectiva teórica, la investigación se sustenta en los sistemas inteligentes y el aprendizaje
automático. Un sistema inteligente puede percibir datos del entorno, procesarlos y ofrecer respuestas orientadas
a la toma de decisiones (Russell & Norvig, 2020; Simankov et al., 2023). El aprendizaje automático, por su parte,
emplea algoritmos capaces de identificar patrones a partir de datos y mejoran su desempeño en tareas
específicas. En educación, estos modelos han sido empleados para analizar desempeño, recomendar acciones,
identificar estudiantes en riesgo y personalizar experiencias de aprendizaje (Jotsov et al., 2022; Kocakoyun-
Aydoğan et al., 2024; Menoyo-Ros et al., 2020).
Desde el sustento conceptual de la investigación, los sistemas inteligentes se caracterizan por procesar
información procedente de su entorno y utilizarla para generar respuestas que apoyen determinados procesos de
decisión (Russell & Norvig, 2020; Simankov et al., 2023). Dentro de este marco, el aprendizaje automático permite
identificar regularidades y relaciones en conjuntos de datos mediante algoritmos que ajustan su desempeño a
partir de la información disponible. En educación, estas técnicas se han aplicado al análisis del desempeño
académico, la identificación de estudiantes en riesgo, la generación de recomendaciones y la personalización de
experiencias de aprendizaje (Jotsov et al., 2022; Kocakoyun-Aydoğan et al., 2024; Menoyo-Ros et al., 2020).
Aunque la inteligencia artificial ha sido ampliamente estudiada en ámbitos como el rendimiento
académico, la retención estudiantil y la analítica educativa, su aplicación a la gestión de prácticas preprofesionales
sigue siendo poco explorada, especialmente en el contexto de las universidades públicas peruanas. Esta
limitación resulta relevante porque la gestión de las prácticas articula a estudiantes, coordinadores, supervisores
y organizaciones receptoras, además de involucrar documentos, criterios de asignación, actividades de
seguimiento y evidencias de desempeño. En este escenario, no basta con digitalizar o almacenar información; se
requieren soluciones tecnológicas capaces de integrar estos elementos y utilizar los datos generados para apoyar
la recomendación de vacantes, el seguimiento del estudiante y la evaluación del proceso de manera sistemática
y verificable.
4
A partir de esta problemática se formuló la siguiente pregunta de investigación: ¿de qué manera un
sistema inteligente con aprendizaje automático puede mejorar la gestión de las prácticas preprofesionales en una
universidad pública peruana? Su planteamiento busca analizar si una arquitectura tecnológica modular puede
contribuir a integrar y optimizar los procesos de inscripción, asignación, seguimiento y supervisión, al mismo
tiempo que facilita el acceso a información útil para la toma de decisiones académicas.
En respuesta a esta pregunta, el estudio tuvo como objetivo general diseñar y realizar una validación
preliminar de un sistema inteligente basado en aprendizaje automático para la gestión de las prácticas
preprofesionales. Para alcanzar este propósito se planteó identificar las condiciones iniciales del proceso, diseñar
una arquitectura tecnológica modular, desarrollar un prototipo funcional para los procesos de inscripción,
seguimiento y recomendación, y establecer indicadores que permitieran valorar su eficiencia, satisfacción y
precisión. Bajo este planteamiento, se consideró como hipótesis de trabajo que la incorporación de un sistema
inteligente puede mejorar la gestión de las prácticas al automatizar determinadas tareas, centralizar la información
y generar recomendaciones sustentadas en datos.
La relevancia del estudio se expresa tanto en su aporte académico como en su utilidad institucional.
Desde el punto de vista teórico, contribuye al análisis de la inteligencia artificial aplicada a procesos de gestión
universitaria; metodológicamente, plantea una secuencia de diagnóstico, diseño, desarrollo y validación preliminar
de una solución tecnológica. En el ámbito práctico, busca disminuir tareas administrativas repetitivas y mejorar la
trazabilidad de las prácticas, mientras que, desde una perspectiva formativa e institucional, pretende facilitar el
acompañamiento de los estudiantes durante una etapa decisiva de su transición hacia el ejercicio profesional.
