Es crucial revisar y actualizar regularmente los materiales del curso en la educación superior. Sin embargo, en el proceso de evaluación del curso, es discutible cuál es un tema de aprendizaje difícil. Este documento propone un enfoque de minería de datos para detectar temas de aprendizaje que requieren atención en el proceso de mejora de los materiales de enseñanza mediante el análisis de la discrepancia entre evaluaciones formativas y sumativas. Además, proponemos métodos específicos que involucran agrupamiento y reducción de ruido utilizando el algoritmo OPTICS y pasos de cálculo de discrepancias. Se han realizado experimentos intensivos en un conjunto de datos recopilado a partir de resultados de evaluación precisos del curso de estructuras de datos y algoritmos (DSA) para estudiantes de la carrera de TI en nuestra universidad. Los resultados experimentales han demostrado que la reducción de ruido puede ayudar a identificar a los estudiantes con bajo rendimiento y alto rendimiento. Además, nuestro método propuesto puede detectar temas de aprendizaje con una alta discrepancia para mejorar continuamente los materiales de enseñanza, lo cual es esencial para la recomendación de preguntas en sistemas de aprendizaje adaptativos.