El presente trabajo presenta la implementación de un sistema de clasificación automática para categorizar las respuestas de estudiantes a foros de discusión de acuerdo al dominio cognitivo de la taxonomía de Bloom. Diversos estudios se han llevado a cabo en esta área, en esta ocasión la efectividad y desempeño de un clasificador Bayesiano, específicamente el clasificador Naïve Bayes, son analizados. En esta propuesta este clasificador es empleado conjuntamente con técnicas de minería de texto y un conjunto de datos previamente clasificado por expertos para llevar a cabo la categorización. Este proyecto también contempló la implementación de una interfaz de usuario en la versión cuatro del Sistema Interactivo de Desarrollo para el Web – SIDWeb versión 4, con el objetivo que los profesores puedan interactuar con el sistema de clasificación automática, etiquetando a través de este las participaciones y contribuciones de estudiantes en los foros de discusión que se efectúan dentro de SIDWeb 4. También se proveen estadísticas de las participaciones de los estudiantes en las discusiones, así como también de las categorías dentro de la taxonomía que están alcanzando con la finalidad que los educadores puedan a simple vista tener una idea de si están logrando los objetivos de aprendizaje planteados, el vi nivel al que están llegando sus estudiantes y si se encuentran discutiendo superficialmente o si están generando nuevo conocimiento. Otro aspecto que se estudió fue el determinar si el sistema de clasificación puede compararse o considerarse como un codificador humano. Varias pruebas fueron llevadas a cabo con el objetivo de obtener métricas cuyos valores permitieron evaluar el desempeño del clasificador y calidad de los resultados. Los resultados obtenidos indican que usando la arquitectura propuesta es posible lograr los objetivos planteados, sin embargo la efectividad de la clasificación se ve afectada por la calidad de los datos de entrenamiento provocando que se logre buenos resultados para los niveles de la taxonomía de los que se tienen una cantidad considerable de ejemplos y malos resultados para los niveles que poseen pocos ejemplos etiquetados.