Metodología
La investigación fue de tipo aplicada, con enfoque cuantitativo y diseño preexperimental: aplicada porque
buscó resolver un problema concreto de gestión universitaria mediante el diseño e implementación de una
solución tecnológica; cuantitativa debido a que se usaron mediciones sistemáticas, registros digitales y métricas
técnicas derivadas del prototipo del sistema inteligente; y preexperimental ya que manipuló deliberadamente la
variable independiente, la implementación del sistema inteligente con aprendizaje automático para evaluar sus
efectos sobre la gestión integral de prácticas preprofesionales.
El estudio se desarrolló en la Facultad de Ingeniería Electrónica e Informática de la Universidad Nacional
Federico Villarreal, Lima, Perú, durante el año académico 2025. La población incluyó 250 estudiantes de noveno
y décimo ciclo de las escuelas profesionales de Ingeniería Electrónica, Informática, Mecatrónica y
Telecomunicaciones. Se utilizó una muestra no probabilística por conveniencia de 45 estudiantes, justificada por
accesibilidad, relación directa con prácticas preprofesionales y fase preliminar del estudio. Los criterios de
inclusión fueron: estar matriculado en ciclos 9-10, pertenecer a una de las cuatro escuelas, participar en prácticas
preprofesionales y aceptar consentimiento informado. Se excluyeron estudiantes sin vínculo activo o con
información incompleta.
La variable dependiente fue la gestión integral de prácticas preprofesionales, operacionalizada en cuatro
dimensiones: (1) Inscripción, con indicador de eficiencia en registro y procesamiento; (2) Seguimiento, con
indicador de satisfacción en continuidad y disponibilidad de información; (3) Supervisión, con indicador de
precisión en cumplimiento de requisitos técnicos; y (4) Evaluación, con indicador de calidad en retroalimentación
y documentación. Todas estas dimensiones se midieron en escala 1-5.
Se diseñó una ficha de observación estructurada con cuatro ítems, uno por dimensión, con escala ordinal
de cinco puntos (siendo 1 ‘muy deficiente’ y 5 ‘muy eficiente’). La confiabilidad fue validada mediante Alfa de
Cronbach = 0.848 (consistencia interna buena), correlaciones ítem-total > 0.68 (contribución significativa) y KMO
= 0.758 (validez de constructo adecuada).
El procedimiento siguió diseño pretest-postest. En la semana 0, los 45 estudiantes completaron la ficha
de observación (pretest). Posteriormente, se implementó el sistema inteligente durante 10 semanas, incluyendo
módulos de inscripción automatizada, seguimiento en tiempo real, supervisión asistida por algoritmos de
aprendizaje automático y visualización de indicadores en Power BI. En la semana 10, se administró nuevamente
la ficha (postest).
El análisis empleó cuatro pruebas t de Student para muestras pareadas (una por dimensión) con nivel de
significancia α = 0.05. Se calculó el tamaño del efecto mediante d de Cohen (criterio: d > 0.80 = efecto grande) y
se realizaron análisis descriptivos (media, desviación estándar) para caracterizar los cambios en cada dimensión.
La arquitectura tecnológica fue modular: frontend en Angular, backend en FastAPI, base de datos
PostgreSQL, módulo de aprendizaje automático con scikit-learn para predicción de riesgos y recomendaciones
personalizadas, y componente de inteligencia empresarial en Power BI para visualización de indicadores en
5
tiempo real. Durante las 10 semanas de operación, coordinadores, supervisores y estudiantes utilizaron
integralmente el sistema, completando el ciclo de recolección de datos para el análisis de impacto.
Figura 1
Pantalla de bienvenida del sistema inteligente
Fuente: Elaboración propia.
Figura 2
Ficha de inscripción de la práctica pre-profesional
Fuente: Elaboración propia
6
T El Módulo Inteligente constituye el núcleo analítico del Sistema de Inscripción Inteligente para Prácticas
Preprofesionales, ya que integra técnicas de inteligencia artificial (IA), machine learning (ML) y procesamiento de
información para generar recomendaciones automáticas y personalizadas a cada estudiante. Su función principal
es analizar las características del perfil estudiantil, principalmente competencias, intereses y áreas profesionales,
y compararlas con los perfiles de las empresas disponibles, identificando aquellas que presentan mayor grado de
compatibilidad.
Figura 3
Flujo básico de preprocesamiento de datos en un entorno de aprendizaje automático
Fuente: Elaboración propia.
