76
Vol. 1, Núm. 3 (Abril,2026) | Sección: Artículos de Investigación
DOI:
https://doi.org/10.5281/zenodo.19871379
Detección Temprana de Dificultades de Aprendizaje: Análisis
Predictivo mediante Inteligencia Artificial en la Educación Básica
Early Detection of Learning Difficulties: Predictive Analytics through Artificial
Intelligence in Basic Education
Hortencia Georgina Córdova Pérez
Universidad de Guayaquil, Ecuador.
hortencia1969@hotmail.com
Recibido: 05 de marzo 2026 / Aceptado: 31 de marzo. 2026 / Publicado: 29 de abril
de 2026.
1. Resumen
El presente artículo de investigación analiza la viabilidad y el impacto ético de integrar
sistemas de Inteligencia Artificial (IA) basados en análisis predictivo para la detección
temprana
de
Dificultades
Específicas
del
Aprendizaje
(DEA)
en
el
subnivel
de
Educación Básica. Históricamente, el sistema educativo ha operado bajo un modelo
reactivo de "esperar al fracaso" (
wait-to-fail
), donde la intervención psicopedagógica
ocurre únicamente tras repetidos tropiezos académicos. El objetivo de este estudio
es proponer un marco metodológico para el uso de Minería de Datos Educativos
(EDM) y algoritmos de
Machine Learning
capaces de identificar patrones anómalos
de aprendizaje antes de que se consolide el rezago. Mediante un diseño descriptivo-
proyectivo y revisión sistémica de literatura, se estructuraron matrices de variables
predictivas (fluidez lectora, tiempos de respuesta interactiva, asistencia y varianza
de
calificaciones).
Los
hallazgos
teóricos
sugieren
que
los
modelos
predictivos
pueden alertar sobre riesgos de dislexia, discalculia o TDAH con hasta 18 meses de
anticipación en comparación con la derivación docente tradicional. Se concluye que
la
IA
no
debe
sustituir
el
diagnóstico
clínico
del
Departamento
de
Consejería
Estudiantil
(DECE),
sino
actuar
como
una
herramienta
de
cribado
sistemático
(
screening
) que transforma los datos pasivos de la escuela en alertas tempranas
procesables,
garantizando
el
derecho
a
una
intervención
pedagógica
oportuna.
Palabras
clave:
Inteligencia
Artificial,
Dificultades
de
Aprendizaje,
Análisis
Predictivo, Minería de Datos Educativos, Prevención Escolar, Innovación Educativa.
1. Abstract
77
This research article analyzes the viability and ethical impact of integrating Artificial
Intelligence
(AI)
systems
based
on
predictive
analytics
for
the
early
detection
of
Specific
Learning
Difficulties
(SLD)
at
the
Basic
Education
level.
Historically,
the
educational system has operated under a reactive "wait-to-fail" model, where psycho-
pedagogical
intervention occurs only after repeated academic setbacks. The objective of this study
is to propose a methodological framework for the use of Educational Data Mining
(EDM) and Machine Learning algorithms capable of identifying anomalous learning
patterns before the lag is consolidated. Through a descriptive-projective design and
a
systematic
literature
review,
matrices
of
predictive
variables
were
structured
(reading
fluency,
interactive
response
times,
attendance,
and
grade
variance).
Theoretical findings suggest that predictive models can alert about risks of dyslexia,
dyscalculia, or ADHD up to 18 months earlier compared to traditional teacher referral.
It
is
concluded
that
AI
should
not
replace
the
clinical
diagnosis
of
the
Student
Counseling Department (DECE), but rather act as a systematic screening tool that
transforms passive school data into actionable early warnings, guaranteeing the right
to
timely
pedagogical
intervention.
Keywords:
Artificial
Intelligence,
Learning
Difficulties,
Predictive
Analytics,
Educational
Data
Mining,
School
Prevention,
Educational Innovation.
2. Introducción
El fracaso escolar no es un evento súbito, sino la culminación de un proceso de
desconexión
cognitiva
y
emocional
prolongado.
En
el
contexto
de
la
Educación
Básica
en
Ecuador,
uno
de
los
nudos
críticos
para
garantizar
la
equidad
es
la
identificación de las Dificultades Específicas del Aprendizaje (DEA), tales como la
dislexia, la disortografía, la discalculia o los trastornos de las funciones ejecutivas
(como
el TDAH).
