Implementación de dashboards para la gestión académica y administrativa en instituciones de educación superior
DOI:
https://doi.org/10.64041/riidg.v3i4.29Palabras clave:
Dashboards, Gestión académica, Gestión administrativa, Educación superior, Toma de decisiones basada en datos.Resumen
La implementación de dashboards (tableros de control) en las instituciones de educación superior representa una estrategia clave para optimizar los procesos de gestión académica y administrativa, permitiendo una toma de decisiones más eficiente, basada en datos y evidencias. Un dashboard es una herramienta visual interactiva que consolida, visualiza y monitorea información clave a través de indicadores de desempeño (KPIs), gráficos, tablas y alertas, facilitando la comprensión inmediata del estado y evolución de diversas áreas institucionales.
En el ámbito académico, los dashboards permiten el seguimiento de indicadores relacionados con el rendimiento estudiantil, tasas de aprobación y deserción, evaluación docente, uso de recursos académicos, matrícula, retención y egreso. Estos tableros ayudan a identificar tendencias, predecir comportamientos, focalizar intervenciones y mejorar la calidad del proceso educativo mediante una gestión basada en datos.
En el área administrativa, los dashboards permiten visualizar y analizar información financiera, presupuestaria, de recursos humanos, infraestructura, gestión documental y cumplimiento de normativas. Con estos sistemas, los directivos pueden tener una visión integral de la institución, realizar ajustes operativos con mayor agilidad y garantizar el uso eficiente de los recursos.
La transformación digital en la educación superior exige soluciones tecnológicas que integren datos dispersos provenientes de diferentes sistemas (académicos, administrativos, financieros, entre otros). En este contexto, los dashboards actúan como puentes entre la recolección de datos y la acción estratégica, mejorando la transparencia institucional y fomentando una cultura de mejora continua.
La correcta implementación de dashboards requiere una planificación adecuada que incluya: el diseño de indicadores relevantes, la integración de bases de datos confiables, la capacitación del personal en el uso e interpretación de la herramienta, y el compromiso institucional con el uso ético y responsable de los datos.
Citas
Daniel, B. (2015). Big Data and analytics in higher education: Opportunities and challenges. British Journal of Educational Technology, 46(5), 904–920. https://doi.org/10.1111/bjet.12230
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). AI4People—An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations. Minds and Machines, 28(4), 689–707. https://doi.org/10.1007/s11023-018-9482-5
Gašević, D., Dawson, S., & Siemens, G. (2022). Let’s not forget: Learning Analytics are about Learning. https://www.sfu.ca/~dgasevic/papers_shared/techtrends2015.pdf
Hilliger, I., Ortiz-Rojas, M., Pesántez-Cabrera, P., Scheihing, E., Tsai, Y. S., Muñoz-Merino, P. J., Broos, T., Whitelock-Wainwright, A., & Pérez-Sanagustín, M. (2020). Identifying needs for learning analytics adoption in Latin American universities: A mixed-methods approach. Internet and Higher Education, 45. https://doi.org/10.1016/j.iheduc.2020.100726
Jivet, I., Scheffel, M., Drachsler, H., & Specht, M. (2017). Awareness is not enough: Pitfalls of learning analytics dashboards in the educational practice. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 10474 LNCS, 82–96. https://doi.org/10.1007/978-3-319-66610-5_7
Matcha, W., Uzir, N. A., Gasevic, D., & Pardo, A. (2020). A Systematic Review of Empirical Studies on Learning Analytics Dashboards: A Self-Regulated Learning Perspective. In IEEE Transactions on Learning Technologies (Vol. 13, Issue 2, pp. 226–245). Institute of Electrical and Electronics Engineers. https://doi.org/10.1109/TLT.2019.2916802
Mirkin, B. (2010). Core Concepts in Data Analysis: Summarization, Correlation, Visualization. https://buscom.hse.ru/data/2010/10/14/1223126254/Mirkin_All.pdf
OECD. (2022). Education at a Glance 2022. OECD. https://doi.org/10.1787/3197152b-en
Ologbosere, O. A. (2023). Data literacy and higher education in the 21st century. IASSIST Quarterly, 47(3–4). https://doi.org/10.29173/iq1082
Pelletier, Kathe., McCormack, M. H. ., Reeves, Jamie., Robert, Jenay., & Arbino, Nichole. (2022). 2022 EDUCAUSE Horizon Report : Teaching and Learning Edition. https://library.educause.edu/-/media/files/library/2022/4/2022hrteachinglearning.pdf
Polin, K., Yigitcanlar, T., Limb, M., & Washington, T. (2023). The Making of Smart Campus: A Review and Conceptual Framework. In Buildings (Vol. 13, Issue 4). MDPI. https://doi.org/10.3390/buildings13040891
Wanner, J., Wissuchek, C., Welsch, G., & Janiesch, C. (2021). A Taxonomy and Archetypes of Business Analytics in Smart Manufacturing 1. https://www.researchgate.net/publication/355221570_A_Taxonomy_and_Archetypes_of_Business_Analytics_in_Smart_Manufacturing/fulltext/61693f3b25467d2f003292fc/A-Taxonomy-and-Archetypes-of-Business-Analytics-in-Smart-Manufacturing.pdf
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Revista internacional de Investigación y Desarrollo Global
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