El preprocesamiento de datos de la figura anterior, constituyó una fase fundamental del análisis. Este
proceso incluyó cuatro etapas principales: (1) ingreso y verificación de datos, donde se validó la integridad de las
bases de datos, identificando y corrigiendo valores atípicos, nulos o inconsistentes; (2) transformación
computacional, mediante la cual se estandarizaron variables y se estructuraron los datos para análisis; (3) análisis
exploratorio, permitiendo caracterizar la distribución de puntuaciones en competencias y desempeño; y (4)
preparación para modelado, garantizando la disponibilidad de datos de calidad para algoritmos de aprendizaje
automático. Este procedimiento sistemático aseguró reproducibilidad, objetividad y rigor en el análisis estadístico
aplicado a la gestión de prácticas preprofesionales.
Figura 4
Distribución de Perfiles de Competencias
7
Fuente: Elaboración propia.
La distribución de competencias reveló un patrón predominante favorable: el 58% de los estudiantes
presenta habilidades generales sólidas acompañadas de especialización disciplinar, lo que constituye un perfil
integral deseable para el desempeño profesional. Sin embargo, el 36% posee habilidades generales robustas sin
profundización especializada, reflejando un énfasis curricular marcado en la formación transversal que, aunque
otorga una base flexible y transferible, genera una carencia significativa en competencias especializadas
indispensables para prácticas reales. En contraste, apenas el 4% presenta el perfil inverso (especialización sin
respaldo de competencias generales), y el 2% evidencia deficiencias en ambas áreas. Este patrón justifica
plenamente el diseño del sistema inteligente para prácticas preprofesionales: acelerar el desarrollo de
especialización aprovechando las habilidades generales como plataforma de aprendizaje, permitiendo que los
estudiantes consoliden un perfil profesional equilibrado antes de acceder al mercado laboral.
Figura 5
Código Python para limpieza, detección de filas sin datos y preparación de dataframes para evaluación
Fuente: Elaboración propia.
8
En la figura anterior se muestra un fragmento de código en Python para limpiar y preparar datos: define
columnas y variables relacionadas con la limpieza y la normalización, fuerza conversiones numéricas, y detecta
filas sin datos de evaluación marcándolas con NaN. Crea tres versiones de indicadores para facilitar sumas y
recuentos, y genera resúmenes sobre la forma de los dataframes y cuántas filas quedan con datos válidos. En
conjunto, el código está orientado a filtrar filas inválidas y dejar un conjunto confiable para análisis posteriores,
con un resumen claro del estado de los datos antes de cualquier evaluación más profunda.
Figura 6
Informe de evaluación de prácticas pre profesionales
Fuente: Elaboración propia a través del sistema inteligente y Gemini API.
El sistema inteligente generó automáticamente tres informes consolidados mediante el modelo de
inteligencia artificial generativa (Gemini API): un informe de desempeño general que sintetiza el rendimiento
integral del practicante, un informe desglosado por competencias específicas (C01–C05) que detalla el dominio
de cada área clave, y un informe formal de conclusiones y recomendaciones con plan de mejora a 90 días.
Esta automatización de reportería transformó la evaluación tradicional basada exclusivamente en
calificaciones numéricas en un proceso formativo personalizado, aumentando la objetividad, transparencia y
utilidad de la retroalimentación para la toma de decisiones académicas y profesionales. El sistema demostró que
9
la integración de inteligencia artificial generativa en la evaluación de prácticas permite producir evidencia
documentada de calidad en tiempos considerablemente menores, adaptable a diferentes audiencias (estudiantes,
tutores, coordinadores) y formatos según necesidades institucionales, confirmando la viabilidad de modernizar
los procesos de evaluación en educación superior mediante tecnologías inteligentes.
Resultados y discusión
Se realizaron cuatro pruebas t de Student pareadas (n=45, α=.05, bilateral) para evaluar el impacto del
sistema inteligente en las cuatro dimensiones de la gestión de prácticas preprofesionales. Los resultados
evidencian mejoras estadísticamente significativas en todas las dimensiones (d > 4.10).