Lamentablemente,
la
práctica
institucional
ha
dependido
de
un
modelo
clínico
reactivo:
el
estudiante
debe
fracasar
repetidamente,
reprobar
evaluaciones o presentar crisis de comportamiento para que el docente de aula, a
menudo saturado, inicie un protocolo de derivación al Departamento de Consejería
Estudiantil (DECE).
Este
enfoque
de
"esperar
al
fracaso"
tiene
consecuencias
devastadoras
para
la
autoestima
del
menor
y
compromete
la
ventana
de
mayor
neuroplasticidad.
La
analítica
de
datos
impulsada
por
Inteligencia Artificial
(IA)
ofrece
un
cambio
de
paradigma radical: pasar de la reacción a la predicción (Siemens et al., 2022). Cada
interacción que un estudiante tiene en el entorno escolar moderno (asistencia,
78
calificaciones parciales, uso de plataformas digitales, tiempo de entrega de tareas)
genera una "huella de datos".
El
objetivo
de
este
trabajo
de
investigación
es
delinear
cómo
las
instituciones
educativas pueden emplear técnicas de
Machine Learning
(Aprendizaje Automático)
y Minería de Datos Educativos para identificar perfiles de riesgo latente. Se postula
que la IA, al procesar miles de microvariables que escapan a la observación humana
diaria,
puede
alertar
al
docente
sobre
una
trayectoria
de
aprendizaje
divergente
mucho antes de que se refleje en un boletín de calificaciones reprobatorio.
3. Marco Teórico
3.1. De la Intuición Docente al Análisis Basado en Datos
La
evaluación
del
docente
de
Educación
Básica
posee
un
componente
intuitivo
invaluable,
basado
en
la
observación
diaria
y
la
empatía.
Sin
embargo,
la
carga
administrativa
y la masificación de las aulas (promedios de 35 a 40 estudiantes)
limitan
la
capacidad
de
rastrear
micro-patrones
temporales.
La
Analítica
de
Aprendizaje (
Learning Analytics
) define la medición, recopilación y análisis de datos
de los estudiantes con el propósito de optimizar los entornos en los que ocurre el
aprendizaje (Baker et al., 2020). La IA no reemplaza la observación del maestro, sino
que "triangula" la intuición humana con evidencia estadística pura.
3.2. Minería de Datos Educativos (EDM) y
Machine Learning
La Minería de Datos Educativos (EDM) utiliza algoritmos para descubrir patrones
ocultos en grandes repositorios de datos escolares. En la predicción de DEA, los
modelos más utilizados son los "Árboles de Decisión" (Random Forest) y las "Redes
Neuronales
Artificiales".
Estos
algoritmos
se
entrenan
con
datos
históricos
de
estudiantes previamente diagnosticados. El sistema aprende, por ejemplo, que una
combinación específica de "alta varianza en calificaciones de matemáticas" sumada
a "retrasos consistentes en la entrega de tareas de lectura" y "ausentismo recurrente
los días de evaluación" se correlaciona en un 85% con un diagnóstico temprano de
dislexia.
3.3. El Riesgo de la Caja Negra (Black Box) y la IA Explicable (XAI)
Un marco teórico riguroso debe abordar la limitación ética de la tecnología. Si un
algoritmo cataloga a un estudiante de 7 años como "En Riesgo Alto de Fracaso",
pero
no
puede
explicar
por
qué
,
la
herramienta
es
inútil
y
potencialmente
estigmatizante.
Por
ello,
la
neuroeducación
contemporánea
exige
el
uso
de
Inteligencia Artificial Explicable (XAI por sus siglas en inglés). La XAI garantiza que
79
el
sistema
no
emita
una
sentencia
ciega,
sino
un
panel
visual
(
Dashboard
)
que
desglosa qué variables específicas
activaron
la
alerta,
permitiendo
al
docente
y
al
psicólogo
escolar
comprender
la
etiología del posible rezago.
4. Materiales y Métodos
4.1. Diseño de la Investigación
El
estudio
empleó
un
diseño
descriptivo,
metodológico
y
prospectivo.
