El uso de técnicas de tecnologías de aprendizaje avanzadas (ALT) en los sistemas de gestión del aprendizaje (LMS) permite a los profesores mejorar el aprendizaje autorregulado y llevar a cabo el monitoreo personalizado de sus estudiantes a lo largo del proceso de enseñanza-aprendizaje. Sin embargo, se requiere la aplicación de técnicas de minería de datos educativos (EDM), como el aprendizaje automático supervisado y no supervisado, para interpretar los resultados de los registros de seguimiento en LMS. Los objetivos de este trabajo fueron (1) determinar cuál de los recursos de ALT sería el mejor predictor y clasificador de resultados de aprendizaje, comportamientos en LMS y satisfacción del estudiante con la enseñanza; (2) determinar si los agrupamientos encontrados en los conglomerados coinciden con el grupo de origen de los estudiantes. Trabajamos con una muestra de estudiantes de tercer año que completaban títulos en Ciencias de la Salud. Los resultados indican que la combinación de recursos de ALT utilizados predice el 31% de los resultados de aprendizaje, comportamientos en LMS y satisfacción del estudiante. Además, el acceso de los estudiantes a retroalimentación automática fue el mejor clasificador. Finalmente, el grado de relación entre el grupo de origen y el conglomerado encontrado fue medio (C = 0.61). Es necesario incluir recursos de ALT y una mayor automatización de técnicas de EDM en los LMS para facilitar su uso por parte de los profesores.