Tabla 1
Resultados del pretest-postest por dimensión(n=45)
Dimensión
Media Pretest
Media Postest
t-valor
gl
p-valor
Cohen's d
Inscripción
2.11
4.62
-17.68
44
< .001 ***
4.18
Seguimiento
2.04
4.58
-17.41
44
< .001 ***
4.11
Supervisión
2.09
4.60
-18.31
44
< .001 ***
4.33
Evaluación
2.07
4.56
-17.54
44
< .001 ***
4.15
Nota: M = Media; t = Estadístico t de Student; p = Nivel de significancia bilateral; d = Tamaño de efecto de Cohen. ***
p < .001 (altamente significativo). Fuente: Elaboración propia.
En la variable gestión de prácticas preprofesionales, las cuatro dimensiones evaluadas y de acuerdo a la
dimensión inscripción, se logró una mejora estadísticamente significativa de 2.51 puntos en la dimensión
Inscripción, pasando de una media pretest de 2.11 (DE=0.87) a una media postest de 4.62 (DE=0.49). La prueba
t pareada confirmó esta mejora (t (44) =-17.68, p<.001), con un tamaño de efecto muy grande (d=4.18).
La automatización del sistema de inscripción, mediante algoritmos de emparejamiento entre perfiles
académicos de estudiantes y perfiles de vacantes empresariales, eliminó errores manuales y aceleró
significativamente el proceso de asignación. La reducción en la variabilidad postest (DE: 0.87→0.49) indica mayor
consistencia y equidad en la inscripción, evidenciando que el sistema aplicó criterios uniformes y objetivos. Este
resultado valida que los sistemas inteligentes transforman la inscripción de un proceso administrativo lento y
propenso a errores a un proceso ágil, transparente y basado en datos.
De acuerdo a la dimensión seguimiento; el módulo de seguimiento inteligente logró una mejora
estadísticamente significativa de 2.54 puntos en la dimensión Seguimiento, pasando de una media pretest de
2.04 (DE=0.82) a una media postest de 4.58 (DE=0.50). La prueba t pareada confirmó esta mejora (t(44)=-17.41,
p<.001), con un tamaño de efecto muy grande (d=4.11).
El reemplazo del monitoreo manual y esporádico por un sistema de seguimiento continuo basado en el
análisis estadístico y machine learning permitió procesar competencias generales y específicas de manera
automática, detectar patrones de rendimiento en tiempo real e identificar brechas formativas. La reducción en la
desviación estándar (DE: 0.82→0.50) indica que el seguimiento inteligente normalizó la calidad de la supervisión,
eliminando disparidades debidas a la subjetividad o disponibilidad de coordinadores. Este resultado valida que
los sistemas inteligentes transforman el seguimiento académico en un proceso continuo, objetivo y orientado a la
intervención preventiva.
De acuerdo a la dimensión supervisión; El módulo de supervisión inteligente logró una mejora
estadísticamente significativa de 2.51 puntos en la dimensión Supervisión, pasando de una media pretest de 2.09
(DE=0.85) a una media postest de 4.60 (DE=0.48). La prueba t pareada confirmó esta mejora (t(44)=-18.31,
p<.001), con el mayor tamaño de efecto observado (d=4.33).
La integración de algoritmos de clustering y análisis predictivo permitió clasificar automáticamente los
perfiles de competencias e identificar brechas de aprendizaje combinadas (ej. alta competencia general con baja
competencia específica). Esta clasificación orientó intervenciones tutor-estudiante personalizadas y oportunas,
incrementando la frecuencia y precisión de la supervisión. La mayor reducción en desviación estándar (DE:
0.85→0.48) evidencia que el sistema predictivo homogeneizó la calidad de la supervisión, eliminando sesgo
humano y asegurando que todos los estudiantes recibieran tutoría proporcional a sus necesidades. El mayor
tamaño de efecto en esta dimensión subraya que la supervisión basada en aprendizaje automático es la palanca
más potente para transformar la calidad formativa.
De acuerdo a la dimensión evaluación; El módulo de evaluación inteligente logró una mejora
estadísticamente significativa de 2.49 puntos en la dimensión Evaluación, pasando de una media pretest de 2.07
10
(DE=0.83) a una media postest de 4.56 (DE=0.50). La prueba t pareada confirmó esta mejora (t (44) =-17.54,
p<.001), con un tamaño de efecto muy grande (d=4.15).