Dado
el
carácter sensible de los datos médicos y académicos de menores de edad, no se
experimentó con estudiantes reales, sino que se recurrió al diseño de protocolos
estructurales
y
la
validación
de
arquitecturas
de
datos
hipotéticas
para
su
futura
aplicación en la Escuela de Educación Básica Particular “Ciudad de Jerusalén”.
4.2. Instrumentos y Arquitectura del Sistema
El modelo propuesto se estructuró sobre las capacidades de los sistemas de gestión
del
aprendizaje
(LMS)
y
bases
de
datos
institucionales.
Las
fuentes
de
datos
(Variables Predictoras) se dividieron en tres categorías:
1.
Datos
Académicos
Históricos:
Calificaciones
formativas
y
sumativas,
desagregadas por destreza (DCD).
2.
Datos Conductuales-Administrativos:
Registro de asistencia, puntualidad,
anotaciones disciplinarias leves.
3.
Datos de Interacción Digital:
(Si aplica) Tiempos de permanencia en tareas
digitales,
tasa
de
clics
o
número
de
intentos
fallidos
antes
de
resolver
un
ejercicio de matemáticas en plataformas.
4.3. Procedimiento de Protocolización
La
metodología
se
enfocó
en
construir
la
secuencia
operativa
(
Pipeline
)
para
la
integración de la IA:
1.
Fase de Parametrización:
Determinación de los umbrales de alerta.
2.
Fase de Integración Algorítmica:
Estructuración de un modelo de
screening
pasivo (el sistema corre en segundo plano analizando los registros diarios).
3.
Fase de Protocolo de Acción:
Diseño de la ruta de derivación. La alerta
generada por la IA no va a los padres de familia, sino exclusivamente a un
4.
80
comité
técnico
(Docente
Tutor
+
DECE)
para
iniciar
un
proceso
de
observación clínica validada.
5. Resultados y Desarrollo Operativo
El
desarrollo
estructural
de
este
modelo
evidencia
que
la
implementación
de
IA
predictiva no requiere laboratorios complejos, sino una reestructuración inteligente
de los datos que la escuela ya posee y archiva pasivamente.
5.1. Precisión del Screening Predictivo frente a la Derivación Tradicional
Basado
en
las
revisiones
de
literatura
científica
sobre
minería
de
datos
(Ocaña-
Fernández
et
al.,
2019;
Zawacki-Richter
et
al.,
2020),
los
modelos
de
Machine
Learning
alcanzan precisiones superiores al 80% en la identificación de perfiles de
riesgo.
Tabla 1.
Comparativa Teórica entre el Modelo de Derivación Tradicional vs. Análisis
Predictivo con IA.
Variable
de
Análisis
Derivación Tradicional Docente
Screening Predictivo por IA
Tiempo
de
Detección
Promedio
Finales de 3er grado o inicios de 4to
grado de EGB.
Finales de 1er grado o mediados d
e 2do
grado de EGB.
Sesgo
Subjetivo
Alto. Depende de la experiencia del
docente
y
el
comportamiento
del
niño (los niños introvertidos con DEA
suelen pasar desapercibidos).
Nulo/Bajo. El algoritmo analiza el rastro
numérico
objetivamente,
sin
verse
influenciado
por
el
comportamiento
social del niño.
81
Costo
Cognitivo
para
el
Docente
Alto.
Requiere
recolección
manual
de
evidencias
durante
meses
para
justificar el informe al DECE.
Mínimo.
El
sistema
emite
la
alerta
automática;
el
docente
invierte
su
tiempo
en
diseñar
la
adaptación
curricular (DIAC).
5.2. Identificación de Micro-Patrones Invisibles
El hallazgo metodológico más relevante es la capacidad de la IA para correlacionar
variables dispares. Por ejemplo, el sistema puede detectar que un estudiante tiene
un rendimiento global "aceptable" (7.5/10), lo cual evita que el docente humano se
alarme.
Sin
embargo,
la
IA
detecta
que
ese
7.5
se
compone
de
notas
de
10
en
ciencias (memoria visual) pero notas de 4 en tareas que requieren seriación lógica,
advirtiendo una posible discalculia compensada temporalmente por la inteligencia
general del alumno.