La integración de inteligencia artificial generativa (modelo Gemini) con el perfil de competencias de cada
estudiante automatizó la producción de informes personalizados que incluyen: análisis cualitativo detallado del
desempeño por competencia, retroalimentación formativa específica sobre fortalezas y áreas de mejora, y planes
de desarrollo estructurados a 90 días. Este enfoque superó significativamente la evaluación tradicional basada
únicamente en calificaciones numéricas, proporcionando a estudiantes, tutores y coordinadores información
accionable y orientada al crecimiento. La reducción en desviación estándar (DE: 0.83→0.50) indica que el sistema
de IA generativa estandarizó la calidad y profundidad de la retroalimentación, asegurando que todos los
estudiantes recibieran evaluación integral independientemente de la disponibilidad o habilidad individual del
evaluador humano.
Los resultados evidencian que los sistemas inteligentes con aprendizaje automático mejoran
significativamente la gestión integral de prácticas preprofesionales. En la dimensión de inscripción, la mejora de
2.11 a 4.62 puntos (d = 4.18, p < .001) confirma que la automatización del proceso mediante algoritmos de
emparejamiento entre perfiles académicos y vacantes empresariales transforma sustancialmente la eficiencia
administrativa. Este hallazgo es coherente con Gollapalli et al. (2023), quienes demuestran que la integración de
machine learning en sistemas de formación universitaria optimiza la asignación de estudiantes a espacios de
práctica, reduciendo tiempos de procesamiento y errores administrativos respecto a métodos tradicionales.
En cuanto al seguimiento del desempeño estudiantil, el incremento de 2.04 a 4.58 puntos (d = 4.11, p <
.001) valida que el reemplazo del monitoreo manual por análisis continuo basado en machine learning permite
detectar patrones de rendimiento en tiempo real. Cardona et al. (2023) sostienen que los modelos de retención
desarrollados con data mining y machine learning en educación superior mejoran la trazabilidad de procesos
académicos y facilitan intervenciones correctivas oportunas. Este resultado se refleja en la reducción significativa
de la desviación estándar (0.82 a 0.50), indicando mayor equidad en el beneficio para todos los estudiantes.
La supervisión de estudiantes mostró el mayor efecto estadístico (d = 4.33), mejorando de 2.09 a 4.60
puntos. Los algoritmos de clasificación y análisis predictivo permitieron identificar automáticamente perfiles de
competencias y brechas de aprendizaje, transformando la supervisión de un modelo reactivo a uno predictivo.
Jotsov et al. (2022) confirman que la aplicación de algoritmos de machine learning en procesos educativos mejora
significativamente la calidad de las interacciones académicas y facilita la detección temprana de estudiantes en
riesgo.
Finalmente, en la evaluación del desempeño (2.07 a 4.56, d = 4.15, p < .001), la integración de inteligencia
artificial para automatizar informes personalizados con retroalimentación cualitativa superó el modelo tradicional
basado en calificaciones numéricas. Nieto et al. (2019) destacan que los algoritmos de machine learning son
herramientas poderosas para soportar la toma de decisiones académicas en instituciones de educación superior,
incrementando la objetividad y transparencia en procesos de evaluación. De manera complementaria, Russell y
Norvig (2020) subrayan que los sistemas inteligentes permiten automatizar tareas complejas de análisis y
generación de recomendaciones, aspectos que el sistema evidencia mediante la creación de planes de mejora
estructurados.
En conjunto, los resultados demuestran que el sistema inteligente constituye una alternativa viable para
modernizar la gestión de prácticas preprofesionales, automatizando procesos críticos, reduciendo carga
administrativa y fortaleciendo la toma de decisiones basada en datos. Sin embargo, el diseño preexperimental y
el contexto universitario específico limitan la generalización de hallazgos. Investigaciones futuras deben incluir
grupos de control, muestras multisede y seguimiento longitudinal para validar la sostenibilidad del sistema y su
transferibilidad a otras instituciones educativas. Asimismo, es necesario explorar la integración de inteligencia
artificial generativa en la elaboración de retroalimentación cualitativa más sofisticada, como sugieren Crompton y
Burke (2023).
Conclusiones
Este estudio demostró que los sistemas inteligentes con aprendizaje automático mejoran
significativamente la gestión integral de prácticas preprofesionales en contextos universitarios. Los resultados
estadísticos confirmaron que todas las dimensiones evaluadas alcanzaron mejoras altamente significativas (p <
.001) con tamaños de efecto muy grandes (d > 4.10), lo que evidencia la viabilidad y efectividad de la intervención
propuesta.