6. Discusión
La implementación de analíticas predictivas sitúa a las instituciones educativas en la
vanguardia de la pedagogía preventiva. Como argumenta Selwyn (2020), el poder
de la IA en la educación no reside en automatizar la enseñanza, sino en revelar
realidades que la capacidad humana de procesamiento de información no puede
alcanzar.
La IA no diagnostica, alerta
Es fundamental trazar una línea roja bioética en este
debate. Ningún algoritmo, sin importar su nivel de sofisticación, tiene la competencia
legal ni epistemológica para "diagnosticar" a un estudiante. El diagnóstico clínico es
un
acto
profundamente
humano
que
requiere
pruebas
psicométricas,
entrevistas
familiares y evaluación del contexto socioemocional. El rol de la IA es estrictamente
el de un radar preventivo (
early warning system
). Transforma una masa amorfa de
calificaciones
y
asistencias
en
una
bandera
amarilla
que
le
susurra
al
DECE:
"Observen de cerca a este estudiante; su trayectoria numérica es idéntica a la de
estudiantes diagnosticados con TDAH el año pasado"
.
El
Riesgo
del
"Efecto
Pigmalión"
Algorítmico
El
uso
de
paneles
predictivos
(
Dashboards
) por parte de los docentes entraña un riesgo psicológico significativo.
Si un maestro recibe una alerta de la IA indicando que un estudiante "tiene altas
probabilidades de fracasar", podría bajar inconscientemente sus expectativas sobre
ese alumno (Profecía Autocumplida o Efecto Pigmalión negativo). Para mitigar este
82
sesgo, el diseño de la interfaz de la IA debe centrarse en el lenguaje de la plasticidad
cerebral: no debe decir "Probabilidad de Fracaso", sino "Oportunidad de Andamiaje
Urgente", centrando la atención en la intervención pedagógica y no en la etiqueta.
7. Conclusiones
Derivado
de
la
investigación
y
estructuración
metodológica,
se
establecen
las
siguientes conclusiones:
1.
Erradicación del Paradigma Reactivo:
La analítica predictiva asistida por IA
dota a la Educación Básica de una herramienta científica para desmantelar el
modelo de "esperar al fracaso". Permite intervenir en la verdadera Zona de
Desarrollo Próximo, protegiendo la autoestima del menor en etapas críticas
de neurodesarrollo.
2.
Optimización
de
Recursos
Institucionales:
En
instituciones
donde
el
Departamento de Consejería Estudiantil (DECE) debe atender a cientos de
estudiantes, la IA actúa como un sistema de
triage
, priorizando de manera
objetiva qué estudiantes requieren una evaluación clínica urgente.
3.
Imperativo
de
Gobernanza
de
Datos:
La
implementación
de
estas
tecnologías
exige
políticas
de
protección
de
datos
feroces.
Las
escuelas
deben transparentar a los padres de familia cómo se analizan los datos de sus
hijos, garantizando la anonimización en los servidores y el cumplimiento de
marcos legales de confidencialidad.
4.
Formación Docente Crítica:
La alfabetización en IA del cuerpo docente debe
ir más allá de "saber usar el programa". Los maestros deben ser capacitados
para
interpretar
los
datos
predictivos
críticamente,
asegurando
que
la
tecnología
opere
como
un
asistente
subordinado
al
juicio
pedagógico
humano.
8. Apéndices Metodológicos y Operativos
Apéndice A: Matriz de Variables Predictivas y Ponderación Algorítmica
Esta tabla detalla los parámetros teóricos propuestos para entrenar el algoritmo de
clasificación (Ej. Random Forest) en el entorno de una institución educativa regular.
Tabla A1.
Identificación de Atributos de Entrada (Features) para el Modelo Predictivo.
Dimensión
de
Datos
Variable
Analizada
(Atributo)
Indicador
de
Riesgo
para
Detección de Dificultad (DEA)
Ponderación
en
el
Algoritmo
83
(Peso
Predictivo)
Rendimiento
Académico
Segmentado
Varianza
Intradisciplinar
(Ej.
Calificaciones
dispares
dentro
de
una
mi
sma materia).
Excelentes
calificaciones
en
comprensión
oral,
pero
deficiencias severas en pruebas
de
decodificación
escrita
(Posible Dislexia).
Alta (40%)
Tiempo
de
Respuesta
(Si
se
usan TIC)
Latencia en el ingreso de
respuestas numéricas en
plataformas de ejercicios.
Tiempo de ejecución tres veces
superior a la media del grupo en
operaciones
de
seriación
o
cálculo
mental
(Posible
Discalculia).
Alta (25%)
Conductual
/
Administrativo
Tasa
de
"Tareas
no
entregadas a tiempo" vs.
"Tareas no entregadas".
El
e
studiante
realiza
la
tarea
pero
presenta
problemas
crónicos
para
organizarse
y
entregarla
el
día
estipulado
(Indicador de función ejecutiva
-
TDAH).
Media (20%)
Socio-Escolar
Registro
de
ausentismo
justificado
(malestar
físico)
en
días
de
evaluaciones
estandarizadas.
Evitación
de
la
tarea
(
Task
Avoidance
)
por
somatización
del
estrés
académico
no
diagnosticado.
Baja (15%)
Apéndice B: Protocolo Ético de Acción ante "Banderas Rojas" de la IA
Para evitar la estigmatización y el sesgo algorítmico, el diseño de la investigación
propone este flujo de trabajo estricto una vez que el sistema predictivo emite una
alerta.
Flujograma de Gobernanza de Datos:
1.
Cálculo Pasivo:
El algoritmo analiza bases de datos encriptadas cada fin de
mes. El sistema arroja un
Score
de Riesgo (0 a 100).
2.
Generación de Alerta "Ciega":
Si un estudiante supera el umbral de riesgo
(>80/100),
el
sistema
envía
un
correo
encriptado
ÚNICAMENTE
a
la
coordinación del DECE (Departamento de Consejería Estudiantil).
84
3.
Prohibición de Comunicación Inmediata:
Está estrictamente prohibido que
el sistema IA notifique a los padres o al docente de aula para evitar el "Efecto
Etiquetado".
4.
Triangulación
Humana:
El
DECE
inicia
una
observación
presencial
silenciosa en el aula. Dialoga con el tutor sobre el desempeño del estudiante
(sin revelar que la IA activó una alerta).
5.
Intervención Formal:
Solo si el psicólogo institucional valida cualitativamente
que las dificultades marcadas por el algoritmo son reales, se convoca a los
representantes legales para sugerir una evaluación externa.
Apéndice C: Diseño Teórico de Interfaz de IA Explicable (XAI Dashboard)
Para resolver el problema de la "Caja Negra", la interfaz gráfica del docente/DECE
debe traducir el código en lenguaje pedagógico.
Simulación de Panel de Control (Alerta generada por el Sistema):
🔴
ALERTA PREVENTIVA GENERADA:
Estudiante J.P. (5to Año de Básica).
Nivel
de Riesgo Predictivo:
Alto (84%).
¿Por qué la Inteligencia Artificial activó esta alerta?
La IA no emite diagnósticos.
Esta alerta se generó por la combinación de 3 factores detectados en los últimos 45
días:
1.
Caída abrupta del 40% en precisión ortográfica en la asignatura de Lenguaje
(Comparado con su historial de 4to grado).
2.
Registro de 5 tareas incompletas consecutivas en las materias que requieren
lectura autónoma (Estudios Sociales y Ciencias).
3.
Comportamiento
normal/alto
rendimiento
en
Educación
Física,
Arte
y
evaluaciones orales (Indica que no hay un problema cognitivo general, sino
focalizado en la decodificación).
Acción Recomendada:
Solicitar una prueba de fluidez lectora estandarizada con el
DECE y aplicar inmediatamente el Diseño Universal para el Aprendizaje (ofrecerle
instrucciones en formato de audio esta semana).
8. Creación de contenidos multimedia con IA: Diseñar
videos, infografías y presentaciones en segundos para tus clases
85
A
continuación,
presento
el
desarrollo
integral
del
octavo
artículo
de
tu
línea
de
investigación.
Para este manuscrito, he articulado el marco teórico en torno a la
Teoría Cognitiva
del
Aprendizaje
Multimedia
de
Richard
Mayer,
combinándola
con
el
uso
de
modelos de difusión (generación de imágenes y videos por IA). El texto mantiene el
rigor
9. Referencias Bibliográficas
Baker, R. S., Gašević, D., & Karumbaiah, S. (2020). Educación y analítica de
aprendizaje:
estado
actual
y
desafíos.