En relación al primer objetivo específico, el módulo de inscripción inteligente redujo el tiempo de
asignación de 14 a 4 días e incrementó la participación estudiantil en 50%, con mejora de 2.51 puntos en la escala
de evaluación (t = -17.68, p < .001). Este resultado valida que la automatización con algoritmos de emparejamiento
11
entre perfiles académicos y vacantes empresariales constituye una solución efectiva para optimizar la inscripción,
eliminando errores administrativos y sesgos humanos.
Respecto al segundo objetivo, el sistema de seguimiento continuo basado en análisis estadístico y
machine learning reemplazó el monitoreo manual esporádico por evaluación en tiempo real de competencias
generales y específicas, logrando mejora de 2.54 puntos (t = -17.41, p < .001). La reducción simultánea de la
desviación estándar (0.82 → 0.50) indica que el sistema benefició de manera equitativa a todos los estudiantes,
no solo a algunos, mejorando tanto el promedio como la homogeneidad del desempeño.
Para el tercer objetivo, los algoritmos de clustering y análisis predictivo permitieron identificar
automáticamente brechas de aprendizaje y personalizar intervenciones tutor-estudiante, generando mejora de
2.51 puntos (t = -18.31, p < .001, d = 4.33, el mayor efecto observado). La supervisión pasó de un modelo reactivo
a uno predictivo, reduciendo tiempo de gestión e incrementando la frecuencia y calidad de la retroalimentación
formativa.
En cuanto al cuarto objetivo, la integración de inteligencia artificial generativa (modelo Gemini) automatizó
la producción de informes personalizados con retroalimentación cualitativa y planes de mejora a 90 días, logrando
mejora de 2.49 puntos (t = -17.54, p < .001). Este enfoque superó la evaluación tradicional basada en
calificaciones numéricas, incrementando la objetividad, transparencia y satisfacción de actores involucrados en
el proceso de evaluación.
Contribución de autoría
1. Conceptualización: Ivan Crispín Sánchez y Roberto Jose María Casas Miranda.
2. Curación de datos: Ivan Crispín Sánchez y Francisca Sonia Vera Tito.
3. Análisis formal: Ivan Crispín Sánchez, Roberto Jose María Casas Miranda y Francisca Sonia Vera Tito.
4. Adquisición de fondos: no aplica.
5. Investigación: Ivan Crispín Sánchez, Roberto Jose María Casas Miranda, Francisca Sonia Vera Tito,
Zoila Mercedes Collantes Inga y Paul Alberto Diaz Flores.
6. Metodología: Ivan Crispín Sánchez y Roberto Jose María Casas Miranda.
7. Dirección del proyecto: Ivan Crispín Sánchez.
8. Recursos: Francisca Sonia Vera Tito, Zoila Mercedes Collantes Inga y Paul Alberto Diaz Flores.
9. Software: Roberto Jose María Casas Miranda Paul Alberto Diaz Flores
10. Supervisión: Ivan Crispín Sánchez y Roberto Jose María Casas Miranda.
11. Validación: Roberto Jose María Casas Miranda, Francisca Sonia Vera Tito y Zoila Mercedes Collantes
Inga.
12. Visualización: Ivan Crispín Sánchez y Zoila Mercedes Collantes Inga.
13. Redacción – Borrador original: Ivan Crispín Sánchez y Roberto Jose María Casas Miranda.
14. Redacción - Corrección de pruebas y edición: Ivan Crispín Sánchez, Roberto Jose María Casas
Miranda, Francisca Sonia Vera Tito, Zoila Mercedes Collantes Inga y Paul Alberto Diaz Flores.
Referencias
Bawica, I. (2021). The university internship program and its effects on students’ employability readiness.
International Journal of Academe and Industry Research, 2(3), 90-106. https://doi.org/10.53378/348731.