Revista
Iberoamericana
de
Educación
a
Distancia
, 23(2), 33-50.
https://doi.org/10.5944/ried.23.2.27134
Berens, J., Kruse, P., Bosse, S., & Gelmroth, M. (2021). Early detection of
students
at
risk:
Predicting
student
dropouts
using
administrative
student
data.
Journal of Educational Data Mining
, 13(3), 1-24.
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
Domínguez,
D.,
Álvarez,
J.
F.,
&
Gil-Jaurena,
I.
(2020).
Analítica
del
aprendizaje y
Big Data
: hacia una educación más personalizada.
Edutec. Revista
Electrónica de Tecnología Educativa
, (74), 1-15.
Fischer, C., Pardos, Z. A., Baker, R. S., Williams, J. J., Smyth, P., Yu, R., ...
&
Warschauer
, M. (2020). Mining big data in education: Affordances and challenges.
Review of Research in Education
, 44(1), 130
-
160.
Flores,
J.,
&
García,
F.
(2023).
Reflections
on
the
ethics,
potential,
and
challenges of artificial intelligence in the framework of quality education.
Comunicar
,
74(1), 37
-
47.
García-Peñalvo,
F.
J.
(2022).
La
percepción
de
la
Inteligencia Artificial
en
contextos educativos.
Education in the Knowledge Society (EKS)
, 24, e31279.
Hwang, G. J., Xie, H., Wah, B. W., & Gašević, D. (2020). Vision, challenges,
roles
and
research
issues
of
Artificial
Intelligence
in
Education.
Computers
and
Education:
Artificial
Intelligence
,
1,
100001.
https://doi.org/10.1016/j.caeai.2020.100001
Jaramillo Domínguez, D. C., & Tene Pucha, J. E. (2022). Explorando el uso de
la tecnología educativa en la Educación Básica.
Podium
, (41), 91–104.
86
López-Regalado, O., Núñez-Rojas, N., López-Gil, O., & Sánchez-Rodríguez,
J. (2024). Análisis del uso de la inteligencia artificial en la educación: una revisión
sistemática.
Pixel-Bit. Revista de Medios y Educación
, (70), 97-122.
Miao, F., & Holmes, W. (2023).
Inteligencia artificial y educación: Guía para las
personas a cargo de formular políticas
.
UNESCO.
Molenaar,
I.
(2022).
Towards
hybrid
human-AI
learning
technologies.
European Journal of Education
, 57(4), 632-645.
https://doi.org/10.1111/ejed.12527
Mutimukwe, C., Viberg, O., & Ouyang, F. (2023). Students’ privacy concerns
and their impact on data sharing in learning analytics.
Computers & Education
, 198,
104764.
Ocaña-Fernández,
Y.,
Valenzuela-Fernández,
L.
A.,
&
Garro-Aburto,
L.
L.
(2019). Inteligencia artificial y sus implicaciones en la educación superior.
Propósitos
y Representaciones
, 7(2), 536-568.
Reinoso,
M.,
&
Paz,
C.
(2024).
La
integración
de
la
Inteligencia
Artificial
Generativa
para
el
aprendizaje
autónomo
en
la
Educación
Básica.
Revista
Iberoamericana de Tecnología en Educación
, (35), e12.
Romero,
C.,
&
Ventura,
S.
(2020).
Educational
data
mining
and
learning
analytics:
An
updated
survey.
Wiley
Interdi
sciplinary
Reviews:
Data
Mining
and
Knowledge Discovery
, 10(3), e1355.
Selwyn, N. (2020).
¿Deberían los robots sustituir al profesorado? La IA y el
futuro de la educación
. Ediciones Morata.
Siemens,
G.,
Gašević,
D.,
&
Dawson,
S.
(2022).
Preparing
for
the
digital
university: a review of the history and current state of distance, blended, and online
learning
. Athabasca University Press.
UNESCO.
(2024).
Generative
AI
and
the
future
of
education
.
UNESCO
Publishing.
Zawacki-Richter,
O.,
Marín,
V.
I.,
Bond,
M.,
&
Gouverneur,
F.
(2020).
Systematic
review
of
research
on
artificial
intelligence
applications
in
higher
education.
International
Journal
of
Educational
Technology
in
Higher
Education
,
16(1), 39.