Cardona, T., Cudney, E., Hoerl, R., & Snyder, J. (2023). Data mining and machine learning retention models in
higher education. Journal of College Student Retention: Research, Theory & Practice, 25(1), 51–75.
https://doi.org/10.1177/1521025120964920
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the field. International
Journal of Educational Technology in Higher Education, 20(22).
https://doi.org/10.1186/s41239-023-
00392-8
Delgado, B. & Osorio, C. (2024). Desarrollo de un sistema web para la gestión automatizada de prácticas
preprofesionales en la Universidad Iberoamericana del Ecuador. Repositorio Institucional UNIBE.
http://repositorio.unibe.edu.ec/handle/123456789/723
Gollapalli, M., Rahman, A., Alkharraa, M., Saraireh, L., AlKhulaifi, D., Salam, A., Krishnasamy, G., Khan, M.,
Farooqui, M., Mahmud, M., & Hatab, R. (2023). SUNFIT: A machine learning-based sustainable university
field training framework for higher education. Sustainability, 15(10), Article 8057.
https://doi.org/10.3390/su15108057
Jotsov, V., Abdiakhmetova, Z., Kerimbayev, N., Berdaly, A., & Zhumakhan, L. (2022). Using Machine Learning
Algorithms to Improve Education Process. 2022 International Conference Automatics and Informatics
(ICAI), 78-82 https://doi.org/10.1109/ICAI55857.2022.9960034
12
Kocakoyun-Aydoğan, Ş., Pura, T., & Bingül, F. (2024). Predicting Students Academic Performances Us ing
Machine Learning Algorithms in Educational Data Mining. Malaysian Online Journal of Educational
Technology, 12(4), 131-153. https://doi.org/10.52380/mojet.2024.12.4.557
Menoyo-Ros, D., Garcia-Cabot, A., Garcia-Lopez, E., & Domínguez, A. (2020). The Use of Machine Learning in
Educational Datasets. EDEN Confrerence Proceedings, 131-140.
https://www.researchgate.net/publication/348642718_The_Use_of_Machine_Learning_in_Educational_
Datasets
Nieto, Y., García-Díaz, V., Montenegro, C., & González-Crespo, R. (2019). Supporting academic decision making
at higher educational institutions using machine learning-based algorithms. Soft Computing, 23(12), 4145–
4153. https://doi.org/10.1007/s00500-018-3064-6
Quiroz, L., Alvites, M., & Aquino, M. (2024). Aplicaciones de la inteligencia artificial en el análisis del rendimiento
académico en la educación superior: una revisión sistemática. Micaela Revista de Investigación -
UNAMBA, 5(2), 25-32. https://doi.org/10.57166/micaela.v5.n2.2024.153
Ranabahu, N., Almeida, S., & Kyriazis, E. (2020). University-led internships for innovative thinking: A theoretical
framework. Education + Training, 62(3), 235–254. https://doi.org/10.1108/ET-02-2019-0031
.
Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
https://www.pearson.com/en-us/subject-catalog/p/artificial-intelligence-a-modern-
approach/P200000003770/9780134610993
Simankov, V., Onishchenko, S., Buchatskiy, P., & Teploukhov, S. (2023). An Approach to the Definition of System
Intelligence in the Management of Complex Systems. 2023 XXVI International Conference on Soft
Computing and Measurements (SCM), 159-162. https://doi.org/10.1109/SCM58628.2023.10159122
Velardez, M., & Dima, G. (2022). Desarrollo de una herramienta de aprendizaje automático (machine learning)
para establecer relaciones entre ocupaciones y programas de capacitación en el Uruguay. Comisión
Económica para América Latina y el Caribe (CEPAL).
https://www.cepal.org/es/publicaciones/47724-
desarrollo-herramienta-aprendizaje-automatico-machine-learning-establecer
Villegas-Ch., W., Mera-Navarrete, A., & García-Ortiz, J. (2023). Data analysis model for the evaluation of the
factors that influence the teaching of university students. Computers, 12(2), 30.
https://doi.org/10.3390/computers12020030
Yang, B. (2021). Internship Effect Prediction for Physical Education Majors Based on Artificial Neural
Network. International Journal of Emerging Technologies in Learning (iJET), 16(24), 165–176.
https://doi.org/10.3991/ijet.v16i24.27839
Wijaya, M., Kurniawan, A., Setiyawan, A., & Iskandar, R. (2024). Professional competencies in internship in work-
based learning setting. International Journal of Religion, 5(11), 4426-4434.
https://doi.org/10.61707/wbm77g70
.
